Mỗi ngày, danh sách paper được upvote cao trên Hugging Face thường cho thấy khá rõ cộng đồng AI đang quan tâm điều gì. Hôm nay, bức tranh nổi bật xoay quanh 4 cụm lớn:
Dưới đây là phần tóm lược 10 paper nổi bật nhất, theo hướng dễ đọc nhưng vẫn giữ trọng tâm: bài toán, ý tưởng, điểm mới và ứng dụng thực tế.
2607.03118
Phần lớn mô hình sinh video hiện nay tạo ra video chất lượng tốt nhưng chậm, khó tương tác thời gian thực. Điều này làm hạn chế các ứng dụng như avatar nói chuyện trực tiếp, nhân vật số phản hồi theo giọng nói, hay livestream AI.
Vidu S1 hướng tới video generation tương tác thời gian thực. Hệ thống kết hợp tối ưu ở cả hai tầng:
Mục tiêu là cho phép người dùng điều khiển nhân vật số bằng giọng nói, với video đầu ra dài, mượt và liên tục.
Điểm đáng chú ý nhất là Vidu S1 không chỉ nói về “faster generation”, mà nhắm đến real-time interactive generation thực thụ:
Đây là khác biệt quan trọng so với nhiều demo video diffusion vốn đẹp nhưng còn xa khả năng tương tác thật.
Nếu hệ thống đủ ổn định, đây có thể là một bước tiến thực tế hơn nhiều so với các demo text-to-video truyền thống.
2607.07708
Trong sinh học, hóa học và khoa học vật liệu, dữ liệu cốt lõi thường có dạng cấu trúc: protein, phân tử, tinh thể. Nhiều mô hình hiện nay dự đoán tốt nhưng thiếu tính giải thích, khó đưa ra “lý do khoa học” đằng sau kết quả.
SciReasoner xây dựng một multimodal scientific foundation model có khả năng suy luận trực tiếp trên cấu trúc. Cốt lõi là chuyển các thành phần cấu trúc thành một vocabulary thống nhất, giúp mô hình làm việc xuyên miền:
Nhờ vậy, mô hình không chỉ dự đoán mà còn sinh ra reasoning traces có thể kiểm tra.
Điểm mới nằm ở tư duy “deep native structural reasoning”:
Khác với các hệ chỉ tối ưu accuracy, SciReasoner muốn trả lời: “vì sao tính chất này xuất hiện?”
Đây là hướng rất đáng chú ý vì AI cho khoa học đang dịch chuyển từ “predictor” sang “reasoning collaborator”.
2603.29616
Rất nhiều benchmark video hiện nay được dùng để chứng minh rằng mô hình “hiểu video”. Nhưng một câu hỏi khó chịu là: liệu chúng thực sự hiểu hình ảnh-chuyển động, hay chỉ dựa vào text, priors và mẹo benchmark?
Video-Oasis tạo ra một bộ diagnostics để kiểm tra xem benchmark video có thực sự đòi hỏi tín hiệu thị giác hay không. Kết quả khá sốc: khoảng một nửa benchmark hiện có có thể giải được mà không cần input hình ảnh.
Điểm mới không phải là mô hình mới, mà là phê bình hệ thống đánh giá:
Nói cách khác, paper này nhắc cộng đồng rằng nhiều điểm số cao có thể đang phóng đại năng lực video understanding thật sự.
Đây là dạng paper rất quan trọng vì benchmark xấu thường dẫn cả lĩnh vực đi sai.
2601.16211
Trong zero-shot compositional action recognition, mô hình cần nhận diện các tổ hợp động từ–đối tượng chưa từng thấy, ví dụ “open drawer” dù chỉ từng học “open door” và “close drawer”. Vấn đề là mô hình hay dựa vào shortcut từ object, tức thấy “drawer” thì đoán theo mẫu quen thuộc thay vì hiểu hành động.
RCORE giảm các shortcut này bằng hai regularization:
Mục tiêu là ép mô hình học đúng quan hệ giữa verb và object, thay vì học mẹo.
Paper chỉ ra rõ một bất đối xứng thú vị: mô hình thường học object tốt hơn verb. Từ đó nhóm tác giả thiết kế cơ chế sửa lệch này thay vì chỉ thêm dữ liệu.
Đây là bài tiêu biểu cho xu hướng chống shortcut learning trong thị giác máy tính.
2607.08964
Các coding/terminal agents hiện đã giải được nhiều tác vụ ngắn. Nhưng khi tác vụ kéo dài hàng chục bước, có phụ thuộc giữa các giai đoạn, cần sửa lỗi và thích nghi liên tục, hiệu năng thường giảm rất mạnh.
Long-Horizon-Terminal-Bench được xây dựng để đẩy agent vào các tác vụ terminal dài hạn, với cơ chế dense reward-based grading thay vì chấm đúng/sai cuối cùng.
Điểm mới là benchmark này đánh giá:
Nó gần hơn với thực tế DevOps, data engineering, hoặc software maintenance so với các benchmark coding ngắn.
Với làn sóng “AI engineer”, các benchmark kiểu này sẽ ngày càng quan trọng.
2607.08758
LLM hiện có thể sinh “ý tưởng nghiên cứu”, nhưng rất khó đánh giá xem ý tưởng đó có thực sự mới, có nền tảng từ các công trình trước, hay có hiểu được dòng tiến hóa tri thức hay không.
Paper đưa ra khung Idea Genome: xem ý tưởng khoa học như có “gen”, có nguồn gốc, đột biến và lai ghép. Từ đó xây benchmark cho:
Thay vì đánh giá idea generation theo cảm tính, paper đưa ra cấu trúc gần như “di truyền học cho ý tưởng”:
Đây là nỗ lực thú vị để biến “AI scientist” thành bài toán đo lường được.
2607.09657
Các mô hình ngôn ngữ ngày càng mạnh, nhưng câu hỏi còn bỏ ngỏ là: thị giác đóng góp gì cho language intelligence? Có thể tiền huấn luyện thị giác ở quy mô lớn giúp năng lực ngôn ngữ hoặc suy luận của mô hình tốt hơn không?
Dù chưa có nhiều metadata công khai trong danh sách này, ngay từ tiêu đề có thể thấy paper theo đuổi hướng visual pretraining ở quy mô lớn để nâng năng lực ngôn ngữ.
Nếu đúng như tiêu đề gợi ý, điểm mới có thể nằm ở việc xem thị giác không chỉ là modality phụ, mà là nền tảng để hình thành semantic grounding cho mô hình ngôn ngữ.
Đây là paper nên theo dõi vì nó chạm đúng tranh luận lớn: liệu “seeing helps thinking” đến mức nào?
2607.08768
Nhiều benchmark agent hiện mới đánh giá agent phản ứng theo lệnh. Nhưng trong đời thực, agent giỏi cần chủ động: biết đề xuất, khám phá, phối hợp công cụ và xử lý môi trường động.
UniClawBench xây dựng benchmark cho proactive agents trong môi trường thật