Hôm nay, bảng xếp hạng paper trên Hugging Face cho thấy một bức tranh rất rõ về nơi cộng đồng AI đang dồn sự chú ý: agent dài hạn, robotics foundation model, video understanding, visual pretraining, memory for AI, và các phương pháp huấn luyện mô hình hiệu quả hơn.
Trong bài viết này, mình sẽ đi qua 10 paper được upvote cao nhất, và với mỗi paper sẽ trả lời 4 câu hỏi:
Paper ID: 2607.05394
Project: https://bytedtsinghua-sia.github.io/Direct-OPD/ Reinforcement learning (RL) giúp cải thiện mô hình trên các bài toán có phần thưởng kiểm chứng được, nhưng chạy RL trên mô hình lớn rất tốn tài nguyên. Câu hỏi là: liệu có thể dùng một mô hình nhỏ hơn học bằng RL trước, rồi chuyển “năng lực sau RL” sang mô hình lớn hơn mà không phải chạy RL lại từ đầu không?
Paper đề xuất Direct On-Policy Distillation (Direct-OPD). Thay vì chỉ bắt chước đầu ra cuối cùng của mô hình nhỏ, phương pháp này dùng sự thay đổi policy do RL tạo ra như một tín hiệu phần thưởng ngầm. Mô hình lớn được huấn luyện trên các trạng thái sinh ra theo on-policy, từ đó hấp thụ phần “cải thiện hành vi” của mô hình nhỏ.
Nói ngắn gọn:
Điểm hay ở đây là không cần chạy RL đầy đủ trên mô hình đích. Đây là một hướng “weak-to-strong transfer” khá thực dụng: dùng mô hình yếu hơn để mở đường cho mô hình mạnh hơn.
Tính mới nằm ở:
Nếu hướng này hoạt động tốt ở quy mô lớn, nó có thể:
Paper ID: 2607.10383
Project: https://amap-cvlab.github.io/ABot-Navigation/ABot-N1/ Visual Language Navigation (VLN) là bài toán robot hoặc agent phải điều hướng trong môi trường bằng chỉ dẫn ngôn ngữ. Khó khăn là dữ liệu thường phân mảnh, môi trường đa dạng, và mô hình khó tổng quát hóa sang thành phố, tòa nhà, hoặc chỉ dẫn mới.
ABot-N1 hướng tới một foundation model cho navigation: một mô hình có thể hiểu đồng thời hình ảnh, không gian, và ngôn ngữ để thực hiện điều hướng tổng quát hơn.
Từ tiêu đề và định hướng project, đóng góp chính có vẻ là đưa VLN từ mức “task-specific model” sang foundation-model paradigm. Điều này quan trọng vì navigation không chỉ là perception, mà còn cần:
Paper ID: 2607.10350
Robot agent hiện nay thường giỏi demo ngắn hạn nhưng yếu ở khả năng ghi nhớ lâu dài, tận dụng lịch sử tương tác, và học liên tục từ môi trường thực.
ABot-AgentOS đề xuất một kiểu hệ điều hành cho robotic agent, với thành phần trung tâm là lifelong multi-modal memory — bộ nhớ dài hạn chứa thông tin từ hình ảnh, ngôn ngữ, hành động và trải nghiệm.
Thay vì xem agent như một model đơn lẻ, paper có vẻ xem nó như một hệ thống vận hành gồm:
Điểm mới lớn là nhấn mạnh OS-level abstraction cho agent robot: bộ nhớ không còn là phụ trợ, mà trở thành thành phần nền tảng để tích lũy kinh nghiệm.
Paper ID: 2607.08964
**GitHub:** [https://github.com/zli12321/LHTB](https://github.com/zli12321/LHTB)
**Project:** [https://zli12321.github.io/LHTB/index.html](https://zli12321.github.io/LHTB/index.html)
Rất nhiều benchmark cho coding agent hoặc terminal agent chủ yếu đo kết quả cuối cùng, nhưng chưa đánh giá tốt năng lực lập kế hoạch dài hạn, phục hồi sau lỗi, và thực hiện chuỗi thao tác dài.
Paper xây dựng Long-Horizon-Terminal-Bench (LHTB), tập trung vào các tác vụ terminal dài hơi và dùng dense reward-based grading thay vì chỉ pass/fail cuối cùng.
Điểm mới rõ ràng là benchmark không chỉ hỏi “agent có làm xong không?” mà còn hỏi:
Dense reward giúp nhìn sâu hơn vào năng lực thực sự của agent.
Paper ID: 2603.29616
**GitHub:** [https://github.com/sejong-rcv/Video-Oasis](https://github.com/sejong-rcv/Video-Oasis)
**Project:** [https://limgeuntaekk.github.io/Video-Oasis/](https://limgeuntaekk.github.io/Video-Oasis/)
Nhiều benchmark video hiện nay có thể bị “hack” bởi priors ngôn ngữ hoặc kiến thức thường thức, nghĩa là model có thể trả lời đúng mà không thực sự hiểu video.
Video-Oasis xây dựng một bộ diagnostic evaluation để phân tích mô hình video understanding: khi nào model dùng tín hiệu hình ảnh thật, khi nào chỉ dựa vào văn bản, và benchmark nào đang bị “rỗng” về mặt thị giác.
Kết quả nổi bật nhất là: khoảng một nửa benchmark hiện có có thể giải mà không cần input hình ảnh. Đây là một lời cảnh báo mạnh cho cộng đồng.
Điểm mới nằm ở cách paper:
Paper ID: 2607.09024
Project: https://genception.github.io/ Mô hình video generation thường được xem là công cụ tạo nội dung. Nhưng câu hỏi thú vị là: liệu quá trình học tạo video có đồng thời học được biểu diễn thị giác mạnh cho các nhiệm vụ perception không?
Paper cho rằng các video generation models không chỉ là generative models, mà còn là general-purpose vision learners. Việc học động học thời gian, cấu trúc cảnh, và tương tác vật thể có thể tạo ra representation hữu ích cho nhiều task thị giác.
Điểm mới là sự dịch chuyển góc nhìn:
Nếu đúng, đây là một luận điểm rất quan trọng: mô hình generative có thể trở thành nền tảng cho cả video understanding, tracking, action recognition, prediction…
Paper ID: 2601.16211
**GitHub:** [https://github.com/KHU-VLL/RCORE](https://github.com/KHU-VLL/RCORE)
**Project:** [https://ahngeo.github.io/assets/html/RCORE.html](https://ahngeo.github.io/assets/html/RCORE.html)
Trong zero-shot compositional action recognition, mô hình cần nhận ra các tổ hợp động từ - đối tượng chưa từng thấy. Vấn đề là model hay dựa vào object shortcuts: thấy “drawer” thì đoán hành động liên quan, thay vì thực sự hiểu động tác.
Paper đưa ra phương pháp RCORE để giảm shortcut dựa trên object. Hai thành phần chính là:
Mục tiêu là buộc mô hình học tốt hơn phần “verb” và quan hệ động theo thời gian.
Paper không chỉ đưa ra phương pháp sửa lỗi mà còn chỉ ra một bất cân xứng quan trọng: học object thường dễ hơn học action. Đây là một vấn đề cốt lõi trong video understanding và embodied perception.
Paper ID: 2607.09657
LLM rất mạnh về ngôn ngữ nhưng để có language intelligence thực sự grounded, mô hình cần được pretrain thị giác ở quy mô lớn và đúng cách. Câu hỏi là: pretraining hình ảnh như thế nào để phục vụ tốt nhất cho trí tuệ ngôn ngữ?
Từ tiêu đề, paper này có vẻ nghiên cứu một framework visual pretraining có khả năng scale, nhằm tạo biểu diễn thị giác hỗ trợ reasoning, grounding và hiểu ngôn ngữ tốt hơn.
Điểm nhấn có lẽ là mối liên hệ ngược lại với xu hướng quen thuộc. Thay vì chỉ hỏi “làm sao thêm vision vào LLM?”, paper đặt câu hỏi sâu hơn:
Paper ID: 2607.09125
Project: https://sisyphm.github.io/studiorecon-page/ 4D reconstruction của người và cảnh thường yêu cầu camera bao phủ tốt, nhiều góc quay trùng lặp. Nhưng trong thực tế, dữ liệu thường low-overlap: ít camera, góc nhìn lệch, chuyển động phức tạp.
Paper tập trung giải bài toán tái dựng human-scene 4D ngay cả khi dữ liệu thu được có độ chồng lắp thấp. Nghĩa là vừa dựng hình không gian 3D, vừa theo dõi diễn biến theo thời gian.
Khó nhất ở đây là kết hợp:
Nếu xử lý tốt low-overlap captures, paper sẽ mở rộng đáng kể khả năng ứng dụng của 4D reconstruction ngoài studio chuẩn.
Paper ID: 2607.11487
Khi AI bước vào đời sống hàng ngày, một thách thức lớn là memory cá nhân: làm sao hệ thống nhớ được các sự kiện, vật thể, lịch sử tương tác và ngữ cảnh đời thường mà vẫn nhẹ, hữu dụng và có thể truy xuất đúng lúc?
LightMem-Ego hướng tới một hệ thống AI memory cho đời sống hằng ngày, có thể dựa trên dữ liệu egocentric hoặc trải nghiệm cá nhân để hỗ trợ ghi nhớ và nhắc lại ngữ cảnh.
Điểm mới nằm ở định vị rất rõ: đây không chỉ là memory cho chatbot, mà là memory layer cho cuộc sống thường nhật. Từ “LightMem” cũng gợi ý rằng tác giả quan tâm đến tính nhẹ, hiệu quả và khả năng triển khai thực tế.
Nhìn tổng thể, 10 paper không hề rời rạc. Chúng phản ánh 4 xu hướng lớn của AI hiện tại.
Các paper như Long-Horizon-Terminal-Bench, ABot-AgentOS, và LightMem-Ego đều cho thấy cộng đồng không còn hài lòng với agent chỉ làm được tác vụ ngắn. Điều được quan tâm bây giờ là:
Video-Oasis, Video Generation Models are General-Purpose Vision Learners, và RCORE đều chạm vào cùng một ý: video không chỉ là dữ liệu khó hơn ảnh, mà là nơi AI phải học động học, hành động, quan hệ nhân quả, và thời gian.
ABot-N1 và ABot-AgentOS cho thấy embodied AI đang chuyển từ pipeline thủ công sang hệ thống tổng quát hơn, có memory, có grounding, có khả năng dùng chung cho nhiều môi trường.
Direct On-Policy Distillation giải bài toán chi phí huấn luyện. Video-Oasis và LHTB giải bài toán đánh giá sai năng lực thật. Đây là hai mặt của cùng một vấn đề: AI không chỉ cần mạnh hơn, mà còn phải được huấn luyện hợp lý hơn và đo lường đúng hơn.
Nếu phải tóm gọn tinh thần của top 10 paper hôm nay trong một câu, mình sẽ nói:
AI đang dịch chuyển từ các mô hình “trả lời tốt trên benchmark” sang các hệ thống “hiểu thế giới, nhớ lâu, hành động dài hạn, và được đánh giá nghiêm túc hơn”.
Đây là dấu hiệu tích cực. Nó cho thấy cộng đồng đang quan tâm đến các năng lực gần với ứng dụng thực tế hơn:
Nếu bạn đang theo dõi xu hướng AI cho nửa cuối năm nay, đây là 10 cái tên rất đáng để bookmark.
Nếu bạn muốn, mình có thể viết tiếp phiên bản 2 của bài này theo một trong 3 phong cách: