Top AI Papers on Hugging Face - 2026-07-16

A developer on Hugging Face highlights the top AI papers of the week, noting a shift toward agent execution, reinforcement learning for reasoning, next-generation multimodal models, and long-term memory systems. Key papers include a software engineering approach for agent harnesses, direct on-policy distillation for efficient RL transfer, a unified multimodal model called Boogu-Image-0.1, an agent operating system for robots with lifelong memory, and scaling zero RL to trillion-parameter models.

Hôm nay, danh sách paper được upvote cao nhất trên Hugging Face cho thấy một bức tranh rất rõ: AI đang dịch chuyển mạnh sang agent thực thi , RL cho reasoning , multimodal thế hệ mới , và hệ thống có trí nhớ/làm việc dài hạn . Thay vì chỉ tối ưu benchmark tĩnh, nhiều công trình đang giải quyết câu hỏi thực dụng hơn: làm sao để mô hình hành động tốt hơn, học rẻ hơn, nhớ lâu hơn, và tương tác với thế giới thật hiệu quả hơn . Dưới đây là phần tổng hợp 10 paper đáng chú ý nhất, tập trung vào 4 câu hỏi cho mỗi paper: Bài toán: Khi xây agent thực tế, phần khó không chỉ là mô hình mà là cả “ agent harness ” — tập hợp prompt, tool, workflow, memory, evaluation, exception handling. Vấn đề là harness này ngày càng phức tạp, khó đọc, khó sửa, khó debug, đặc biệt khi nhiều người cùng phát triển. Ý tưởng: Paper này tập trung vào việc biến harness của agent thành một cấu trúc dễ đọc, dễ điều hướng, dễ chỉnh sửa . Có thể hiểu đây là một “sổ tay thiết kế” hoặc hệ nguyên tắc giúp tổ chức các thành phần agent sao cho không rơi vào tình trạng spaghetti workflow. Điểm mới: Điểm đáng chú ý là paper không chỉ xem agent như một model + prompt, mà như một artefact phần mềm đang tiến hóa liên tục . Tức là thay vì chỉ bàn về performance, tác giả nhấn mạnh khả năng bảo trì và cộng tác — một chủ đề rất quan trọng nếu agent được triển khai ở quy mô doanh nghiệp. Ứng dụng thực tế: Đây là paper mang thiên hướng “software engineering for agents”, rất hợp xu hướng 2025 khi agent bắt đầu trở thành hệ thống phức tạp chứ không còn là demo. Bài toán: RL cho mô hình lớn rất đắt. Một câu hỏi quan trọng là: có thể dùng mô hình nhỏ đã được RL cải thiện để truyền năng lực sang mô hình lớn hơn mà không phải RL lại từ đầu không? Ý tưởng: Paper đề xuất Direct On-Policy Distillation Direct OPD . Thay vì distill theo kiểu thông thường, phương pháp này tận dụng policy shift do RL tạo ra như một dạng tín hiệu thưởng ngầm. Mô hình lớn học từ các trạng thái on-policy và hành vi sau RL của mô hình nhỏ. Điểm mới: Nói ngắn gọn: thay vì dạy model lớn bằng phần thưởng đắt đỏ, ta dạy nó bằng hệ quả của việc đã học RL ở model nhỏ . Ứng dụng thực tế: Đây là một hướng rất đáng theo dõi vì nó chạm đúng “nỗi đau” của ngành: RL tốt nhưng quá tốn . Bài toán: Phần lớn mô hình multimodal hiện nay mạnh ở understanding hoặc generation , nhưng hiếm mô hình mã nguồn mở làm tốt cả hai theo kiểu thống nhất. Ý tưởng: Boogu-Image-0.1 hướng tới một mô hình multimodal unified : vừa hiểu ảnh, vừa sinh ảnh, có thể là trong cùng một framework/model family. Điểm mới: Điểm mới nằm ở tham vọng hợp nhất hai nhánh vốn thường tách biệt : Nếu làm tốt, điều này giúp giảm phân mảnh hệ sinh thái: thay vì cần nhiều model cho nhiều tác vụ, có thể dùng một nền tảng thống nhất hơn. Ứng dụng thực tế: Đây là hướng rất quan trọng vì người dùng cuối không quan tâm model là encoder-decoder hay diffusion; họ chỉ muốn một hệ thống “ nhìn, hiểu và tạo ” liền mạch. Bài toán: Robot agent ngoài đời không thể chỉ phản ứng tức thời; chúng cần trí nhớ lâu dài , hiểu ngữ cảnh đa phương thức, và hoạt động ổn định như một hệ điều hành cho hành vi. Ý tưởng: ABot-AgentOS đề xuất một Agent Operating System cho robot , tích hợp lifelong multimodal memory . Nghĩa là robot không chỉ xử lý cảm biến hiện tại mà còn lưu, truy xuất và dùng lại kinh nghiệm trong quá khứ. Điểm mới: Ứng dụng thực tế: Nếu agent software cần harness, thì robot cần một lớp còn cao hơn: AgentOS . Đây là bước đi hợp logic khi embodied AI ngày càng phức tạp. Bài toán: Liệu có thể đẩy Zero RL lên quy mô cực lớn, tới 1 nghìn tỷ tham số , để xuất hiện năng lực reasoning emergent mà không phụ thuộc quá nhiều vào supervision truyền thống? Ý tưởng: Ring-Zero tập trung vào việc scale RL kiểu “zero” lên mức chưa từng có. “Zero RL” thường gợi ý cách học qua tự chơi, tự tìm lời giải, hoặc tối thiểu hóa phụ thuộc vào dữ liệu gán nhãn con người. Điểm mới: Ứng dụng thực tế: Nếu thành công, hướng này có thể: Đây là paper có tính “moonshot”: chưa chắc áp dụng ngay, nhưng ảnh hưởng lớn đến cách cộng đồng nghĩ về scaling law cho RL. Bài toán: Trong visual generation, model thường bị giới hạn bởi những gì đã được “dạy” trong dữ liệu hoặc prompt engineering. Câu hỏi là: liệu agent có thể chủ động search để tạo ra thứ vượt ngoài ranh giới tri thức được huấn luyện trực tiếp? Ý tưởng: Paper đề xuất một cơ chế agentic search cho visual generation. Thay vì chỉ sinh ảnh một phát, hệ thống có thể tìm kiếm, thử nghiệm, đánh giá và tiến hóa đầu ra. Điểm mới: Ứng dụng thực tế: Đây là một trong những paper thú vị nhất vì nó nối hai thế giới: generative model và agentic exploration . Bài toán: Text-to-image cần reward model tốt để đánh giá ảnh có đúng prompt không. Nhưng huấn luyện reward model riêng khá tốn công và dễ lệch. Ý tưởng: Paper cho rằng các MLLM pretrained đã có thể hoạt động như zero-shot reward models . Cách nghĩ rất trực quan: sinh ảnh xong, đưa ảnh + prompt vào một MLLM để “đọc lại” xem ảnh có thực sự khớp yêu cầu không. Điểm mới: Ứng dụng thực tế: Ý tưởng này rất mạnh vì nó tận dụng tài sản sẵn có của ngành: MLLM ngày càng giỏi hiểu ảnh , vậy hãy dùng chính năng lực đó làm signal đánh giá. Bài toán: Các benchmark tài liệu hiện nay thường khó tách biệt nguyên nhân lỗi: lỗi do OCR, layout, long context, bảng biểu, hay suy luận xuyên trang. Cần một benchmark kiểm soát tốt hơn. Ý tưởng: SynthDocBench xây dựng một benchmark cho long-context visual document understanding theo hướng có kiểm soát. Có khả năng tài liệu được tổng hợp/sinh ra để thay đổi từng yếu tố một cách có hệ thống. Điểm mới: Ứng dụng thực tế: Trong bối cảnh doanh nghiệp rất cần AI đọc tài liệu dài, một benchmark tốt quan trọng không kém một model tốt. Bài toán: Coding agent không chỉ cần autocomplete; chúng phải hiểu cấu trúc hàm, ngữ cảnh chỉnh sửa, và thao tác chèn/sửa code ở giữa file . Training thuần next-token chưa đủ. Ý tưởng: Paper đề xuất Function-Aware Fill-in-the-Middle FIM như một giai đoạn mid-training cho coding agent foundation models. Tức là dạy model cách điền vào giữa đoạn code, có ý thức về ranh giới và chức năng của hàm. Điểm mới: Ứng dụng thực tế: Đây là paper rất thực dụng: nó giải quyết đúng khoảng cách giữa LM viết code và agent sửa code trong môi trường thực . Bài toán: Tái dựng 4D người và cảnh thường cần dữ liệu nhiều góc nhìn, chồng lắp tốt. Nhưng thực tế quay bằng điện thoại hay camera thường có low-overlap , khiến reconstruction khó và không ổn định. Ý tưởng: Paper nhắm tới việc tái dựng human-scene 4D từ các capture có độ chồng lắp thấp. Đây là bài toán rất khó vì cần khôi phục cả hình học không gian lẫn diễn tiến theo thời gian. Điểm mới: Ứng dụng thực tế: Đây là đại diện tiêu biểu cho xu hướng computer vision chuyển từ điều kiện phòng thí nghiệm sang điều kiện “quay thật ngoài đời”. Nhìn tổng thể, 10 paper này phản ánh 4 xu hướng rất rõ: Các paper như Harness Handbook và ABot-AgentOS cho thấy trọng tâm đang chuyển từ “model tốt” sang “ system tốt ”: có cấu trúc, có trí nhớ, có khả năng bảo trì, và chạy được lâu dài. Direct OPD và Ring-Zero cùng nhấn mạnh rằng muốn reasoning tiến xa hơn, RL vẫn là một con đường quan trọng. Nhưng ngành đang tìm cách làm RL rẻ hơn, scale hơn, và ít phụ thuộc annotation hơn . Boogu-Image , Read It Back , và SearchGen cho thấy multimodal tương lai không còn là các module rời rạc. Mô hình sẽ vừa hiểu, vừa tạo, vừa tự đánh giá, thậm chí tự search để cải thiện đầu ra. SynthDocBench cho thấy cộng đồng không chỉ đua model mới mà còn đầu tư vào benchmark có kiểm soát để hiểu rõ mô hình hỏng ở đâu, thay vì chỉ nhìn điểm số cuối. Nếu phải tóm gọn trong một câu, thì top paper hôm nay cho thấy AI đang dịch chuyển từ “mô hình biết trả lời” sang “hệ thống biết hành động, tự cải thiện, và làm việc trong thế giới thật” . Nếu bạn muốn, ở bước tiếp theo mình có thể làm thêm một bản: