# Top AI Papers on Hugging Face - 2026-07-17

> Source: <https://dev.to/y_hnhnhan_2f26de65ffcc4/top-ai-papers-on-hugging-face-2026-07-17-43fk>
> Published: 2026-07-17 12:01:45+00:00

Hôm nay, bảng xếp hạng paper được upvote cao trên Hugging Face cho thấy một bức tranh rất rõ: **AI đang dịch chuyển mạnh từ mô hình “trả lời tốt” sang hệ thống “hành động tốt”**. Các chủ đề nổi bật gồm:

Dưới đây là phần phân tích 10 paper nổi bật, tập trung vào 4 câu hỏi cho mỗi paper:

**Paper:** `2607.13285`

**Project:** [https://ruhan-wang.github.io/Harness-Handbook/](https://ruhan-wang.github.io/Harness-Handbook/)

Khi xây dựng các **agent phức tạp**, phần khó không chỉ là model mà còn là **“harness”**: tập hợp prompt, tool definitions, workflow, state, memory, control logic, evaluation hooks… Theo thời gian, harness của agent thường **phình to, khó đọc, khó sửa và khó debug**.

Paper này dường như tập trung vào việc biến harness từ một “mớ cấu hình” thành một **artifact có cấu trúc**, giúp con người:

Nói đơn giản, đây là hướng tiếp cận kiểu **“software engineering for agents”**.

Điểm đáng chú ý nằm ở việc coi harness là **đối tượng thiết kế trung tâm**, thay vì chỉ xem nó như phần phụ của model. Nếu làm tốt, framework/hướng dẫn này có thể giúp:

Rất hữu ích cho:

Nếu agent là “sản phẩm”, thì harness là **mã nguồn vận hành thực tế** của sản phẩm đó.

**Paper:** `2607.13125`

**GitHub:** [https://github.com/boogu-project/Boogu-Image](https://github.com/boogu-project/Boogu-Image)

**Project:** [https://boogu.org/](https://boogu.org/)

Open-source multimodal thường bị chia đôi:

Rất ít mô hình làm tốt cả hai trong một kiến trúc thống nhất.

Boogu-Image-0.1 hướng tới một mô hình **unified multimodal**: cùng một nền tảng có thể vừa hiểu ảnh vừa sinh/chỉnh sửa ảnh.

Điểm mới lớn nhất là tham vọng **hợp nhất understanding và generation** trong open source. Đây là hướng rất quan trọng vì tương lai của multimodal AI không chỉ là “nhìn rồi trả lời”, mà còn là:

Khả năng “hai chiều” này giúp mô hình gần hơn với dạng **general-purpose visual intelligence**.

**Paper:** `2607.12463`

**GitHub:** [https://github.com/TIGER-AI-Lab/FIM-Midtraining](https://github.com/TIGER-AI-Lab/FIM-Midtraining)

**Project:** [https://huggingface.co/collections/TIGER-Lab/fim-midtraining](https://huggingface.co/collections/TIGER-Lab/fim-midtraining)

Coding agent hiện đại không chỉ sinh code từ đầu; chúng thường:

Training kiểu next-token thông thường chưa phản ánh tốt nhu cầu này.

Paper sử dụng **Fill-in-the-Middle (FIM)** ở giai đoạn **mid-training**, đồng thời làm nó **function-aware**. Tức là mô hình được huấn luyện để hiểu cấu trúc hàm và học cách điền/chỉnh sửa code trong bối cảnh thực tế hơn.

Có hai điểm mới quan trọng:

Rất thiết thực cho:

Nếu xu hướng coding agent tiếp tục tăng, các kỹ thuật như paper này có thể trở thành **nền móng huấn luyện chuẩn**.

**Paper:** `2607.14935`

**GitHub:** [https://github.com/MCG-NJU/VideoChat3](https://github.com/MCG-NJU/VideoChat3)

**Project:** [https://mcg-nju.github.io/VideoChat3](https://mcg-nju.github.io/VideoChat3)

Video understanding khó hơn ảnh rất nhiều vì phải xử lý:

Nhiều model video MLLM tốt nhưng chưa đủ mở, hoặc chưa đủ hiệu quả để triển khai rộng.

VideoChat3 hướng tới một **video MLLM fully open**, vừa hiệu quả vừa đủ tổng quát cho nhiều tác vụ video understanding.

Điểm mạnh ở đây là sự kết hợp:

Nếu kiến trúc đủ tốt, đây có thể là bước quan trọng để cộng đồng có nền tảng video open-source thực sự cạnh tranh.

Trong dài hạn, video MLLM còn là mảnh ghép cực quan trọng cho **robotics** và **world models**.

**Paper:** `2607.12395`

Một trong những câu hỏi lớn nhất hiện nay là: **liệu reasoning có thể “nổi lên” chỉ bằng RL quy mô lớn, không cần supervision dày đặc?** Đồng thời, việc scale RL lên mô hình cực lớn vẫn là bài toán khó về ổn định huấn luyện và hiệu quả.

Ring-Zero có vẻ khám phá hướng **Zero RL** ở quy mô cực lớn, lên tới **trillion parameters**, nhằm quan sát sự xuất hiện của năng lực reasoning.

Điểm mới nổi bật nhất là **quy mô** và giả thuyết rằng **reasoning emergent** có thể đến từ RL nếu scale đủ lớn và thiết kế đúng. Đây là paper rất “frontier” vì nó chạm vào câu hỏi nền tảng của AGI research:

Ngắn hạn, ứng dụng có thể chưa trực tiếp. Nhưng về dài hạn, nếu hướng này hiệu quả, nó sẽ tác động mạnh tới:

Đây là paper đáng theo dõi ở góc độ **định hình triết lý huấn luyện thế hệ model tiếp theo**.

**Paper:** `2607.14777`

**GitHub:** [https://github.com/jinyangwu/SEED](https://github.com/jinyangwu/SEED)

**Project:** [https://jinyangwu.github.io/seed/](https://jinyangwu.github.io/seed/)

Agent RL thường gặp mâu thuẫn:

SEED đề xuất **self-evolving on-policy distillation**: agent vừa học từ chính rollout hiện tại, vừa chưng cất lại tri thức để tự cải thiện liên tục.

Khác với distillation tĩnh từ teacher sang student, paper này nhấn mạnh tính:

Tức là knowledge không chỉ truyền một lần, mà được làm mới theo quá trình tương tác với môi trường.

Đây là hướng rất thực dụng vì nó giải quyết bài toán cốt lõi: **làm sao agent mạnh hơn qua thời gian mà không cần pipeline huấn luyện quá nặng nề**.

**Paper:** `2607.12625`

**GitHub:** [https://github.com/HITsz-TMG/KnowAct](https://github.com/HITsz-TMG/KnowAct)

**Project:** [https://shibosusu.github.io/KnowAct-GUIClaw/](https://shibosusu.github.io/KnowAct-GUIClaw/)

GUI agent muốn thật sự hữu ích phải:

Đa số hệ thống hiện tại vẫn còn “làm từng tác vụ rời rạc”.

KnowAct-GUIClaw xây dựng một **personal GUI assistant** với:

Tức là agent không chỉ làm task hiện tại, mà còn **học dần cách dùng máy tính cho từng người dùng**.

Điểm mới nằm ở sự kết hợp giữa:

Đây là bước tiến từ “GUI bot” sang **desktop assistant cá nhân hóa**.

Nếu làm tốt, đây là một trong những hướng có khả năng thương mại hóa mạnh nhất.

**Paper:** `2607.13639`

OCR ngày nay không còn chỉ là nhận dạng ký tự. Bài toán thực tế cần:

OvisOCR2 có vẻ là báo cáo kỹ thuật cho thế hệ OCR mới, nhiều khả năng kết hợp OCR với năng lực document understanding hiện đại.

Dù từ tiêu đề chưa có nhiều chi tiết, điểm mới nhiều khả năng nằm ở:

OCR vẫn là một thị trường cực lớn, và các cải tiến nhỏ về độ chính xác cũng tạo giá trị kinh doanh rất rõ rệt.

**Paper:** `2607.15257`

**GitHub:** [https://github.com/antins-labs/SearchOS](https://github.com/antins-labs/SearchOS)

Tìm kiếm thông tin mở không chỉ là “search một phát rồi trả lời”. Nhiều nhiệm vụ cần:

SearchOS-V1 hướng tới **agent collaboration** cho bài toán **open-domain information seeking**.

Điểm mới ở đây là coi việc tìm kiếm như một **hệ điều hành phối hợp agent**, không phải tác vụ đơn lẻ. Điều này mở ra kiến trúc:

Đây là hướng rất phù hợp với nhu cầu thực tế, nơi độ tin cậy của câu trả lời quan trọng hơn tốc độ sinh text.

**Paper:** `2607.05910`

**GitHub:** [https://github.com/ssmisya/PolicyShiftGuard](https://github.com/ssmisya/PolicyShiftGuard)

**Project:** [https://policyshiftguard.github.io/](https://policyshiftguard.github.io/)

Guardrails cho image model thường được xây dựng theo một tập policy cố định. Nhưng trong thực tế, policy có thể thay đổi theo:

Một guardrail tốt hôm nay có thể lỗi thời ngày mai.

PolicyShiftGuard nghiên cứu việc **benchmark** và cải thiện guardrails sao cho **thích nghi với thay đổi chính sách**.

Điểm mới rất đáng giá là chuyển trọng tâm từ “accuracy trên policy tĩnh” sang **policy adaptability**. Đây là vấn đề cực thực tế nhưng lâu nay chưa được đánh giá đầy đủ.

Nếu AI đi vào sản xuất, guardrails thích nghi không còn là nice-to-have mà là **bắt buộc**.

Nhìn tổng thể, 10 paper này phản ánh 4 xu hướng lớn:

Các paper như **Harness Handbook**, **SEED**, **KnowAct-GUIClaw**, **SearchOS-V1** cho thấy cộng đồng không còn chỉ hỏi “agent có làm được không?”, mà hỏi:

**Boogu-Image-0.1**, **VideoChat3**, **OvisOCR2** cho thấy ranh giới giữa:

đang mờ dần. Hệ thống tương lai sẽ là **multimodal chung**, không phải những mô-đun rời rạc.

**Function-Aware FIM** tập trung vào năng lực coding thực chiến, còn **Ring-Zero** đặt cược vào emergent reasoning qua RL scale lớn. Một bên thực dụng, một bên frontier — cả hai đều rất quan trọng.

**PolicyShiftGuard** nhắc rằng safety không chỉ là chặn nội dung xấu, mà còn là **theo kịp chính sách thay đổi**. Đây là dấu hiệu của AI đang tiến gần hơn tới môi trường triển khai thật.

Nếu phải tóm gọn top paper hôm nay trong một câu, thì đó là:

AI đang dịch chuyển từ mô hình đơn lẻ sang hệ thống biết hành động, biết cộng tác, biết nhớ, biết thích nghi và biết vận hành trong thế giới thực.

Đây là tín hiệu rất đáng chú ý. Những paper nổi bật nhất không chỉ đẩy benchmark lên cao hơn, mà còn giải các bài toán “đời thực” hơn:

Nếu bạn đang theo dõi AI để tìm cơ hội ứng dụng, thì nhóm paper hôm nay đặc biệt đáng quan tâm vì chúng nằm gần **production reality** hơn nhiều so với các làn sóng chỉ tập trung vào chatbot thuần túy.

Nếu muốn, ở bước tiếp theo mình có thể làm thêm một trong 3 dạng sau: