Top AI Papers on Hugging Face - 2026-07-24

A roundup of top AI papers on Hugging Face highlights trends in recursive self-improving research agents, interpretability of diffusion transformers, fast generative world models, large-scale post-training on Ascend hardware, and embodied AI benchmarks. Notable papers include AREX for meta-agent loops, a study of text template tokens as semantic registers in DiT, a generative world renderer achieving real-time speed, DeepSeek-V4 full-parameter post-training on Ascend SuperPOD, and ReferTrack for language-guided visual tracking.

Hôm nay, danh sách paper được upvote cao nhất trên Hugging Face cho thấy một bức tranh rất rõ về xu hướng AI hiện tại: agent nghiên cứu tự cải thiện , khả năng hiểu và điều khiển mô hình sinh , rendering/generative world model tốc độ cao , LLM hậu huấn luyện quy mô lớn , và benchmark mới cho embodied AI, giáo dục, thị giác không giám sát, spatial reasoning, video generation . Bài viết này sẽ tóm tắt 10 paper theo 4 góc nhìn cho mỗi bài: 2607.21461 Các AI agent làm “deep research” hiện nay thường bị giới hạn ở một vòng lặp cố định: tìm tài liệu, đọc, tóm tắt, rồi trả lời. Vấn đề là chất lượng nghiên cứu phụ thuộc mạnh vào cách agent tự đặt câu hỏi, tự sửa chiến lược và học từ thất bại. Phần lớn agent hiện tại không thực sự tự cải thiện một cách đệ quy . AREX hướng tới một agent có khả năng recursive self-improvement : không chỉ thực hiện tác vụ nghiên cứu mà còn đánh giá chính quy trình nghiên cứu của mình, sau đó tối ưu lại kế hoạch, chiến lược truy xuất, và các bước suy luận cho vòng sau. Nói cách khác, agent không chỉ “làm nghiên cứu”, mà còn “nghiên cứu cách mình làm nghiên cứu”. Điểm đáng chú ý nhất là chuyển từ tư duy agent pipeline sang meta-agent loop : agent có lớp tự phản tư self-reflection và tự tái cấu trúc quy trình. Đây là hướng rất quan trọng nếu muốn xây dựng hệ thống nghiên cứu tự động có chất lượng tăng dần theo thời gian thay vì chỉ phụ thuộc prompt engineering. 2607.19139 Diffusion Transformers DiT đang rất mạnh trong mô hình sinh ảnh/video, nhưng vẫn là “hộp đen”. Một câu hỏi quan trọng là: các token trong prompt text thực sự được mô hình lưu và xử lý như thế nào? Paper cho rằng các text template tokens hoạt động như những semantic registers ngầm trong DiT. Tức là một số token không chỉ mang nghĩa bề mặt mà còn đóng vai trò như vị trí lưu trữ hoặc neo ngữ nghĩa, giúp mô hình tổ chức thông tin khi sinh dữ liệu. Đây là một đóng góp về interpretability . Thay vì chỉ đo hiệu năng đầu ra, paper cố gắng chỉ ra cấu trúc nội tại mà DiT sử dụng để mã hóa ngữ nghĩa. Nếu kết quả vững, nó gợi ý rằng một phần “cơ chế làm việc” của diffusion transformer có thể được hiểu theo hướng gần với kiến trúc tính toán có bộ nhớ tạm. 2607.18703 Generative world models và neural rendering rất hứa hẹn cho game, robotics, simulation. Tuy nhiên, nút thắt lớn là tốc độ : mô hình sinh chất lượng cao thường quá chậm để dùng trong môi trường tương tác thời gian thực. Paper đề xuất một generative world renderer đủ nhanh để đạt “speed of play” — tức là tốc độ phù hợp cho tương tác, gameplay hoặc mô phỏng online. Mục tiêu là kết hợp chất lượng sinh cảnh với latency thấp. Điểm mới chính nằm ở việc đẩy generative rendering từ “demo đẹp” sang “có thể chơi được”. Đây là một bước rất quan trọng, vì nhiều hệ thống world model hiện chỉ mạnh về mặt hình ảnh nhưng chưa đạt ngưỡng ứng dụng thời gian thực. 2607.20145 Hậu huấn luyện post-training cho các mô hình lớn thường phụ thuộc mạnh vào hạ tầng GPU/NVIDIA. Điều này tạo ra rào cản lớn về chi phí, chuỗi cung ứng, và khả năng tự chủ công nghệ. Paper trình bày quá trình full-parameter post-training cho họ mô hình DeepSeek-V4 trên Ascend SuperPOD . Đây là bài toán vừa kỹ thuật hệ thống, vừa tối ưu huấn luyện: làm sao hậu huấn luyện model lớn hiệu quả trên stack phần cứng khác hệ CUDA phổ biến. Điểm mới không chỉ là “train được”, mà là chứng minh khả năng hậu huấn luyện quy mô lớn trên hệ Ascend với toàn bộ tham số. Đây là tín hiệu quan trọng cho tính đa dạng hạ tầng AI, nhất là trong bối cảnh tối ưu hóa ngoài hệ sinh thái GPU truyền thống. 2607.20061 Trong embodied AI và robotics, agent không chỉ cần “track một object” mà còn phải hiểu chỉ dẫn kiểu người như: “hãy theo dõi chiếc cốc màu đỏ trên bàn bên trái”. Bài toán này kết hợp referring expression grounding và visual tracking . ReferTrack chia bài toán thành hai pha: Điểm mới là nối chặt ngôn ngữ + tracking trong một setting embodied. Đây là bài toán thực tế hơn nhiều so với benchmark tracking truyền thống, vì robot ngoài đời hiếm khi nhận target bằng bounding box sẵn. 2607.01774 Diffusion Language Models DLMs là một hướng thay thế autoregressive LLM, nhưng cách chúng biểu diễn trật tự thời gian và quá trình tiến hóa của thông tin vẫn chưa được hiểu rõ. Paper nghiên cứu khái niệm latent time modelling — tức là mô hình có thể đang học một loại “đồng hồ ngầm” bên trong, giúp tổ chức quá trình sinh ngôn ngữ theo nhịp hoặc giai đoạn tiềm ẩn. Điểm mới là đưa ra một lăng kính mới để hiểu DLM: thay vì xem chúng đơn thuần là quá trình khử nhiễu, paper gợi ý rằng có thể tồn tại cấu trúc thời gian nội bộ định hướng việc hình thành câu trả lời. 2605.09635 LLM cho giáo dục thường trả lời khá tốt ở mức tổng quát, nhưng lại thiếu cấu trúc chương trình học , quan hệ tiên quyết giữa kiến thức, và tiêu chuẩn đánh giá bám sát curriculum. K12-KGraph xây dựng một knowledge graph theo chương trình K-12 , dùng để benchmark và huấn luyện Educational LLMs. Mục tiêu là đưa tri thức giáo dục vào một cấu trúc có tổ chức: khái niệm nào thuộc lớp nào, môn nào, phụ thuộc kiến thức nào. Khác với dataset QA rời rạc, paper nhấn mạnh curriculum alignment . Điều này cực kỳ quan trọng vì giáo dục không chỉ cần “đúng”, mà còn cần “đúng với cấp độ học sinh” và “đúng thứ tự học”. 2607.21556 Self-supervised learning trong thị giác vẫn luôn tìm cách học representation tốt mà không cần nhiều nhãn. Vấn đề là cân bằng giữa tính phân biệt contrastive và sự ổn định / nhất quán của self-distillation . Paper kết hợp hai hướng mạnh: Sự kết hợp này không hoàn toàn mới về tinh thần, nhưng paper có vẻ đề xuất một cơ chế tích hợp hiệu quả hơn ở mức visual learning. Điểm đáng chú ý là cố gắng lấy ưu điểm của cả hai họ phương pháp thay vì chọn một. 2607.21072 Đánh giá spatial cognition của model bằng câu trả lời text có thể gây nhiễu: model giỏi diễn đạt chưa chắc giỏi tưởng tượng hay thao tác không gian. Vì vậy cần một cách đo khả năng hiểu không gian trực tiếp qua pixel sinh ra . Paper đề xuất đánh giá spatial cognition bằng generative pixels thay vì chỉ dựa vào text output. Nói cách khác: đừng hỏi model mô tả vị trí; hãy buộc model thể hiện hiểu biết không gian bằng hình ảnh nó tạo ra. Đây là một thay đổi rất đáng giá về benchmark philosophy. Nó giảm tình trạng model “nói hay hơn làm” và hướng evaluation sang năng lực biểu hiện trực tiếp trong không gian thị giác. 2607.20368 Sinh video dài luôn khó vì lỗi tích lũy theo thời gian: vật thể trôi hình, chuyển động mất nhất quán, scene “gãy logic”. Phần lớn mô hình mạnh ở clip ngắn nhưng yếu khi extrapolate dài. Paper đưa ra Self Gradient Forcing để hỗ trợ native long video extrapolation . Tên gọi gợi ý cơ chế dùng tín hiệu gradient nội tại để ép mô hình duy trì quỹ đạo sinh ổn định hơn trên thời gian dài. Điểm mới nằm ở chỗ giải bài toán video dài như một vấn đề động lực học học được, thay vì chỉ nối nhiều đoạn ngắn hoặc tăng context một cách brute force. Nếu hiệu quả, đây là hướng rất có giá trị cho video generation thế hệ mới. Nếu nhìn tổng thể, có thể thấy 4 xu hướng nổi bật: AREX là ví dụ rõ nhất cho tham vọng xây agent có khả năng nâng cấp chính quy trình suy nghĩ và nghiên cứu của mình. Hai paper về diffusion — semantic registers trong DiT và latent clocks trong DLM — cho thấy cộng đồng không còn hài lòng với việc chỉ tăng benchmark. Họ muốn hiểu mô hình hoạt động ra sao bên trong . Từ world renderer tốc độ chơi được đến video extrapolation dài , trọng tâm không còn chỉ là “đẹp”, mà là ổn định, nhanh, dùng được . ReferTrack, K12-KGraph, và ProVisE đều phản ánh một chuyển dịch quan trọng: benchmark tốt không chỉ khó hơn, mà phải gần với cách con người thật sự sử dụng AI — trong học tập, robot, và nhận thức không gian. Danh sách top paper hôm nay khá đa dạng, nhưng có một mẫu số chung: AI đang chuyển từ giai đoạn “chứng minh mô hình làm được gì” sang “xây hệ thống có thể triển khai, giải thích được, và đánh giá đúng bản chất năng lực”. Nếu phải chọn những paper đáng theo dõi nhất về mặt tác động dài hạn, mình sẽ ưu tiên: Nếu bạn muốn, ở bước tiếp theo mình có thể làm thêm một trong 3 việc: