# Top AI Papers on Hugging Face - 2026-07-29 > Source: > Published: 2026-07-29 12:01:15+00:00 Hôm nay mình tổng hợp 10 paper đang được upvote cao nhất trên Hugging Face. Danh sách này khá thú vị vì trải rộng từ **foundation model**, **AI agent**, **robot manipulation**, **diffusion/video generation**, cho tới **fashion try-on** và **audio-video generation**. Bài viết dưới đây tập trung trả lời 4 câu hỏi cho mỗi paper: `2607.24653` Trong vài năm qua, các mô hình mạnh nhất thường là closed-source hoặc chỉ mở một phần. Điều đó tạo ra khoảng cách lớn giữa khả năng của các mô hình thương mại và cộng đồng open-source. Bài toán ở đây là: **liệu có thể xây dựng một mô hình open đủ mạnh để chạm tới “frontier intelligence” hay không?** Kimi K3 được định vị như một mô hình open ở phân khúc cao cấp, hướng tới năng lực tổng quát mạnh trên nhiều tác vụ như suy luận, coding, tool use và agentic workflows. Dù chưa đi sâu toàn bộ chi tiết kỹ thuật trong phần tóm tắt công khai, ý tưởng lớn là kết hợp: Điểm đáng chú ý nhất không chỉ là “một model mới”, mà là **tham vọng open hóa một mô hình cấp frontier**. Nếu benchmark và trải nghiệm thực tế đúng như kỳ vọng, Kimi K3 có thể trở thành một mốc quan trọng cho hệ sinh thái open model, tương tự cách một số model open trước đây từng thu hẹp khoảng cách với closed model. `2607.23588` Các AI agent sáng tạo hiện nay thường mạnh ở text, nhưng còn yếu khi phải làm việc trên **canvas**, tức môi trường sáng tạo trực quan như thiết kế, storyboard, slide, UI hay whiteboard. Vấn đề là thiếu một **harness/open benchmark** để xây dựng và đánh giá agent kiểu này. JarvisHub đề xuất một hạ tầng mở cho **multimodal creative agents** hoạt động trực tiếp trên canvas. Thay vì chỉ sinh text hoặc ảnh rời rạc, agent có thể tương tác với các thành phần thiết kế, bố cục, vùng chọn, layer, nội dung hình ảnh và văn bản trong cùng một không gian làm việc. `2607.25895` Trong robotics, học policy điều khiển tay máy thường cần dữ liệu thật rất đắt đỏ, hoặc phụ thuộc vào mô phỏng nhưng lại gặp **sim-to-real gap**. Bài toán là làm sao học được policy thao tác đủ tốt để triển khai thật chỉ từ dữ liệu chất lượng cao. HiFi-UMI dùng **high-fidelity UMI data** làm nguồn học chính, nhằm huấn luyện policy thao tác trực tiếp từ dữ liệu có độ trung thực cao. Trọng tâm là tận dụng dữ liệu quan sát/thao tác chất lượng tốt để giảm sự phụ thuộc vào simulation phức tạp. `2607.24280` Trong agentic search, các hệ thống proprietary thường có chất lượng tốt hơn đáng kể so với open-source. Khoảng cách này một phần đến từ **distribution gap**: mô hình open không được tiếp xúc với cùng kiểu chiến lược, quy trình tương tác và protocol mà hệ thống mạnh hơn đã học được. Paper đề xuất **multi-agent protocol distillation**: thay vì chỉ chưng cất output cuối cùng, họ chưng cất cả **quy trình phối hợp nhiều agent** trong tác vụ search. Tức là học không chỉ “câu trả lời là gì” mà còn “cách các agent phân vai, trao đổi, phản biện và tổng hợp thông tin”. `2607.24223` Trong search truyền thống, “relevance” thường chỉ được dùng để xếp hạng tài liệu. Nhưng trong **agentic search**, agent không chỉ đọc kết quả top-k mà còn phải quyết định **tương tác với corpus như thế nào**: truy vấn lại gì, mở rộng ở đâu, dừng lúc nào, đào sâu tài liệu nào. Paper gán cho relevance một vai trò mới: dùng nó như **tín hiệu điều hướng hành vi của agent** khi tương tác với kho tài liệu. Nói cách khác, relevance không chỉ chấm điểm tài liệu, mà trở thành cơ chế kiểm soát chiến lược truy xuất và đọc. `2607.24731` **Classifier-Free Guidance (CFG)** là thành phần rất quan trọng trong diffusion models, nhưng khi đưa vào các quy trình **on-policy diffusion distillation**, CFG có thể không còn hoạt động tối ưu như trong thiết lập huấn luyện/generation cổ điển. Paper xem xét lại vai trò của CFG trong bối cảnh distillation on-policy, từ đó đề xuất cách xử lý tốt hơn để giữ chất lượng mẫu sinh mà vẫn cải thiện hiệu quả học hoặc suy luận. `2607.25565` Từ một ảnh thiết kế hoàn chỉnh, việc biến nó trở lại thành một cấu trúc **có thể chỉnh sửa** là rất khó. Ví dụ từ screenshot poster hoặc banner, ta muốn phục hồi layer, text block, hình nền, icon, nhóm đối tượng và bố cục. ReDesign dùng **agentic decomposition** để phân rã ảnh thiết kế thành các thành phần cấu trúc. Thay vì coi đây chỉ là một bài toán vision end-to-end, hệ thống tiếp cận nó như chuỗi bước phân tích có tổ chức: nhận diện phần tử, suy ra vai trò, tái tạo cấu trúc editable. `2607.24027` Video generation rất tốn tài nguyên, đặc biệt ở attention khi số frame tăng. Bài toán là **làm sao tăng tốc inference** mà không làm chất lượng video giảm quá nhiều. Sol-Attn dùng **on-the-fly attention sparsification**: trong lúc suy luận, chỉ giữ lại phần attention quan trọng thay vì tính đầy đủ dày đặc ở mọi nơi. Điều này cắt giảm compute đáng kể. `2607.21694` Virtual try-on lâu nay vẫn gặp khó ở các trường hợp quần áo đa dạng, chất liệu phức tạp, phụ kiện, và pose không chuẩn. Nhiều hệ thống hoạt động tốt chỉ với một số loại item nhất định. Oxygen-TryOn xây dựng một **fashion-native foundation model** cho bài toán thử đồ ảo với mục tiêu hỗ trợ **any-item virtual try-on**. Tức mô hình được thiết kế với bias và hiểu biết chuyên biệt cho thời trang, thay vì chỉ dùng image generation tổng quát. `2607.23855` Sinh đồng thời audio và video là một bài toán khó vì hai modality này phải **khớp ngữ nghĩa lẫn thời gian**. Nếu học tách rời rồi ghép sau, kết quả thường thiếu đồng bộ. OmniVAE đề xuất một **audio-video VAE** với **cross-modal alignment** để học latent space chung cho joint generation. Điều này giúp video và âm thanh được sinh ra nhất quán hơn. Nhìn toàn bộ danh sách, có thể thấy 4 xu hướng lớn: Kimi K3 và các paper về agentic search cho thấy cộng đồng không còn chỉ chạy theo mô hình đóng, mà đang tìm cách **thu hẹp khoảng cách năng lực một cách có hệ thống**. JarvisHub, ReDesign và các paper search đều cho thấy agent đang dịch chuyển sang **môi trường hành động thực**: canvas, corpus, protocol phối hợp, workflow nhiều bước. Sol-Attn và paper về CFG trong diffusion distillation phản ánh một thực tế: chất lượng thôi chưa đủ, **chi phí và tốc độ** mới quyết định khả năng đi vào sản phẩm. Oxygen-TryOn cho thời trang, HiFi-UMI cho robot, OmniVAE cho audio-video là ví dụ rõ ràng rằng **foundation model không nhất thiết phải hoàn toàn tổng quát**; đôi khi hiểu sâu một domain lại tạo ra đột phá thực dụng hơn. Top paper hôm nay khá cân bằng giữa **tính nền tảng** và **tính ứng dụng**. Nếu phải chọn các hướng đáng theo dõi nhất trong ngắn hạn, mình sẽ ưu tiên: Nếu bạn muốn, ở bước tiếp theo mình có thể làm thêm một trong 3 dạng sau: