Hôm nay, danh sách paper được upvote nhiều nhất trên Hugging Face cho thấy một bức tranh rất rõ về hướng đi của AI hiện tại: agent hóa, memory dài hạn, world model, video generation có tính vật lý, và đánh giá năng lực học theo ngữ cảnh của mô hình đa phương thức.
Trong bài viết này, mình sẽ đi qua 10 paper nổi bật, tập trung vào 4 câu hỏi cho mỗi bài:
2607.28618
Lượng tài liệu hóa học tăng quá nhanh, khiến việc tổng hợp tri thức từ paper trở nên tốn thời gian và dễ bỏ sót. Nhà nghiên cứu không chỉ cần tìm paper, mà còn cần trích xuất các claim khoa học: chất nào phản ứng với chất nào, điều kiện nào dẫn tới kết quả nào, kết luận nào được hỗ trợ bởi bằng chứng nào.
AskChem xây dựng một hạ tầng tổng hợp tài liệu hóa học theo hướng claim-centered. Thay vì chỉ làm semantic search trên toàn văn, hệ thống tổ chức tri thức quanh các mệnh đề khoa học có thể kiểm chứng và đối chiếu. Điều này giúp người dùng đi từ câu hỏi khoa học sang tập hợp các phát biểu liên quan, bằng chứng hỗ trợ, và bối cảnh thực nghiệm.
Điểm đáng chú ý là sự chuyển dịch từ document retrieval sang claim synthesis. Đây là khác biệt lớn: mục tiêu không chỉ là “paper nào liên quan?”, mà là “các kết luận chính trong lĩnh vực này là gì, có nhất quán không, và được hỗ trợ như thế nào?”. Với lĩnh vực hóa học, nơi dữ liệu phân tán giữa văn bản, bảng biểu và mô tả điều kiện phản ứng, cách tiếp cận này đặc biệt giá trị.
2607.28227
Các AI agent thao tác giao diện người dùng vẫn gặp khó khi bước ra thế giới thật: ứng dụng thay đổi layout, nút không chuẩn hóa, thao tác kéo-thả, popup bất ngờ, hay những bước cần suy luận đa bước.
Qwen-UI-Agent hướng tới một foundation GUI agent có thể quan sát màn hình, hiểu cấu trúc giao diện, lập kế hoạch hành động và thực thi trên các ứng dụng thực tế. Tức là biến mô hình từ “chatbot biết trả lời” thành “tác nhân biết dùng phần mềm”.
Điểm mới nằm ở định hướng real-world centric. Nhiều benchmark GUI hiện còn sạch và tương đối lý tưởng, trong khi môi trường thật đầy nhiễu. Báo cáo kỹ thuật này nhiều khả năng tập trung vào kiến trúc, dữ liệu huấn luyện, và các cơ chế giúp agent hoạt động ổn định hơn trên giao diện thật thay vì demo khép kín.
2607.26760
Hầu hết foundation model hiện nay mạnh ở suy luận ngắn hạn nhưng yếu ở memory dài hạn: khó lưu giữ trải nghiệm, khó truy hồi ngữ cảnh cũ, và chưa có cấu trúc “bộ nhớ” như một thành phần nền tảng.
Metis đề xuất một memory foundation model — tức mô hình đặt memory làm năng lực trung tâm, không chỉ là một add-on kiểu vector database hay context window kéo dài. Mục tiêu là giúp AI có thể ghi nhớ, truy xuất và sử dụng thông tin qua thời gian hiệu quả hơn.
Nếu các hệ thống trước chủ yếu xử lý memory ở mức engineering bên ngoài mô hình, Metis dường như xem memory là đối tượng học và thành phần kiến trúc cốt lõi. Đây là hướng rất đáng chú ý vì nó liên quan trực tiếp tới AI agent, trợ lý cá nhân và hệ thống làm việc dài hạn.
2607.28568
Một trong những giấc mơ lớn của AI là recursive self-improvement: mô hình có thể giúp xây dựng, đánh giá và cải thiện chính các hệ thống AI khác. Nhưng trong thực tế, ML engineering là quá trình phức tạp: cần viết code, chạy thử nghiệm, sửa lỗi, tối ưu pipeline, theo dõi metric.
Frontis-MA1 là một mô hình theo hướng AI for AI: huấn luyện agent hoặc mô hình có khả năng hỗ trợ trực tiếp quy trình machine learning engineering. Nói cách khác, đây là bước tiến từ “AI viết code” sang “AI biết làm kỹ sư ML”.
Điểm mới lớn nhất là định vị rõ ràng bài toán AI4AI và mục tiêu tự cải thiện đệ quy. Thay vì benchmark coding tổng quát, paper nhắm tới môi trường ML engineering thực thụ, nơi agent cần kết hợp hiểu mô hình, dữ liệu, huấn luyện và đánh giá.
2607.28624
Nhiều world model hiện học từ dữ liệu cảm giác như video hoặc trajectory, nhưng thiếu khả năng diễn đạt và suy luận về thế giới bằng ngôn ngữ vật lý: lực, chuyển động, va chạm, ràng buộc, nhân quả.
PhiZero xây dựng world model xoay quanh cái gọi là physical language. Ý tưởng cốt lõi là thế giới vật lý không chỉ nên được mã hóa thành latent state, mà còn nên được mô tả bằng các khái niệm có cấu trúc, dễ diễn giải và hỗ trợ suy luận.
Điểm mới ở đây là cố gắng nối hai thứ thường tách rời:
Nếu làm tốt, mô hình không chỉ dự đoán điều gì xảy ra tiếp theo mà còn có thể diễn đạt vì sao điều đó xảy ra.
2607.26811
Khi distill mô hình video autoregressive từ teacher sang student, thường có mâu thuẫn giữa hai mục tiêu:
Tối ưu một bên thường làm yếu bên kia.
DistillAlign đề xuất cách phối hợp hai mục tiêu này trong quá trình video distillation. Mục tiêu là giữ được cả độ đa dạng lẫn chất lượng tạo sinh.
Thay vì xem mode covering và mode seeking là hai lựa chọn loại trừ nhau, paper tìm cách align chúng trong cùng quy trình huấn luyện. Đây là một vấn đề cốt lõi của generative modeling, đặc biệt nghiêm trọng với video vì video còn yêu cầu nhất quán theo thời gian.
2607.27380
Video sinh bằng AI thường đẹp nhưng dễ sai vật lý: vật thể xuyên nhau, quỹ đạo phi lý, chuyển động thiếu nhất quán. Lý do là mô hình tạo video mạnh về texture nhưng yếu ở cấu trúc nhân quả-vật lý.
VideoCoCo dùng ý tưởng Code-as-CoT: thay vì suy luận thuần ngôn ngữ, hệ thống dùng mã lệnh như một chuỗi suy nghĩ có cấu trúc để mô tả scene, quy tắc và diễn tiến vật lý. Kết hợp với một agentic dual-engine system, có thể hiểu là hai engine phối hợp: một bên lập luận/cấu trúc hóa, một bên sinh video.
Điểm mới nổi bật là đưa code vào vai trò trung gian cho suy luận vật lý trong video generation. Đây là bước tiến thú vị vì code có tính chính xác, có thể kiểm tra, và phù hợp để biểu diễn các quy tắc động lực học hơn ngôn ngữ tự nhiên.
2607.27919
Các mô hình ngôn ngữ gặp giới hạn context window và thường phụ thuộc vào retrieval ngoài mô hình. Nhưng retrieval không phải lúc nào cũng đủ nhanh, đủ ổn định, hoặc đủ chặt chẽ cho tri thức dài hạn.
Paper này đề xuất một memory decoder được pretrain như một dạng parametric long-term memory. Nghĩa là bản thân mô hình học cách đóng vai trò bộ nhớ dài hạn, có thể giải mã và truy xuất thông tin được tích lũy trong tham số.
Khác với memory ngoài mô hình, hướng này nhấn mạnh parametric memory được huấn luyện quy mô lớn. Nó gợi ý rằng memory có thể là module độc lập nhưng vẫn học được như một thành phần neural chuẩn hóa.
2607.28595
Không phải mọi bài toán thị giác đều cần agentic reasoning nhiều bước. Nếu lúc nào cũng lập kế hoạch dài, gọi tool, chia nhỏ bài toán, hệ thống sẽ chậm và tốn tài nguyên. Nhưng nếu không làm thế khi cần, chất lượng suy luận sẽ giảm.
Beacon tập trung vào câu hỏi rất thực tế: khi nào nên chuyển sang chế độ agentic visual reasoning, và chuyển như thế nào. Đây là bài toán điều phối chiến lược suy luận, không chỉ là tăng năng lực perception.
Điểm mới là coi quyết định sử dụng reasoning như một vấn đề riêng cần học. Đây là ý tưởng quan trọng cho các hệ thống multimodal production-grade, nơi hiệu quả tính toán và độ trễ quan trọng gần như độ chính xác.
2607.25294
Các benchmark multimodal hiện nay thường đo từng kỹ năng riêng lẻ, nhưng chưa đánh giá tốt khả năng context learning: mô hình học từ ngữ cảnh mới trong lúc làm nhiệm vụ, từ grounding trực quan đến tiếp thu tri thức mới.
CLBench-V đưa ra một benchmark để đo năng lực học theo ngữ cảnh của mô hình đa phương thức trên một phổ rộng: từ nhận biết/grounding đến suy luận và tích lũy kiến thức.
Điểm mới là dịch chuyển trọng tâm đánh giá từ “mô hình biết gì sẵn” sang “mô hình học được gì từ context vừa cung cấp”. Đây là tiêu chí ngày càng quan trọng khi ta muốn xây dựng AI thích nghi nhanh với môi trường, tài liệu hoặc quy tắc mới.
Nhìn toàn bộ danh sách, có thể thấy 4 xu hướng nổi bật.
Các paper như Qwen-UI-Agent, Frontis-MA1, và Beacon cho thấy AI không còn chỉ là mô hình sinh text. Nó đang trở thành agent biết quan sát, quyết định và thao tác trên môi trường thật.
Metis và Memory Decoder at Scale phản ánh một nhận thức ngày càng rõ: nếu AI muốn hữu ích trong dài hạn, nó cần một kiến trúc memory tốt, chứ không thể chỉ dựa vào context window ngày càng dài.
PhiZero và VideoCoCo nhấn mạnh rằng mô hình muốn tương tác với thế giới thật phải hiểu cấu trúc vật lý, nhân quả và động lực, thay vì chỉ tái tạo bề mặt dữ liệu.
Với CLBench-V, cộng đồng không chỉ cố làm mô hình mạnh hơn mà còn muốn đo đúng hơn: mô hình có học được từ ngữ cảnh mới không, có biết khi nào cần reasoning không, có dùng tri thức hiệu quả không.
Nếu phải tóm gọn, top paper hôm nay cho thấy AI đang tiến theo hướng:
Trong ngắn hạn, những hướng này sẽ tác động mạnh đến các sản phẩm như trợ lý cá nhân, agent tự động hóa phần mềm, công cụ nghiên cứu khoa học, và hệ thống tạo nội dung đa phương thức. Trong dài hạn, đây có thể là các viên gạch quan trọng để xây dựng AI thực sự làm việc được trong môi trường mở, kéo dài và nhiều ràng buộc như thế giới thật.
Nếu bạn muốn, mình có thể làm tiếp một phần 2 theo một trong các hướng sau: