# Top AI Papers on Hugging Face - 2026-08-03

> Source: <https://dev.to/y_hnhnhan_2f26de65ffcc4/top-ai-papers-on-hugging-face-2026-08-03-mpp>
> Published: 2026-08-03 12:01:10+00:00

Hôm nay mình điểm nhanh 10 paper được upvote cao nhất trên Hugging Face. Danh sách này khá đa dạng: từ **GUI agents**, **LLM tự cải thiện bằng RL**, **bộ nhớ dài hạn tham số hóa**, đến **RAG**, **robot đa phương thức**, **3D generation** và **benchmark đánh giá role-play**.

Bài viết này tập trung vào 4 câu hỏi cho mỗi paper:

`2607.28227`

GUI agents là các tác tử có thể thao tác trực tiếp trên giao diện phần mềm: bấm nút, nhập liệu, chuyển tab, điều hướng app/web. Vấn đề là môi trường GUI ngoài đời rất lộn xộn: giao diện thay đổi liên tục, nhiều loại ứng dụng khác nhau, và nhiệm vụ thường cần chuỗi hành động dài.

Qwen-UI-Agent hướng tới một **foundation agent cho GUI**, tức một mô hình nền tảng có khả năng hiểu ảnh chụp màn hình, thành phần giao diện và ngữ cảnh nhiệm vụ để thực hiện thao tác tương tác. Trọng tâm nằm ở việc đưa mô hình đến gần các workflow thực hơn thay vì chỉ tối ưu trên benchmark hẹp.

Điểm đáng chú ý là định hướng **real-world centric**. Nhiều công trình trước thường giải tốt trong sandbox nhưng kém ổn định khi ra môi trường thật. Paper này có vẻ nhấn mạnh:

`2607.23802`

Một nút thắt lớn của RL cho LLM là **reward**. Với các bài toán mở, rất khó xác định đáp án đúng-sai một cách tự động. Nếu không có reward đáng tin, rất khó để mô hình tự cải thiện.

Paper đề xuất chuyển từ **RLVR** sang **RLSVR**, nơi nhiệm vụ được **biến đổi** để tạo ra phần thưởng mà mô hình có thể **tự kiểm chứng**. Thay vì cần nhãn từ con người hoặc một verifier bên ngoài mạnh, hệ thống thiết kế lại task sao cho kết quả có thể được kiểm tra nội tại.

Đây là ý tưởng khá quan trọng: thay vì hỏi “làm sao chấm điểm bài toán mở?”, paper hỏi “làm sao **biến** bài toán mở thành dạng có thể tự chấm?”.

Điểm mới nằm ở:

`2607.27919`

Transformer truyền thống bị giới hạn bởi **context window**. Dù context dài hơn đang phổ biến, việc nhét tất cả vào prompt vẫn tốn tài nguyên và không thật sự tạo ra “trí nhớ dài hạn”.

Paper này đề xuất một **memory decoder tham số hóa**, tức bộ nhớ dài hạn được lưu trong chính tham số mô hình thay vì chỉ trong context tạm thời. Mô hình có thể học cách mã hóa và truy xuất thông tin dài hạn hiệu quả hơn.

Điểm mới là cách nhìn bộ nhớ như một thành phần **pretrained, scalable, parametric**.

Thay vì:

paper khám phá một hướng trung gian: **mô hình học ra cơ chế nhớ lâu ngay trong kiến trúc**.

`2607.28595`

Không phải bài toán thị giác nào cũng cần agentic reasoning nhiều bước. Nếu mô hình “overthink” những tác vụ đơn giản, nó sẽ chậm, tốn compute và đôi khi còn sai hơn.

Beacon tập trung vào câu hỏi rất thực dụng: **khi nào** cần dùng visual reasoning kiểu agent, và **dùng như thế nào**. Tức là trước tiên quyết định có nên bước vào quy trình suy luận nhiều bước hay không, sau đó chọn chiến lược hợp lý.

Thay vì chỉ tăng độ mạnh của visual reasoning, paper thêm một tầng **meta-reasoning**:

`2607.26497`

RAG hiện nay thường xoay quanh dense retrieval, hybrid retrieval, reranker, embedding mới hơn… Nhưng một câu hỏi cơ bản vẫn còn: **ở quy mô đủ lớn, BM25 có thật sự thua không?**

Paper thực hiện một nghiên cứu scaling để so sánh các paradigm RAG ở quy mô lớn, và kết quả gợi ý điều khá thú vị: **BM25 vẫn rất mạnh**, thậm chí có thể thắng trong nhiều điều kiện.

Điểm mới không nằm ở thuật toán hào nhoáng mà ở **thực nghiệm quy mô lớn** và thông điệp phản trực giác. Trong thời điểm mọi người đổ dồn vào dense retrieval, paper này nhắc rằng lexical retrieval cổ điển có thể vẫn là baseline cực khó đánh bại.

Đây là paper rất hữu ích cho người làm sản phẩm: đôi khi **giải pháp cũ nhưng ổn định** lại thắng giải pháp mới nếu xét đủ lớn về dữ liệu, chi phí và độ bền.

`2607.23782`

Robot không chỉ cần nhìn, mà còn cần **cảm nhận tiếp xúc**. Thị giác giúp thấy vật, nhưng xúc giác giúp biết vật mềm/cứng, trơn/nhám, đã cầm chắc chưa. Bài toán là làm sao tích hợp tactile data vào mô hình đa phương thức đủ lớn.

Paper đề xuất dùng **latent tactile tokens** để đưa thông tin xúc giác vào mô hình **vision-tactile-language-action**. Thay vì xử lý raw tactile signals trực tiếp, họ biểu diễn xúc giác thành token ẩn phù hợp với pipeline kiểu foundation model.

`2607.28022`

Distillation truyền thống thường huấn luyện student bắt chước teacher trên dữ liệu cố định. Nhưng với các tác vụ sinh chuỗi dài hoặc có tính tương tác, **context liên tục thay đổi** theo chính đầu ra của mô hình.

Flux-OPD nghiên cứu **on-policy distillation** trong bối cảnh context tiến hóa. Student không chỉ học từ trạng thái “đúng chuẩn” có sẵn, mà học trong quỹ đạo ngữ cảnh do chính quá trình sinh tạo ra.

Điểm mới là đưa tư duy **on-policy** vào distillation:

`2607.27616`

Chỉnh sửa ảnh/video nhiều người tương tác với nhau rất khó. Hệ thống không chỉ cần đẹp mà còn phải **đúng giải phẫu**, đúng tương tác không gian và giữ được tính nhất quán giữa các nhân vật.

MPIE-Bench xây dựng benchmark cho bài toán **multi-person interaction editing** với tiêu chí đánh giá tính **anatomically plausible**. Nghĩa là không chỉ chấm theo cảm quan hình ảnh chung, mà nhấn mạnh cơ thể, tư thế, va chạm và quan hệ giữa nhiều người.

`2607.28675`

Sinh 3D thường đi qua biểu diễn trung gian như NeRF, point cloud hoặc image multi-view rồi mới chuyển sang mesh. Việc này làm pipeline chậm và dễ mất chi tiết hình học.

Meshy T2 hướng đến **native mesh generation** trực tiếp bằng **flow matching**. Tức mô hình sinh ra mesh ngay từ đầu thay vì phụ thuộc nhiều bước chuyển đổi.

`2607.27816`

Đánh giá LLM trong role-playing hoặc tương tác hội thoại thường dùng simulated users. Nhưng nhiều simulator hiện nay thiếu tính cá nhân hóa thật sự, khiến việc đánh giá chưa sát người dùng thực.

Paper đề xuất **person-aligned user simulation**, tức user simulator được căn chỉnh theo đặc điểm cá nhân thay vì chỉ dùng “borrowed histories” hoặc profile hời hợt.

Nhìn toàn bộ danh sách, có thể thấy 4 xu hướng lớn:

Qwen-UI-Agent và Beacon đều phản ánh việc cộng đồng không còn chỉ hỏi “agent có làm được không”, mà hỏi:

Memory Decoder at Scale và RLSVR cùng chạm vào hai câu hỏi nền tảng:

BM25 Wins at Scale là ví dụ điển hình. Không phải lúc nào công nghệ mới hơn cũng thắng. Ở quy mô lớn, baseline cổ điển nhiều khi có lợi thế rõ ràng về:

N_0-VTLA thêm xúc giác, Meshy T2 đi thẳng vào mesh 3D, MPIE-Bench chú trọng giải phẫu và tương tác người-người. Điều này cho thấy AI đang tiến gần hơn tới các bài toán gắn với thế giới vật lý và nội dung 3D thực dụng.

Nếu phải chọn các paper có ảnh hưởng thực tiễn rộng nhất trong danh sách hôm nay, mình sẽ chú ý đặc biệt tới:

Còn nếu bạn làm robot hoặc embodied AI, **N_0-VTLA** là paper rất đáng xem, vì xúc giác có thể là modality tiếp theo tạo ra bước nhảy chất lượng.

Nếu muốn, ở bước tiếp theo mình có thể làm tiếp một trong ba dạng: