10 paper AI nổi bật nhất trên Hugging Face hôm nay: agent, bộ nhớ, video, mobile GUI và cả “LLM diffusion”

Hôm nay, danh sách paper được upvote cao trên Hugging Face cho thấy một xu hướng rất rõ: AI đang chuyển từ mô hình “trả lời câu hỏi” sang mô hình “hành động trong thế giới”. Ta thấy dày đặc các chủ đề như agent, memory system, OS-native AI, benchmark cho khám phá khoa học, và các mô hình đa phương thức thời gian thực.

Dưới đây là bản tổng hợp theo 4 góc nhìn cho từng paper:

• Bài toán


• Ý tưởng


• Điểm mới


• Ứng dụng thực tế

1) Qwen-AgentWorld: Language World Models for General Agents

Paper: 2606.24597


GitHub:

Bài toán

Agent hiện đại không chỉ cần context ngắn trong cửa sổ prompt, mà còn cần bộ nhớ dài hạn: nhớ người dùng là ai, việc nào đã làm, thông tin nào quan trọng, khi nào cần cập nhật hay quên đi. Vấn đề là ta vẫn thiếu một cách đánh giá hệ thống memory thật bài bản.

Ý tưởng

Paper tiếp cận memory cho agent như một bài toán quản trị dữ liệu. Họ chia bộ nhớ thành các khâu:

• lưu trữ/biểu diễn,


• trích xuất,


• truy hồi và định tuyến,


• bảo trì/cập nhật.

Sau đó, paper đánh giá các khâu này dưới nhiều workload khác nhau.

Điểm mới

Điểm mới lớn nhất không nằm ở việc đề xuất một thuật toán memory duy nhất, mà ở việc xây dựng khung đánh giá có hệ thống cho “agent-native memory systems”. Các tiêu chí như:

• 
  representation fidelity,


• 
  retrieval precision,


• 
  update correctness,


• 
  long-horizon stability,


• cost-performance trade-off

giúp cộng đồng nhìn memory không còn là “gắn thêm vector DB là xong”.

Ứng dụng thực tế

Rất hữu ích cho:

• 
  personal AI assistant,


• 
  customer support agent,


• 
  copilot doanh nghiệp cần nhớ lịch sử công việc, preference và policy.

Đây là paper đáng đọc với bất kỳ ai đang xây agent production.

3) NatureBench: Can Coding Agents Match the Published SOTA of Nature-Family Papers?

Paper: 2606.24530


GitHub:

Bài toán

Text-to-video hiện tiến rất nhanh, nhưng khi yêu cầu tạo video có chủ thể cụ thể từ ảnh tham chiếu, mô hình thường gặp hai lỗi:

• không giữ được danh tính/chủ thể,


• hoặc chỉ hoạt động tốt trong domain hẹp.

Ý tưởng

DomainShuttle hướng đến subject-driven text-to-video trong open domain. Hệ thống dùng cơ chế modeling theo domain để xử lý tốt cả tình huống cùng domain lẫn cross-domain.

Điểm mới

Các thành phần đáng chú ý gồm:

• 
  domain-aware AdaLN,


• 
  Video-Reference DualRoPE,


• 
  Cross-Pair Consistent Loss.

Nói đơn giản, paper cố gắng khiến mô hình hiểu rõ hơn mối liên hệ giữa:

• token ảnh tham chiếu,


• token video sinh ra,


• và ngữ cảnh domain.

Ứng dụng thực tế

Ứng dụng rất rõ ràng trong:

• 
  quảng cáo cá nhân hóa,


• video marketing,


• sáng tạo nội dung với nhân vật/brand ambassador nhất quán,


• previsualization cho studio.

Đây là hướng có tiềm năng thương mại mạnh vì “giữ đúng chủ thể” là nhu cầu cực lớn trong sản xuất nội dung.

5) MemGUI-Agent: An End-to-End Long-Horizon Mobile GUI Agent with Proactive Context Management

Paper: 2606.19926


GitHub:

Bài toán

Hầu hết AI chỉnh ảnh hiện nay hoạt động sau khi chụp. Nhưng với nhiếp ảnh, giá trị lớn hơn nhiều nằm ở việc hướng dẫn ngay lúc bấm máy: bố cục ra sao, chủ thể nên tạo dáng thế nào.

Ý tưởng

ShutterMuse xây benchmark, dataset và một mô hình đa phương thức thống nhất để hỗ trợ:

• 
  composition guidance cho người chụp,


• 
  pose recommendation cho người được chụp.

Điểm mới

Paper kết hợp hai vai trò vốn tách rời:

• hướng dẫn phía photographer,


• hướng dẫn phía subject.

Ngoài supervised fine-tuning, họ còn dùng reinforcement fine-tuning để tăng chất lượng hướng dẫn thẩm mỹ.

Ứng dụng thực tế

Khá rõ cho:

• app camera thông minh,


• trợ lý chụp ảnh trên điện thoại,


• thương mại điện tử, du lịch, wedding, social content.

Nếu tích hợp tốt, đây có thể là “copilot nhiếp ảnh” thời gian thực.

7) Wan-Streamer v0.1: End-to-end Real-time Interactive Foundation Models

Paper: 2606.25041


Project:

Bài toán

“Code intelligence” không còn chỉ là từ mô tả ngôn ngữ sinh code. Ngày càng nhiều bài toán đòi hỏi AI hiểu hình ảnh, GUI, biểu đồ, sơ đồ, rồi mới sinh hoặc phân tích code.

Ý tưởng

Đây là một bài survey hệ thống hóa lĩnh vực multimodal code intelligence: từ GUI, scientific visualization, structured graphics cho đến các framework kiểm chứng kết quả.

Điểm mới

Giá trị chính nằm ở việc paper không chỉ liệt kê công trình mà còn nhấn mạnh hướng đi tương lai:

• 
  verifiable agent traces,


• 
  multi-signal validation,


• 
  multi-state verification,


• kiểm tra khả năng chuyển giao liên nhiệm vụ.

Ứng dụng thực tế

Hữu ích cho:

• người làm AI coding,


• team xây GUI agent,


• startup làm “ảnh/sơ đồ thành ứng dụng”.

Đây là bài đọc nền tảng để hiểu nơi thị trường code agent sẽ đi tiếp.

9) AOHP: An Open-Source OS-Level Agent Harness for Personalized, Efficient and Secure Interaction

Paper: 2606.23449


GitHub: https://github.com/aohp-os/aohp

Bài toán

Phần lớn agent hiện chạy “trên” hệ điều hành chứ chưa được hệ điều hành xem như thực thể hạng nhất. Điều này làm hạn chế khả năng cá nhân hóa, hiệu quả thực thi và kiểm soát bảo mật.

Ý tưởng

AOHP xây một framework ở mức OS-level, dựa trên Android, để agent trở thành thành phần native của hệ điều hành.

Điểm mới

Điểm mới là góc nhìn agent-native operating system. Paper không chỉ tối ưu completion rate hay token cost, mà còn đưa ra cơ chế:

• personalized service composition,


• efficient agent interface,


• secure information flow.

Ứng dụng thực tế

Nếu phát triển tốt, đây là nền móng cho:

• smartphone có agent hệ thống,


• enterprise device management với AI,


• môi trường di động nơi AI có quyền năng lớn nhưng vẫn tuân thủ policy.

Đây là hướng rất đáng chú ý vì agent tương lai có thể không còn là app, mà là lớp hạ tầng của OS.

10) Improved Large Language Diffusion Models

Paper: 2606.25331

Bài toán

Mô hình ngôn ngữ hiện nay chủ yếu theo kiểu autoregressive: sinh token trái sang phải. Cách này hiệu quả nhưng có giới hạn về song song hóa và đôi khi hạn chế khả năng khai thác ngữ cảnh hai chiều.

Ý tưởng

Paper theo đuổi masked diffusion language model với fully bidirectional attention. Thay vì sinh tuần tự hoàn toàn, mô hình dần tinh chỉnh chuỗi token qua nhiều bước khử nhiễu.

Điểm mới

Điểm đáng chú ý là mô hình diffusion ngôn ngữ ở đây đạt kết quả cạnh tranh, thậm chí vượt AR trên một số benchmark như:

• BBH


• ARC-Challenge


• MATH


• HumanEval

Ngoài ra còn có:

• variable-length generation


• cơ chế confidence-based scoring
  

Ứng dụng thực tế

Dù còn sớm, hướng này có thể hữu ích cho:

• sinh văn bản cần chỉnh sửa toàn cục,


• code generation cần nhất quán dài hạn,


• hệ thống nơi ta muốn cân bằng giữa chất lượng và chiến lược sinh song song.

Nó cũng nhắc cộng đồng rằng tương lai của LLM có thể không chỉ thuộc về kiến trúc autoregressive.

Kết luận: 3 xu hướng lớn rút ra từ top paper hôm nay

1. Agent đang trở thành trung tâm

Các paper như Qwen-AgentWorld, MemGUI-Agent, AOHP, và nghiên cứu về agent-native memory cho thấy trọng tâm đã dịch chuyển từ “mô hình biết nói” sang “mô hình biết làm”.

2. Memory và hạ tầng quan trọng không kém model

Ngày càng rõ rằng để agent hữu ích ngoài đời thực, chỉ tăng kích thước mô hình là chưa đủ. Cần:

• memory đúng nghĩa,


• OS/harness phù hợp,


• benchmark phản ánh việc thật.

3. Multimodal AI đang tiến tới thời gian thực và hành động thực tế

Từ ShutterMuse đến Wan-Streamer và DomainShuttle, AI đa phương thức không còn chỉ để demo đẹp, mà đang tiến vào các kịch bản dùng được ngay: quay/chụp, giao tiếp trực tiếp, tạo nội dung sản xuất.

Nếu phải chọn một thông điệp chung của top paper hôm nay, thì đó là:

Kỷ nguyên tiếp theo của AI không chỉ là “hiểu và sinh”, mà là “nhớ, mô phỏng, hành động và tương tác theo thời gian thực”.

Nếu bạn muốn, ở bước tiếp theo mình có thể viết tiếp một phiên bản blog polished hơn theo giọng Tech in Asia / Viblo / Substack, hoặc rút gọn thành bản LinkedIn post 10 ý ngắn.