10 Paper AI Hot Nhất Hôm Nay Trên Hugging Face: Agent Memory, Image Agent, Robot Control và Làn Sóng Generative Mới

Hôm nay, bảng xếp hạng paper được upvote cao trên Hugging Face cho thấy một bức tranh rất rõ: AI đang dịch chuyển từ các mô hình “biết trả lời” sang các hệ thống “biết hành động”, “biết nhớ”, “biết thích nghi” và “biết tạo nội dung theo ngữ cảnh thực tế”.

Trong bài viết này, mình sẽ tóm lược 10 paper nổi bật nhất, theo 4 góc nhìn cho mỗi bài:

• Bài toán


• Ý tưởng chính


• Điểm mới


• Ứng dụng thực tế

1. Are We Ready For An Agent-Native Memory System?

Paper ID: 2606.24775


GitHub:

Bài toán

Text-to-video đang tiến bộ nhanh, nhưng vẫn rất khó ở bài toán subject-driven generation: ví dụ đưa vào ảnh một người hoặc một con vật, rồi yêu cầu tạo video mới mà vẫn giữ đúng danh tính/chủ thể đó, kể cả trong bối cảnh rất khác.

Ý tưởng

DomainShuttle tập trung vào việc mô hình hóa sự khác nhau giữa:

• 
  in-domain: cùng loại miền dữ liệu quen thuộc


• 
  cross-domain: chuyển sang phong cách hoặc ngữ cảnh khác

Hệ thống dùng các cơ chế như domain-aware AdaLN và Video-Reference DualRoPE để căn chỉnh giữa ảnh tham chiếu và chuỗi video sinh ra.

Điểm mới

Điểm mới nằm ở chỗ paper không chỉ cố “copy chủ thể” vào video, mà xử lý cả vấn đề khác miền dữ liệu.

Ngoài ra, Cross-Pair Consistent Loss giúp duy trì sự nhất quán của chủ thể giữa các cặp tham chiếu và video.

Ứng dụng thực tế

Ứng dụng rất rộng:

• tạo video quảng cáo cá nhân hóa


• animation từ ảnh nhân vật


• virtual influencer


• sản xuất nội dung ngắn cho mạng xã hội

Đây là mảnh ghép quan trọng để text-to-video đi từ demo đẹp sang sản xuất thực tế.

4. In-Context World Modeling for Robotic Control

Bài toán

Robot ngoài đời thật luôn gặp tình huống mới: ma sát khác, tải trọng khác, cấu hình thiết bị khác. Nếu mỗi lần thay đổi lại phải fine-tune model thì quá chậm và đắt đỏ.

Ý tưởng

Paper đề xuất ICWM: robot tự tạo các tương tác ngắn để “thăm dò thế giới”, rồi dùng chính các quan sát đó như in-context information để suy ra các biến ẩn của hệ thống.

Nói cách khác, thay vì update trọng số, robot thích nghi ngay trong ngữ cảnh.

Điểm mới

Điểm rất hay là họ biến bài toán nhận dạng hệ thống (system identification) thành bài toán in-context adaptation. Điều này giống cách LLM học “on the fly” từ ví dụ trong prompt, nhưng áp dụng cho điều khiển robot.

Ứng dụng thực tế

Rất tiềm năng cho:

• robot công nghiệp cần đổi tool thường xuyên


• robot dịch vụ trong môi trường thay đổi


• tay máy trong kho vận


• robot nghiên cứu cần chuyển từ mô phỏng sang thực tế

Nếu hướng này tiếp tục hiệu quả, robot sẽ linh hoạt hơn nhiều mà không cần huấn luyện lại liên tục.

5. ShutterMuse: Capture-Time Photography Guidance with MLLMs

Paper ID: 2606.25763


GitHub:

Bài toán

Huấn luyện language agent bằng reinforcement learning thường rất tốn mẫu và tín hiệu thưởng khá thưa. Agent chỉ biết cuối cùng thành công hay thất bại, nhưng không biết rõ từng bước nào tốt/xấu.

Ý tưởng

OPID khai thác completed trajectories để trích xuất dạng giám sát hindsight dày hơn. Từ các quỹ đạo hoàn tất, hệ thống distill ra các skill hoặc các bước hành động có cấu trúc hơn để huấn luyện policy.

Điểm mới

Điểm mới chính là:

• on-policy skill distillation


• dùng hindsight supervision dày đặc hơn thay vì chỉ reward cuối


• tổ chức hành vi theo kiểu phân cấp kỹ năng

Điều này giúp agent học hiệu quả hơn trong môi trường dài hơi.

Ứng dụng thực tế

Phù hợp cho:

• web agent


• coding agent


• task automation agent


• trợ lý nhiều bước cần lập kế hoạch và thực thi

Đây là một mảnh ghép quan trọng để agent RL bớt “học mò”.

7. Qwen-Image-Agent: Bridging the Context Gap in Real-World Image Generation

Bài toán

Một prompt văn bản thường không đủ để mô tả toàn bộ ngữ cảnh cần thiết cho ảnh thực tế. Ví dụ muốn tạo poster sản phẩm, người dùng còn cần style, bố cục, thông tin thương hiệu, ví dụ tham khảo, ràng buộc từ môi trường sử dụng.

Ý tưởng

Qwen-Image-Agent xem bài toán tạo ảnh như một quy trình agentic gồm:

• lập kế hoạch


• suy luận


• tìm kiếm thông tin


• dùng bộ nhớ

Agent sẽ dần xây dựng “full generation context” trước khi gọi image model.

Điểm mới

Điểm mới ở đây là chuyển từ “text prompt → image” sang “agent xây ngữ cảnh → image”. Đây là cách trực diện để xử lý cái gọi là context gap trong image generation thực tế.

Ứng dụng thực tế

Rất phù hợp cho:

• thiết kế marketing


• tạo ảnh sản phẩm thương mại điện tử


• creative assistant cho doanh nghiệp


• pipeline thiết kế có nhiều ràng buộc

Xu hướng này cho thấy tương lai của AI tạo ảnh có thể không nằm ở model lớn hơn, mà ở agent thông minh hơn.

8. The Verification Horizon: No Silver Bullet for Coding Agent Rewards

Bài toán

Với coding agents, việc thiết kế reward rất khó. Nếu dùng test case làm tín hiệu thưởng, agent có thể “hack” test. Nếu dùng proxy khác, proxy đó có thể lệch khỏi ý định thật của con người.

Ý tưởng

Paper phân tích bài toán verification như một cuộc đua liên tục giữa:

• năng lực sinh của agent


• năng lực xác minh / chấm điểm / kiểm tra

Khi policy mạnh hơn, các tín hiệu xác minh cũ có thể bị bão hòa hoặc bị khai thác.

Điểm mới

Điểm mới không phải một thuật toán cụ thể, mà là một luận điểm rất quan trọng: không có viên đạn bạc cho reward của coding agent. Hệ thống xác minh phải thích nghi cùng với năng lực của agent.

Ứng dụng thực tế

Rất đáng đọc cho các đội đang xây:

• coding copilots


• autonomous software agents


• bug-fixing agents


• benchmark đánh giá agent

Paper này mang tính “cảnh báo chiến lược”: đừng quá tin vào một chỉ số thưởng tĩnh.

9. ViQ: Text-Aligned Visual Quantized Representations at Any Resolution

Paper ID: 2606.27313


GitHub:

Bài toán

Sinh video góc nhìn mới luôn gặp vấn đề lớn: hình có thể đẹp từng frame, nhưng hình học và chuyển động không nhất quán giữa các góc nhìn.

Ý tưởng

MVTrack4Gen dùng multi-view point tracking như một dạng supervision hình học cho mô hình diffusion tạo video. Thay vì chỉ ép mô hình sinh frame hợp mắt, họ đưa thêm ràng buộc về correspondence giữa các điểm qua nhiều view.

Điểm mới

Điểm mới là biến tracking đa góc nhìn thành tín hiệu học cho 4D video generation. Cơ chế này cải thiện:

• geometric consistency


• motion fidelity


• liên kết giữa các góc nhìn

Ứng dụng thực tế

Rất hứa hẹn cho:

• AR/VR


• phim và game


• digital human


• mô phỏng cảnh động nhiều camera

Nếu muốn video sinh ra không chỉ đẹp mà còn “đúng vật lý / đúng hình học”, đây là hướng rất đáng chú ý.

Kết luận: 3 Xu Hướng Lớn Đang Nổi Lên

Nhìn tổng thể 10 paper hôm nay, có thể thấy 3 xu hướng nổi bật:

1. Agent đang trở thành lớp điều phối trung tâm

Các paper như Agent-Native Memory, OPID, Qwen-Image-Agent, và Verification Horizon cho thấy trọng tâm không chỉ còn là model nền, mà là cách agent:

• nhớ


• lập kế hoạch


• tự cải thiện


• được đánh giá an toàn và đáng tin

2. Generative AI đang đi vào bài toán thực tế hơn

Từ DomainShuttle, DanceOPD, ShutterMuse đến MVTrack4Gen, mục tiêu không còn chỉ là “demo đẹp”, mà là:

• giữ đúng chủ thể


• chỉnh sửa linh hoạt


• hỗ trợ người dùng trong ngữ cảnh thật


• đảm bảo tính nhất quán hình học

3. Khả năng thích nghi theo ngữ cảnh là chìa khóa

ICWM và Qwen-Image-Agent là hai ví dụ rất rõ cho xu hướng này: thay vì cập nhật tham số liên tục, hệ thống học cách thích nghi qua ngữ cảnh, tương tác và bộ nhớ.

Lời cuối

Nếu phải chọn vài paper đáng theo dõi nhất về tác động dài hạn, mình sẽ chọn:

• Are We Ready For An Agent-Native Memory System?


• In-Context World Modeling for Robotic Control


• Qwen-Image-Agent


• The Verification Horizon

Vì chúng chạm vào các câu hỏi nền tảng: làm sao để AI nhớ đúng, thích nghi nhanh, hành động theo ngữ cảnh, và được đánh giá đúng mục tiêu.

Nếu bạn muốn, mình có thể viết tiếp phần 2 theo một trong các hướng sau:

1. Bảng so sánh 10 paper


2. Top 5 paper đáng đọc kỹ nhất cho startup AI


3. Tóm tắt mỗi paper theo kiểu dễ hiểu cho người không chuyên


4. Phiên bản post LinkedIn / Facebook ngắn gọn