Chuyển tới nội dung chính

🤗 Daily Hugging Face Paper Digest - 2026-03-26

Báo cáo được tạo tự động vào lúc 2026-03-27 10:23:17 bằng mô hình gemini-2.5-flash.

📰 Summary of Papers​

1. CUA-Suite: Massive Human-annotated Video Demonstrations for Computer-Use Agents (71 votes)​

Tác giả: Xiangru Jian, Shravan Nayak, Kevin Qinghong Lin, Aarash Feizi, Kaixin Li, Patrice Bechard, Spandana Gella, Sai Rajeswar

Xuất bản lúc: 2026-03-25

Tag: Computer-use agents, Video Demonstrations, Human-annotated, Desktop Automation, UI Grounding, Action Prediction, Vision-Language Models, Datasets, Imitation Learning, Reinforcement Learning

I. Main Problem:​

Tiến độ hướng tới các tác nhân sử dụng máy tính (CUAs) đa năng đang bị hạn chế bởi sự khan hiếm các video trình diễn của con người có chất lượng cao, liên tục. Các bộ dữ liệu hiện có rất rời rạc (chỉ là ảnh chụp màn hình thay vì video liên tục) và thiếu động lực học thời gian đầy đủ, không thể xử lý video tốc độ khung hình cao, thực hiện các tác vụ dài hạn hoặc học các chính sách điều khiển không gian liên tục. Các CUA hiện tại kém hiệu quả, đặc biệt khi sử dụng các ứng dụng máy tính để bàn chuyên nghiệp (như phần mềm mô hình 3D, IDEs) và gặp khó khăn với các giao diện không quen thuộc do thiếu dữ liệu huấn luyện chất lượng cao với chú thích dày đặc cho cả lập kế hoạch và định vị.

II. Main Idea:​

Bài báo giới thiệu CUA-SUITE, một hệ sinh thái quy mô lớn gồm các video trình diễn của chuyên gia và chú thích dày đặc để giải quyết nút thắt dữ liệu. Cốt lõi của nó là VIDEOCUA, cung cấp khoảng 10.000 tác vụ do con người trình diễn trên 87 ứng dụng khác nhau với các bản ghi màn hình 30 fps liên tục, dấu vết con trỏ động học và chú thích lý luận đa lớp. CUA-SUITE cũng cung cấp hai tài nguyên bổ sung: UI-VISION để đánh giá khả năng định vị và lập kế hoạch, và GROUNDCUA, một bộ dữ liệu định vị quy mô lớn với 56K ảnh chụp màn hình được chú thích và hơn 3,6 triệu chú thích phần tử UI. Tất cả các tài nguyên này cung cấp sự giám sát chặt chẽ, có tính nhân quả, trong đó mọi yếu tố trên màn hình đều được gắn nhãn và mọi hành động đều được ghi lại, cho phép các mô hình học từ động lực học thời gian đầy đủ của tương tác con người.

III. Main Results:​

VIDEOCUA là kho video chuyên gia mở lớn nhất cho việc sử dụng máy tính để bàn, với khoảng 55 giờ và 6 triệu khung hình video liên tục, gấp hơn 2,5 lần bộ dữ liệu mở lớn nhất hiện có. Đánh giá sơ bộ cho thấy các mô hình hành động nền tảng hiện tại gặp khó khăn đáng kể với các ứng dụng máy tính để bàn chuyên nghiệp (tỷ lệ thất bại tác vụ ≈ 60%). Trên UI-VISION, mô hình tốt nhất (MAI-UI-32B) đạt 47,7% độ chính xác trung bình, với định vị không gian vẫn là một trở ngại lớn. Các mô hình OpenCUA-7B và OpenCUA-32B đạt lần lượt 16,5% và 37,7% @50px trong dự đoán hành động, với độ chính xác theo từng bước được con người xác minh là 57,6% cho mô hình 32B. Hiệu suất thay đổi đáng kể giữa các ứng dụng, với các công cụ sáng tạo chuyên biệt và ứng dụng dựa trên canvas đặt ra thách thức lớn nhất.

IV. Conclusion & Future Works:​

CUA-SUITE là một hệ sinh thái toàn diện để huấn luyện và đánh giá các tác nhân sử dụng máy tính để bàn. Mặc dù đã có những tiến bộ, định vị không gian vẫn là nút thắt chính đối với các mô hình hành động nền tảng hiện tại trong môi trường máy tính để bàn. Các luồng video liên tục của CUA-SUITE, dấu vết động học và chú thích dày đặc hỗ trợ các mô hình mới nổi như phân tích màn hình tổng quát, điều khiển không gian liên tục và các mô hình thế giới thị giác. Toàn bộ dữ liệu, điểm chuẩn và mô hình sẽ được phát hành công khai, hy vọng CUA-SUITE sẽ là nền tảng để xây dựng thế hệ tác nhân sử dụng máy tính đa năng tiếp theo. Các hướng nghiên cứu trong tương lai bao gồm: Generalist Screen Parsing, Continuous Spatial Control, Visual World Models và Video-Based Reward Modeling.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu phát triển các mô hình ngôn ngữ thị giác đa phương thức (MLLMs) mới có khả năng phân tích màn hình máy tính để bàn thành các phần tử giao diện người dùng có cấu trúc một cách đáng tin cậy, sử dụng dữ liệu chú thích hộp giới hạn dày đặc, đã được con người xác minh từ CUA-SUITE.
  2. Khám phá việc đào tạo các chính sách điều khiển không gian liên tục (ví dụ: di chuyển chuột) cho các tác nhân sử dụng máy tính, tận dụng các bản ghi chuyển động con trỏ động học và ngữ cảnh video liên tục từ CUA-SUITE để học cách điều hướng dựa trên phản hồi theo kiểu con người.
  3. Phát triển các mô hình thế giới thị giác (Visual World Models) sử dụng chuỗi ba ảnh (st, at, st+1) từ dữ liệu video 30fps của CUA-SUITE, cho phép các tác nhân tạo ra video có điều kiện hành động và lập kế hoạch nhìn trước cho các quy trình làm việc phức tạp trên máy tính để bàn.

2. Patent:​

  1. Hệ thống Hỗ trợ Tự động hóa Tác vụ Di động Thông minh: Một hệ thống trên điện thoại di động học cách thực hiện các tác vụ phức tạp bằng cách quan sát cách người dùng thao tác trên điện thoại. Ví dụ, nếu người dùng thường xuyên sao chép ảnh từ một ứng dụng, chỉnh sửa nó trong một ứng dụng khác và chia sẻ lên mạng xã hội, điện thoại có thể học trình tự này và tự động đề xuất thực hiện nó trong tương lai chỉ với một chạm. Hệ thống này ghi lại mọi thao tác chạm, vuốt, gõ phím và thay đổi màn hình một cách liên tục, sau đó phân tích để hiểu ý định của người dùng và các bước cần thiết.
  2. Công cụ Phân tích và Tối ưu hóa Giao diện Ứng dụng Di động Tự động: Một công cụ dành cho nhà phát triển ứng dụng di động để tự động phân tích cách người dùng tương tác với giao diện của họ. Công cụ này sẽ sử dụng dữ liệu về các lần chạm, cuộn và thời gian dừng trên từng phần tử giao diện (nút, thanh trượt, trường nhập liệu) để xác định các khu vực khó sử dụng hoặc gây nhầm lẫn. Nó sẽ cung cấp báo cáo chi tiết và đề xuất cải thiện bố cục hoặc luồng công việc của ứng dụng để tăng trải nghiệm người dùng.
  3. Hệ thống Hướng dẫn Tương tác trên Điện thoại Thông minh Tùy chỉnh: Một tính năng trên điện thoại di động giúp người dùng mới hoặc những người gặp khó khăn trong việc sử dụng một ứng dụng cụ thể. Thay vì chỉ hiển thị các hướng dẫn tĩnh, hệ thống này sẽ "xem" người dùng đang làm gì trên màn hình và cung cấp hướng dẫn từng bước theo thời gian thực, có thể chỉ ra chính xác vị trí cần chạm hoặc vuốt. Nếu người dùng mắc lỗi, nó có thể giải thích lý do và đề xuất cách sửa, giống như một gia sư ảo, dựa trên việc hiểu sâu về các phần tử giao diện và luồng công việc.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2603.24440
ArXiv Abstracthttps://arxiv.org/abs/2603.24440
PDF Downloadhttps://arxiv.org/pdf/2603.24440.pdf
Github RepositoryN/A

2. EVA: Efficient Reinforcement Learning for End-to-End Video Agent (34 votes)​

Tác giả: Yaolun Zhang, Ruohui Wang, Jiahao Wang, Yepeng Tang, Xuanyu Zheng, Haonan Duan, Hao Lu, Hanming Deng, Lewei Lu

Xuất bản lúc: 2026-03-24

Tag: Reinforcement Learning, MLLMs, Video Understanding, Agents, Planning, Supervised Fine-tuning, KTO, GRPO

I. Main Problem:​

Việc hiểu video với các MLLM (Multimodal Large Language Models) vẫn còn nhiều thách thức do chuỗi token video dài, chứa nhiều phụ thuộc thời gian phức tạp và các khung hình dư thừa. Các phương pháp hiện có thường xử lý MLLM như những bộ nhận dạng thụ động, xử lý toàn bộ video hoặc các khung hình được lấy mẫu đồng nhất mà không có khả năng suy luận thích ứng. Các phương pháp dựa trên tác nhân gần đây giới thiệu các công cụ bên ngoài nhưng vẫn phụ thuộc vào quy trình làm việc được thiết kế thủ công và chiến lược "nhận diện trước" (perception-first), dẫn đến kém hiệu quả trên các video dài.

II. Main Idea:​

Chúng tôi giới thiệu EVA, một framework Học tăng cường hiệu quả dành cho Tác nhân Video Đầu cuối (Efficient Reinforcement Learning framework for End-to-End Video Agent), cho phép "lập kế hoạch trước khi nhận diện" (planning-before-perception) thông qua quy trình suy luận lặp đi lặp lại: tóm tắt – lập kế hoạch – hành động – phản ánh (summary–plan–action–reflection). EVA tự động quyết định xem gì, khi nào xem và xem như thế nào, đạt được khả năng hiểu video theo truy vấn một cách hiệu quả. Để huấn luyện tác nhân này, chúng tôi thiết kế một quy trình học ba giai đoạn đơn giản nhưng hiệu quả—bao gồm Supervised Fine-Tuning (SFT), Kahneman–Tversky Optimization (KTO), và Generalized Reward Policy Optimization (GRPO)—kết nối giữa bắt chước có giám sát và học tăng cường. Chúng tôi cũng xây dựng các bộ dữ liệu chất lượng cao cho mỗi giai đoạn để hỗ trợ huấn luyện ổn định và có thể tái tạo.

III. Main Results:​

EVA đã được đánh giá trên sáu bộ benchmark hiểu video, chứng minh khả năng toàn diện của nó. So với các baseline hiện có, EVA đạt được sự cải thiện đáng kể 6–12% so với các baseline MLLM chung và tăng thêm 1–3% so với các phương pháp tác nhân thích ứng trước đây. Cụ thể, trên Sampling Dilemma Bench (LSDBench), EVA đạt độ chính xác 51.8% với chỉ 6.2K visual token, vượt trội hơn baseline Qwen2.5-VL (+2.6%) trong khi sử dụng ít token hơn đáng kể. Trên các benchmark video dài (LongVideoBench, MLVU, VideoMME, LVBench), EVA đạt kết quả mạnh mẽ và nhất quán (55.1%, 60.5%, 59.9% và 38.1%) với chỉ khoảng 20–30 khung hình mỗi video. Trong đánh giá zero-shot trên Video-Holmes, EVA đạt hiệu suất cạnh tranh (32.6% đến 37.2%) so với các mô hình mã nguồn mở hàng đầu.

IV. Conclusion & Future Works:​

Trong nghiên cứu này, chúng tôi đã tiến một bước trong việc xây dựng các tác nhân hiểu video thực sự tự động bằng cách giới thiệu một framework theo định hướng truy vấn, tích hợp hiểu, lập kế hoạch, sử dụng công cụ và phản ánh trong một vòng lặp lặp đi lặp lại. Thông qua một mô hình huấn luyện ba giai đoạn—SFT cold-start, KTO và GRPO với phần thưởng được sử dụng phổ biến—mô hình học cách cân bằng hiệu quả nhận thức và độ sâu suy luận, dần dần phát triển từ một bộ nhận dạng video thụ động thành một tác nhân theo dõi thích ứng và tự định hướng. Mặc dù đạt được những kết quả đầy hứa hẹn, phương pháp của chúng tôi vẫn còn một số hạn chế. Vòng lặp suy luận hiện tại dựa vào các giao diện công cụ được xác định trước và có thể gặp khó khăn với các phân phối truy vấn chưa từng thấy hoặc nhiễu. Công việc trong tương lai sẽ khám phá các hệ sinh thái công cụ linh hoạt hơn, chiến lược suy luận tự tiến hóa và cơ chế bộ nhớ đa phương thức để nâng cao hơn nữa tính tự chủ và khả năng khái quát hóa trong việc hiểu video dài.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về các kiến trúc công cụ video linh hoạt và tự thích ứng: Khám phá cách tác nhân có thể tự động tạo hoặc điều chỉnh các công cụ truy cập video (ví dụ: thay đổi loại trích xuất khung hình, độ phân giải, tốc độ khung hình) dựa trên ngữ cảnh truy vấn và thông tin thị giác đã thu thập, vượt ra ngoài các tham số cố định.
  2. Phát triển chiến lược suy luận tự tiến hóa cho tác nhân video dài: Nghiên cứu các phương pháp cho phép tác nhân tự động cải thiện hoặc thay đổi chiến lược "tóm tắt – lập kế hoạch – hành động – phản ánh" của mình theo thời gian, có thể thông qua học tăng cường meta hoặc các cơ chế tự giám sát, để xử lý các tình huống video phức tạp hoặc không xác định.
  3. Tích hợp bộ nhớ đa phương thức cho tác nhân hiểu video: Thiết kế và thử nghiệm các cơ chế bộ nhớ mới cho phép tác nhân lưu trữ và truy xuất hiệu quả thông tin từ các vòng lặp tương tác trước đó (bao gồm cả văn bản và hình ảnh), giúp cải thiện khả năng suy luận dài hạn và giải quyết các truy vấn phức tạp trên video rất dài.

2. Patent:​

  1. Hệ thống tìm kiếm video thông minh trên điện thoại di động: Một ứng dụng trên điện thoại cho phép người dùng đặt câu hỏi bằng ngôn ngữ tự nhiên về nội dung video (ví dụ: "Tìm đoạn phim tôi đang chơi guitar trong buổi hòa nhạc hôm qua"). Hệ thống sẽ tự động phân tích video, xác định các đoạn liên quan bằng cách điều chỉnh thông minh độ phân giải và tốc độ khung hình để tiết kiệm pin và dữ liệu, sau đó hiển thị các khoảnh khắc chính xác mà không cần xem lại toàn bộ video dài.
  2. Trợ lý biên tập video tự động dựa trên truy vấn trên điện thoại: Một tính năng trong ứng dụng chỉnh sửa video di động cho phép người dùng mô tả cảnh họ muốn giữ lại hoặc xóa bỏ (ví dụ: "Cắt bỏ tất cả các đoạn có người lạ đi qua phía sau tôi" hoặc "Tạo một đoạn highlight chỉ những cú sút bóng thành công"). Hệ thống sẽ sử dụng công nghệ lập kế hoạch trước khi nhận diện để quét hiệu quả video, xác định các khung hình và phân đoạn phù hợp dựa trên mô tả, sau đó tự động thực hiện chỉnh sửa hoặc đề xuất các điểm cắt, tối ưu hóa quá trình chỉnh sửa trên thiết bị di động.
  3. Tính năng tóm tắt sự kiện trực tiếp/video hội nghị thông minh trên điện thoại: Một ứng dụng cho phép người dùng theo dõi các sự kiện trực tiếp hoặc video hội nghị dài trên điện thoại. Khi người dùng đặt câu hỏi về một chủ đề cụ thể (ví dụ: "Tóm tắt các điểm chính về ngân sách đã thảo luận"), hệ thống sẽ nhanh chóng quét các đoạn video liên quan, tự động điều chỉnh cách "xem" video (độ phân giải thấp cho tổng quan, độ phân giải cao cho chi tiết) để đưa ra câu trả lời hoặc tóm tắt tức thì, giúp người dùng nắm bắt thông tin quan trọng mà không cần xem lại toàn bộ nội dung dài, đồng thời quản lý hiệu quả tài nguyên của điện thoại.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2603.22918
ArXiv Abstracthttps://arxiv.org/abs/2603.22918
PDF Downloadhttps://arxiv.org/pdf/2603.22918.pdf
Github Repositoryhttps://github.com/wangruohui/EfficientVideoAgent

3. UI-Voyager: A Self-Evolving GUI Agent Learning via Failed Experience (31 votes)​

Tác giả: Zichuan Lin, Feiyu Liu, Yijun Yang, Jiafei Lyu, Yiming Gao, Yicheng Liu, Zhicong Lu, Yangbin Yu, Mingyu Yang, Junyou Li, Deheng Ye, Jie Jiang

Xuất bản lúc: 2026-03-25

Tag: MLLMs, GUI Agent, Reinforcement Learning, Self-Supervised Learning, Fine-tuning, Distillation

I. Main Problem:​

Các phương pháp hiện có cho tác nhân GUI di động tự động gặp khó khăn trong việc học không hiệu quả từ các quỹ đạo thất bại và vấn đề gán tín hiệu mơ hồ (ambiguous credit assignment) dưới phần thưởng thưa thớt cho các tác vụ GUI dài hạn. Cụ thể, tác nhân không thể xác định bước nào gây ra lỗi nhiệm vụ, làm giảm hiệu quả học tập.

II. Main Idea:​

Chúng tôi đề xuất UI-Voyager, một tác nhân GUI di động tự tiến hóa hai giai đoạn. Giai đoạn 1 sử dụng Rejection Fine-Tuning (RFT) để tự động thu thập, lọc và tinh chỉnh các quỹ đạo tương tác GUI, cho phép dữ liệu và mô hình cùng tiến hóa liên tục mà không cần chú thích thủ công. Giai đoạn 2 giới thiệu Group Relative Self-Distillation (GRSD), giải quyết vấn đề gán tín hiệu bằng cách xác định các "điểm rẽ nhánh" (fork points) quan trọng trong các lần chạy nhóm (group rollouts). GRSD xây dựng tín hiệu giám sát dày đặc ở cấp độ bước từ các quỹ đạo thành công để sửa chữa các quỹ đạo thất bại, sử dụng chỉ số tương đồng cấu trúc (SSIM) để so khớp trạng thái màn hình và phát hiện điểm phân kỳ hành động.

III. Main Results:​

Trên bộ tiêu chuẩn AndroidWorld, mô hình UI-Voyager 4B đạt tỷ lệ thành công Pass@1 là 81.0%, vượt trội so với tất cả các phương pháp cơ sở hiện có và vượt qua hiệu suất cấp độ con người (80.0%). RFT đã cải thiện đáng kể điểm Pass@1 từ 37% lên 73% sau ba vòng lặp. GRSD cũng cho thấy sự cải thiện đáng kể, nâng tỷ lệ thành công lên 81% so với GRPO và PPO chỉ đạt 76%, chứng minh hiệu quả của nó trong việc giải quyết vấn đề gán tín hiệu.

IV. Conclusion & Future Works:​

UI-Voyager đại diện cho một bước tiến quan trọng hướng tới tự động hóa GUI di động hiệu quả, tự tiến hóa và hiệu suất cao mà không cần chú thích dữ liệu thủ công tốn kém. Phương pháp này giảm nhẹ hiệu quả vấn đề học tập không hiệu quả và vấn đề gán tín hiệu, mở đường cho các tác nhân GUI mạnh mẽ hơn trong tương lai.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu mở rộng Group Relative Self-Distillation (GRSD) cho các môi trường tương tác chỉ dựa trên văn bản hoặc đa phương thức phức tạp, nơi việc phát hiện điểm rẽ nhánh có thể được điều chỉnh bằng các biện pháp tương đồng ngữ nghĩa thay vì thị giác.
  2. Khám phá các chiến lược lấy mẫu từ chối nâng cao và cơ chế phản hồi tự giám sát trong Rejection Fine-Tuning (RFT) để tối ưu hóa hơn nữa chất lượng dữ liệu và tăng tốc quá trình tự tiến hóa của tác nhân GUI.
  3. Phát triển các phương pháp chọn "giáo viên" động và chưng cất đa giáo viên cho GRSD, cho phép tác nhân học hỏi từ nhiều quỹ đạo thành công với các chiến lược khác nhau, nhằm nâng cao khả năng thích ứng và mạnh mẽ trong các tác vụ dài hạn.

2. Patent:​

  1. Hệ thống hỗ trợ thao tác di động tự sửa lỗi: Một ứng dụng điện thoại thông minh có khả năng quan sát các thao tác của người dùng và nhận diện khi người dùng thực hiện sai một bước trong một chuỗi hành động phức tạp (ví dụ: đặt lịch hẹn, mua hàng). Khi phát hiện lỗi, hệ thống sẽ đề xuất ngay lập tức hành động đúng dựa trên các chuỗi thao tác thành công đã học được, giúp người dùng hoàn thành tác vụ mà không cần bắt đầu lại từ đầu.
  2. Công cụ tự động hóa giao diện người dùng cá nhân hóa: Một phần mềm trên điện thoại di động tự động ghi nhận các thao tác thành công của người dùng trên các ứng dụng khác nhau. Dựa trên dữ liệu này, nó tự động tạo ra các kịch bản tự động hóa cho các tác vụ lặp đi lặp lại của người dùng, liên tục cải thiện độ chính xác khi người dùng sử dụng điện thoại, mà không cần người dùng phải thiết lập thủ công.
  3. Hệ thống chẩn đoán và khắc phục sự cố ứng dụng thông minh: Một tính năng trong hệ điều hành di động có khả năng phân tích màn hình hiện tại của ứng dụng khi gặp sự cố (đơ, lỗi). Bằng cách so sánh hình ảnh màn hình với một cơ sở dữ liệu các trạng thái ứng dụng đã biết (thành công hoặc lỗi), hệ thống có thể xác định điểm khác biệt và đề xuất các bước khắc phục cụ thể hoặc tự động thực hiện hành động để đưa ứng dụng về trạng thái hoạt động bình thường.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2603.24533
ArXiv Abstracthttps://arxiv.org/abs/2603.24533
PDF Downloadhttps://arxiv.org/pdf/2603.24533.pdf
Github RepositoryN/A

4. T-MAP: Red-Teaming LLM Agents with Trajectory-aware Evolutionary Search (31 votes)​

Tác giả: Hyomin Lee, Sangwoo Park, Yumin Choi, Sohyun An, Seanie Lee, Sung Ju Hwang

Xuất bản lúc: 2026-03-21

Tag: LLMs, AI Safety, Red Teaming, Adversarial Attacks, Evolutionary Algorithms, LLM Agents, Tool Use

I. Main Problem:​

Các nỗ lực red-teaming trước đây chủ yếu tập trung vào việc tạo ra các đầu ra văn bản độc hại từ các mô hình ngôn ngữ lớn (LLMs), nhưng chúng thất bại trong việc phát hiện các lỗ hổng cụ thể của tác nhân (agent-specific vulnerabilities) phát sinh thông qua việc thực thi công cụ nhiều bước. Sự chuyển đổi từ tạo văn bản sang các tác nhân tương tác với môi trường thực tế (như qua Model Context Protocol - MCP) tạo ra các rủi ro an toàn khác biệt, nơi thao túng đối kháng có thể dẫn đến các hành động gây hại thực tế như mất mát tài chính, rò rỉ dữ liệu hoặc vi phạm đạo đức. Các phương pháp hiện có bỏ qua tương tác phức tạp giữa các công cụ, việc khám phá các kết hợp công cụ nguy hiểm, hoặc thực thi chiến lược cần thiết để đạt được mục tiêu độc hại.

II. Main Idea:​

Chúng tôi đề xuất T-MAP, một phương pháp tìm kiếm tiến hóa nhận biết quỹ đạo (trajectory-aware evolutionary search) để red-team các tác nhân LLM. T-MAP tận dụng các quỹ đạo thực thi để hướng dẫn việc khám phá các lời nhắc đối kháng (adversarial prompts). Cách tiếp cận này tự động tạo ra các cuộc tấn công không chỉ vượt qua các rào cản an toàn mà còn đáng tin cậy thực hiện các mục tiêu độc hại thông qua tương tác công cụ thực tế. T-MAP duy trì một kho lưu trữ đa chiều bao gồm các danh mục rủi ro và kiểu tấn công khác nhau. Phương pháp này tích hợp phản hồi từ các quỹ đạo thực thi thông qua một chu trình lặp lại bốn bước:

  1. Chẩn đoán chéo (Cross-Diagnosis): LLMAnalyst trích xuất các yếu tố thành công từ quỹ đạo cha và xác định nguyên nhân thất bại trong quỹ đạo mục tiêu để tinh chỉnh lời nhắc.
  2. Đột biến lời nhắc mục tiêu (Mutate Target Prompt): LLMMutator tạo ra lời nhắc mới bằng cách sử dụng các chẩn đoán này và một Đồ thị Gọi Công cụ (Tool Call Graph - TCG) đã học.
  3. Cập nhật đồ thị trực tuyến (Online Graph Update): LLMTCG trích xuất các kết quả cấp cạnh từ quỹ đạo thực thi để cập nhật bộ nhớ của TCG về các chuyển đổi giữa các công cụ.
  4. Đánh giá bởi LLMJudge: LLMJudge đánh giá toàn bộ quỹ đạo để cập nhật kho lưu trữ với các cuộc tấn công thành công.

III. Main Results:​

T-MAP vượt trội đáng kể so với các phương pháp cơ sở trong tỷ lệ thực hiện tấn công (ARR) trên năm môi trường MCP đa dạng (CodeExecutor, Slack, Gmail, Playwright, Filesystem), đạt ARR trung bình 57.8%. Phương pháp này cũng hiệu quả chống lại các mô hình tiên tiến như GPT-5.2, Gemini-3-Pro, Qwen3.5 và GLM-5. T-MAP khám phá số lượng quỹ đạo công cụ thành công khác biệt lớn hơn, đồng thời duy trì sự đa dạng về ngữ nghĩa và từ vựng cao. Nghiên cứu cắt bỏ (ablation study) xác nhận rằng cả Cross-Diagnosis và TCG đều đóng vai trò thiết yếu: TCG giúp điều hướng không gian hành động tới các mức độ thành công cao hơn, trong khi Cross-Diagnosis tăng cường khả năng vượt qua các rào cản an toàn của mô hình. T-MAP cũng tổng quát hóa hiệu quả trong các môi trường chuỗi Multi-MCP phức tạp, đạt tỷ lệ quỹ đạo liên server độc đáo cao hơn đáng kể (46.28%) so với các phương pháp cơ sở (14–23%).

IV. Conclusion & Future Works:​

T-MAP là một khuôn khổ MAP-Elites nhận biết quỹ đạo để red-team các tác nhân LLM, sử dụng chẩn đoán chéo và Đồ thị Gọi Công cụ (TCG) để hướng dẫn đột biến, tạo ra các lời nhắc tấn công kích hoạt các chuỗi công cụ có thể thực thi và hiệu quả. Kết quả cho thấy sự tiến hóa nhận biết quỹ đạo là cần thiết để khám phá các lỗ hổng tiềm ẩn trong các tác nhân tự trị, một bước quan trọng hướng tới việc triển khai an toàn và bảo mật trong các ứng dụng tác nhân thực tế. Hạn chế: Các thí nghiệm được thực hiện trong môi trường sandbox, trong khi các triển khai thực tế có thể có các biện pháp bảo vệ bổ sung (kiểm tra quyền, xác nhận người dùng, xác thực đầu vào, sandboxing thực thi). Khung công tác dựa vào DeepSeek-V3.2 làm mô hình tấn công, và hiệu quả có thể thay đổi khi các mô hình LLM có khả năng căn chỉnh an toàn tốt hơn. Đạo đức: Công trình này nhằm mục đích chủ động xác định và giảm thiểu các lỗ hổng tiềm ẩn để cải thiện sự an toàn và đáng tin cậy của các tác nhân LLM tự trị, với tất cả các thí nghiệm được tiến hành trong môi trường sandbox và không ảnh hưởng đến người dùng thực hoặc hệ thống bên ngoài.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về khả năng chống chịu của T-MAP đối với các mô hình tác nhân LLM được căn chỉnh an toàn mạnh mẽ hơn hoặc có các cơ chế phòng thủ tiên tiến, bao gồm việc tích hợp các chiến lược phòng thủ vào quá trình tìm kiếm tiến hóa.
  2. Mở rộng T-MAP để khám phá các lỗ hổng trong các hệ thống đa tác nhân phức tạp hơn, các tình huống hợp tác giữa người và tác nhân, hoặc các môi trường tương tác mở rộng với nhiều loại công cụ và giao thức hơn.
  3. Phát triển các cơ chế phòng thủ tự động cho các tác nhân LLM dựa trên những hiểu biết thu được từ quá trình khám phá lỗ hổng của T-MAP, tập trung vào việc xây dựng các bộ lọc quỹ đạo hoặc cơ chế kiểm soát công cụ thông minh.

2. Patent:​

  1. Hệ thống kiểm tra an toàn ứng dụng di động tự động: Một công nghệ trên điện thoại di động sử dụng nguyên tắc của T-MAP để tự động tạo và thực thi các kịch bản tấn công giả lập trong môi trường sandbox ảo của điện thoại. Mục tiêu là phát hiện các chuỗi hành động độc hại tiềm ẩn mà một ứng dụng có thể thực hiện thông qua các quyền được cấp (ví dụ: gửi email, truy cập ảnh, thực hiện thanh toán) trước khi người dùng cấp quyền hoặc khi cài đặt ứng dụng mới, từ đó cảnh báo người dùng về các rủi ro cụ thể.
  2. Trợ lý ảo an toàn tự học với khả năng phản ứng theo ngữ cảnh: Một tính năng trợ lý ảo trên điện thoại thông minh tích hợp một cơ chế tự 'red-team' nội bộ. Trợ lý này liên tục tạo ra các kịch bản tương tác công cụ (ví dụ: đặt lịch, gửi tin nhắn, tìm kiếm web) và sử dụng các quỹ đạo thực thi để học cách xác định và từ chối các yêu cầu có khả năng gây hại hoặc cảnh báo người dùng về các hành động rủi ro cao, cải thiện khả năng phòng vệ theo thời gian mà không cần cập nhật hệ thống định kỳ.
  3. Công cụ phân tích và cảnh báo hành vi ứng dụng đa bước: Một dịch vụ bảo mật trên điện thoại di động sử dụng một đồ thị quan hệ công cụ (tương tự TCG) để theo dõi và phân tích các chuỗi hành động của các ứng dụng. Nó phát hiện các chuỗi hành động bất thường hoặc có nguy cơ cao liên quan đến việc gọi nhiều công cụ hoặc tương tác giữa nhiều ứng dụng (ví dụ: một ứng dụng độc hại cố gắng truy cập danh bạ, sau đó mở một liên kết độc hại trong trình duyệt và tải xuống một tệp), sau đó đưa ra cảnh báo chi tiết cho người dùng hoặc tự động ngăn chặn hành vi đó.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2603.22341
ArXiv Abstracthttps://arxiv.org/abs/2603.22341
PDF Downloadhttps://arxiv.org/pdf/2603.22341.pdf
Github Repositoryhttps://github.com/pwnhyo/T-MAP

5. Why Does Self-Distillation (Sometimes) Degrade the Reasoning Capability of LLMs? (27 votes)​

Tác giả: Jeonghye Kim, Xufang Luo, Minbeom Kim, Sangmook Lee, Dohyung Kim, Jiwon Jeon, Dongsheng Li, Yuqing Yang

Xuất bản lúc: 2026-03-25

Tag: LLMs, Self-Distillation, Reasoning, Epistemic Verbalization, OOD Generalization, Math Reasoning, Post-training

I. Main Problem:​

Tự chưng cất (Self-Distillation), một phương pháp hậu huấn luyện hiệu quả cho LLMs, có thể làm giảm hiệu suất suy luận trong các tác vụ toán học, mặc dù nó thường cải thiện hiệu suất và rút ngắn các chuỗi suy luận trong các lĩnh vực khác. Vấn đề cốt lõi là sự suy giảm này xảy ra ngay cả khi mô hình được huấn luyện để hướng tới câu trả lời đúng.

II. Main Idea:​

Các tác giả phát hiện rằng sự suy giảm hiệu suất của tự chưng cất trong suy luận toán học là do việc ngăn chặn biểu đạt tri thức (epistemic verbalization) – khả năng mô hình thể hiện sự không chắc chắn trong quá trình suy luận. Thông qua các thí nghiệm có kiểm soát, các yếu giả định được xác định là độ phong phú của ngữ cảnh điều kiện (conditioning context richness) được cung cấp cho mô hình giáo viên và phạm vi tác vụ (task coverage). Khi mô hình giáo viên được cung cấp thông tin phong phú (ví dụ: lời giải đúng), nó tạo ra các quỹ đạo suy luận tự tin hơn với ít biểu hiện không chắc chắn, khiến mô hình học sinh bắt chước phong cách này và giả định thông tin không có sẵn tại thời điểm suy luận. Việc nén thông tin này giúp tối ưu hóa nhanh chóng trong miền dữ liệu huấn luyện khi phạm vi tác vụ hạn chế. Tuy nhiên, khi phạm vi tác vụ rộng, việc loại bỏ biểu đạt tri thức có thể cản trở khả năng tối ưu hóa trên các tác vụ đa dạng, làm giảm hiệu suất trên các vấn đề khó hơn hoặc chưa từng thấy (ngoài phân phối - OOD). Các tác giả lập luận rằng việc biểu đạt sự không chắc chắn là tín hiệu quan trọng giúp mô hình duy trì các giả thuyết thay thế và điều chỉnh suy luận, đặc biệt cần thiết cho khả năng khái quát hóa mạnh mẽ.

III. Main Results:​

Trong suy luận toán học, tự chưng cất (SDPO) làm giảm đáng kể độ dài phản hồi nhưng lại làm giảm hiệu suất, trái ngược với các lĩnh vực như Hóa học nơi nó cải thiện hiệu suất. Khi ngữ cảnh điều kiện trở nên giàu thông tin hơn, LLM tạo ra các câu trả lời tự tin hơn với ít biểu hiện không chắc chắn về tri thức (epistemic verbalization) hơn (giảm tới 95% số lượng token biểu đạt tri thức khi được hướng dẫn đầy đủ). Huấn luyện trên các quỹ đạo đúng nhưng ít biểu đạt tri thức (solution-guided) dẫn đến suy giảm hiệu suất đáng kể trên tất cả các điểm chuẩn toán học (ví dụ: AIME24 giảm từ 54.79% xuống 20.21% cho DeepSeek-R1-Distill-Qwen-7B). Trong tự chưng cất theo chính sách (on-policy self-distillation), SDPO với ngữ cảnh giàu thông tin làm giảm hiệu suất OOD lên tới 40% (trên AIME24) và 15% (trên AMC23) cho DeepSeek-R1-Distill-Qwen-7B, và cũng giảm cho Qwen3-8B. GRPO (baseline) cho thấy hiệu suất ổn định hoặc tăng nhẹ. Mô hình giáo viên cố định (EMA rate 0.0) cho hiệu suất tốt hơn so với mô hình giáo viên di chuyển (EMA rate 0.05), vì mô hình giáo viên di chuyển khuếch đại sự ngăn chặn biểu đạt tri thức qua các vòng lặp phản hồi. Giá trị của biểu đạt tri thức tỷ lệ thuận với yêu cầu khái quát hóa: thừa thãi cho các tác vụ quen thuộc, lặp lại (phạm vi tác vụ nhỏ) nhưng ngày càng quan trọng khi sự đa dạng của tác vụ tăng lên.

IV. Conclusion & Future Works:​

Nghiên cứu này cung cấp một cái nhìn dựa trên lý thuyết thông tin về tự chưng cất, cho thấy hiệu quả của nó phụ thuộc vào cách thông tin được cung cấp và cách mô hình kết hợp sự không chắc chắn vào quá trình suy luận. Tự chưng cất định hình lại hành vi suy luận của mô hình bằng cách khuyến khích nó tạo ra các câu trả lời tự tin hơn. Mặc dù hiệu ứng này cho phép suy luận gọn gàng hơn và có thể nhanh chóng cải thiện hiệu suất trong miền dữ liệu khi phạm vi tác vụ hạn chế, nó trở nên kém hiệu quả hơn khi phạm vi tác vụ rộng và thậm chí có thể gây hại cho hiệu suất ngoài phân phối (OOD). Các tác giả hy vọng phân tích này sẽ đóng góp vào sự hiểu biết sâu sắc hơn về tự chưng cất và các phương pháp hậu huấn luyện LLM khác, đồng thời cung cấp những hiểu biết sâu sắc để phát triển các chiến lược huấn luyện mạnh mẽ hơn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu cơ chế "Epistemic Verbalization" trong các mô hình đa phương thức: Khám phá cách các LLM đa phương thức (ví dụ: Vision-Language Models) thể hiện sự không chắc chắn khi xử lý các tác vụ kết hợp hình ảnh và văn bản. Phân tích liệu việc ngăn chặn biểu đạt tri thức có ảnh hưởng tương tự đến khả năng suy luận đa phương thức, đặc biệt trong các kịch bản OOD, và đề xuất các phương pháp để duy trì các tín hiệu không chắc chắn cần thiết.
  2. Phát triển phương pháp hậu huấn luyện có nhận thức về sự không chắc chắn: Thiết kế các thuật toán hậu huấn luyện mới cho LLMs không chỉ tối ưu hóa độ chính xác của câu trả lời mà còn chủ động khuyến khích và bảo toàn "epistemic verbalization" hoặc các cơ chế nhận thức sự không chắc chắn khác. Nghiên cứu các chức năng tổn thất (loss functions) hoặc tín hiệu phần thưởng (reward signals) có thể cân bằng giữa tính súc tích và khả năng khái quát hóa mạnh mẽ.
  3. Đánh giá định lượng tác động của "Task Coverage" lên khả năng khái quát hóa OOD: Xây dựng một khung đánh giá mới để đo lường định lượng "task coverage" và tác động của nó đến khả năng khái quát hóa OOD của LLMs. Phát triển các bộ dữ liệu mới được thiết kế đặc biệt để kiểm tra các mức độ đa dạng tác vụ khác nhau và cung cấp tiêu chuẩn rõ ràng hơn để so sánh các phương pháp huấn luyện.

2. Patent:​

  1. Hệ thống trợ lý AI di động với khả năng "tự hỏi" để cải thiện độ tin cậy: Một tính năng trên điện thoại di động hoặc thiết bị thông minh cho phép trợ lý AI (ví dụ: chatbot, công cụ tìm kiếm) chủ động thể hiện sự không chắc chắn hoặc yêu cầu thêm thông tin khi đối mặt với các câu hỏi phức tạp hoặc ngoài miền dữ liệu của nó. Điều này giúp người dùng nhận thức được giới hạn của AI và cung cấp ngữ cảnh bổ sung, cải thiện trải nghiệm và độ tin cậy tổng thể, thay vì nhận một câu trả lời sai đầy tự tin.
  2. Công cụ gỡ lỗi suy luận tự động cho nhà phát triển ứng dụng di động: Một công cụ tích hợp vào môi trường phát triển ứng dụng di động (ví dụ: IDE) giúp phân tích và gỡ lỗi các mô hình AI tích hợp. Công cụ này sẽ theo dõi "epistemic verbalization" của mô hình trong quá trình suy luận để xác định các điểm mà mô hình không chắc chắn hoặc có khả năng mắc lỗi, cho phép nhà phát triển tinh chỉnh mô hình để cải thiện độ chính xác và khả năng khái quát hóa trước khi triển khai.
  3. Chế độ "Suy luận Cẩn trọng" cho ứng dụng giáo dục/học tập trên điện thoại: Một tính năng trong các ứng dụng học tập hoặc giải toán trên điện thoại, nơi LLM đưa ra lời giải thích từng bước. Khi chế độ này được bật, mô hình sẽ chủ động chèn các biểu hiện không chắc chắn (ví dụ: "Hmm, hãy kiểm tra lại bước này", "Có lẽ có một cách tiếp cận khác") tại các điểm suy luận quan trọng hoặc phức tạp. Điều này giúp người học hiểu rõ hơn quá trình suy luận, nhận biết các điểm tiềm ẩn khó khăn và khuyến khích tư duy phản biện.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2603.24472
ArXiv Abstracthttps://arxiv.org/abs/2603.24472
PDF Downloadhttps://arxiv.org/pdf/2603.24472.pdf
Github Repositoryhttps://github.com/beanie00/self-distillation-analysis

6. GameplayQA: A Benchmarking Framework for Decision-Dense POV-Synced Multi-Video Understanding of 3D Virtual Agents (16 votes)​

Tác giả: Yunzhe Wang, Runhui Xu, Kexin Zheng, Tianyi Zhang, Jayavibhav Niranjan Kogundi, Soham Hans, Volkan Ustun

Xuất bản lúc: 2026-03-25

Tag: MLLMs, Embodied AI, Agentic Perception, Video Understanding, Benchmarking, Multi-agent systems, Temporal Reasoning, Cross-video understanding, Hallucination

I. Main Problem:​

Các MLLM đang được triển khai làm xương sống nhận thức cho các tác nhân tự trị trong môi trường 3D (ví dụ: robot, thế giới ảo). Các ứng dụng này đòi hỏi tác nhân phải:

  • Nhận biết sự thay đổi trạng thái nhanh chóng.
  • Gán hành động cho đúng thực thể.
  • Suy luận về các hành vi đồng thời của nhiều tác nhân từ góc nhìn thứ nhất (POV). Tuy nhiên, các bộ benchmark hiện có không đánh giá đầy đủ các khả năng này vì chúng:
  • Thiếu sự hiện thân (embodiment) và khả năng tác động (agency), thường chỉ là quan sát thụ động, tốc độ chậm, thiếu các chuyển đổi trạng thái tần số cao và vòng lặp ra quyết định dày đặc.
  • Không thể chẩn đoán ảo giác (hallucination), chỉ cung cấp các chỉ số hiệu suất toàn cầu mà thiếu chú thích chi tiết để xác định nguyên nhân lỗi (ví dụ: sai lệch thời gian, tạo đối tượng, nhầm lẫn vai trò).
  • Thiếu khả năng hiểu nhiều video (multi-video understanding), chủ yếu tập trung vào nhận thức từ một góc nhìn duy nhất.

II. Main Idea:​

Giới thiệu GAMEPLAYQA, một khuôn khổ benchmark toàn diện để đánh giá nhận thức và suy luận lấy tác nhân làm trung tâm thông qua hiểu video.

  • Chú thích dày đặc: Chú thích dày đặc các video gameplay 3D nhiều người chơi ở mức 1.22 nhãn/giây, với các chú thích đồng bộ thời gian, đồng thời về trạng thái, hành động và sự kiện.
  • Hệ thống ba bên: Cấu trúc chú thích dựa trên hệ thống ba bên "Bản thân (Self)", "Các tác nhân khác (Other Agents)" và "Thế giới (World)" – một cách phân tách tự nhiên cho môi trường đa tác nhân.
  • Câu hỏi chẩn đoán: Tạo ra 2.4K cặp câu hỏi-trả lời (QA) chẩn đoán được tổ chức thành ba cấp độ phức tạp nhận thức (nhận thức cơ bản, suy luận thời gian, hiểu đa video).
  • Phân loại nhiễu (distractor taxonomy) có cấu trúc: Đi kèm với phân loại nhiễu có cấu trúc cho phép phân tích chi tiết nơi các mô hình bị ảo giác. Các nhiễu được phân loại thành lexical, scene, temporal, role, và cross-video.
  • Quy trình end-to-end: Không chỉ là một bộ dữ liệu tĩnh, GAMEPLAYQA là một quy trình hoàn chỉnh bao gồm các giao thức chú thích có cấu trúc, tạo câu hỏi tự động và phân tích lỗi có thể chẩn đoán.
  • Tạo câu hỏi dựa trên template: Sử dụng thuật toán dựa trên template tổ hợp để tạo ra các cặp QA.
  • Đảm bảo chất lượng: Bao gồm lọc theo ngôn ngữ (language prior filtering) và đánh giá của con người.

III. Main Results:​

  • Khoảng cách hiệu suất lớn: Đánh giá các MLLM tiên tiến cho thấy khoảng cách đáng kể so với hiệu suất của con người (con người đạt 80.5%, MLLM tốt nhất là Gemini 2.5 Pro đạt 71.3%).
  • Lỗi phổ biến: Các MLLM thường gặp lỗi trong việc định vị theo thời gian (temporal grounding) và định vị chéo video (cross-video grounding), gán vai trò tác nhân (agent-role attribution) và xử lý mật độ quyết định cao của trò chơi.
  • Suy giảm theo cấp độ nhận thức: Độ chính xác giảm dần qua các cấp độ nhận thức: Cấp độ 1 (Nhận thức đơn lẻ) đạt 61.2%, Cấp độ 2 (Suy luận thời gian) đạt 56.0%, và Cấp độ 3 (Hiểu đa video) đạt 49.4%.
  • Nhiệm vụ khó nhất: "Đếm số lần xảy ra" (Occurrence Count) với 36.5% và "Sắp xếp theo thứ tự chéo video" (Cross-Video Ordering) với 38.8% là những nhiệm vụ khó nhất.
  • Nguồn lỗi: Các mô hình chủ yếu bị nhầm lẫn bởi các nhiễu chéo video và nhiễu thời gian, cho thấy chúng xử lý đầu vào hình ảnh tĩnh tốt hơn là suy luận thời gian và chéo video.
  • Tốc độ trò chơi và độ phức tạp: Tốc độ trò chơi nhanh (ví dụ: game bắn súng cạnh tranh) và độ dài video, số lượng video đồng bộ cao hơn đều làm tăng tỷ lệ lỗi.
  • Nghiên cứu cắt bỏ (Ablation study): Xác nhận rằng GAMEPLAYQA đòi hỏi khả năng định vị hình ảnh thực sự và thứ tự thời gian là rất quan trọng cho các nhiệm vụ suy luận.
  • Khả năng khái quát hóa đa miền: Khung framework có thể khái quát hóa sang các miền thực tế (lái xe tự hành, cộng tác giữa người với người) với điều chỉnh tối thiểu, giữ nguyên thứ tự khó khăn và xếp hạng mô hình.

IV. Conclusion & Future Works:​

GAMEPLAYQA là một khuôn khổ benchmark toàn diện giúp đánh giá nhận thức tác nhân trong môi trường 3D dày đặc quyết định. Nó làm nổi bật những điểm yếu của MLLM hiện tại trong việc gán thuộc tính cho tác nhân khác, định vị thời gian và xử lý các kịch bản dày đặc quyết định. Khung framework có thể khái quát hóa sang các miền thực tế.

Hướng nghiên cứu tương lai:

  • Suy luận quyết định: Mở rộng khuôn khổ để bao gồm các câu hỏi suy luận quyết định ("Hành động tốt nhất nên thực hiện lúc này là gì?"), đòi hỏi ước tính phần thưởng và học cấu trúc phần thưởng ngầm cũng như động lực thế giới từ video thô. Đây vẫn là một thách thức nghiên cứu mở.
  • Cải thiện nhận dạng ý định: Giải quyết tính chủ quan của việc nhận dạng ý định, có thể dẫn đến nhiều câu trả lời hợp lý. Mặc dù nó cung cấp tín hiệu chẩn đoán quan trọng, cần giảm sự mơ hồ.
  • Tự động hóa chú thích: Phát triển các phương pháp tự động hoặc bán tự động để giảm chi phí và lỗi chú thích, vì quá trình chú thích dày đặc hiện tại rất tốn công sức và dễ mắc lỗi. Một lỗi chú thích có thể lan truyền qua nhiều câu hỏi.

V. Brainstorming Space:​

1. Publish Papers:​

  1. "Phát triển Khung Đánh giá Suy luận Quyết định cho Tác nhân Hiện thân trong Môi trường 3D Động": Nghiên cứu mở rộng GAMEPLAYQA để bao gồm các nhiệm vụ suy luận quyết định phức tạp, nơi mô hình không chỉ nhận thức mà còn phải đề xuất hành động tối ưu, ước tính phần thưởng và học động lực thế giới ngầm từ dữ liệu video thô.
  2. "Cải thiện Độ Tin cậy của Nhận dạng Ý định trong Hệ thống Đa Tác nhân bằng MLLM": Tập trung vào việc phát triển các phương pháp và mô hình MLLM mới để giải quyết tính chủ quan và mơ hồ trong việc nhận dạng ý định của các tác nhân khác, có thể thông qua việc tích hợp suy luận nhân quả hoặc học tăng cường ngược (inverse reinforcement learning).
  3. "Phương pháp Chú thích Dày đặc Video Tự động/Bán tự động cho Benchmark Hiểu Video": Đề xuất các kỹ thuật tiên tiến sử dụng AI để tự động hóa hoặc hỗ trợ quá trình chú thích dày đặc trên nhiều track và góc nhìn, nhằm giảm chi phí nhân công, tăng tốc độ và giảm thiểu lỗi lan truyền trong việc tạo ra các bộ dữ liệu benchmark phức tạp như GAMEPLAYQA.

2. Patent:​

  1. "Hệ thống Hỗ trợ Chơi Game Di động Thông minh dựa trên AI đa góc nhìn": Một ứng dụng di động phân tích video gameplay theo thời gian thực (từ góc nhìn của người dùng và có thể đồng bộ với góc nhìn của đồng đội) để cung cấp gợi ý chiến thuật, cảnh báo vị trí kẻ thù, hoặc đề xuất hành động tối ưu trong các trò chơi nhiều người chơi. Hệ thống này sẽ sử dụng khả năng nhận diện thay đổi trạng thái nhanh chóng và suy luận đa tác nhân để đưa ra phản hồi tức thì, nâng cao trải nghiệm chơi game.
  2. "Ứng dụng Dashcam Thông minh với Khả năng Tái tạo Sự kiện Đa Góc nhìn": Một ứng dụng di động tích hợp với camera hành trình (và có thể các camera điện thoại khác được đồng bộ) để ghi lại các sự kiện giao thông. Ứng dụng sử dụng khả năng "Hiểu chéo video" và "Suy luận thời gian" để tái tạo chi tiết các sự cố giao thông, xác định hành động quan trọng của "Bản thân" (người lái), "Người khác" (các phương tiện/người đi bộ khác) và "Thế giới" (tín hiệu giao thông, điều kiện đường xá) nhằm hỗ trợ yêu cầu bảo hiểm hoặc phân tích tai nạn.
  3. "Huấn luyện viên Thể hình Cá nhân AI trên Điện thoại với Phân tích Hoạt động Đa Góc nhìn": Một ứng dụng di động sử dụng camera của điện thoại (và có thể đồng bộ với các thiết bị khác như đồng hồ thông minh hoặc camera phụ) để phân tích các bài tập thể dục của người dùng. Ứng dụng theo dõi "Hành động của Bản thân" (chuyển động của người dùng), "Trạng thái của Bản thân" (dáng tập, dấu hiệu mệt mỏi) và "Đối tượng Thế giới" (thiết bị tập luyện), cung cấp phản hồi theo thời gian thực về việc sửa dáng, đếm số lần lặp lại và theo dõi tiến độ, đặc biệt hữu ích cho các hoạt động tốc độ cao.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2603.24329
ArXiv Abstracthttps://arxiv.org/abs/2603.24329
PDF Downloadhttps://arxiv.org/pdf/2603.24329.pdf
Github RepositoryN/A

7. Understanding the Challenges in Iterative Generative Optimization with LLMs (15 votes)​

Tác giả: Allen Nie, Xavier Daull, Zhiyi Kuang, Abhinav Akkiraju, Anish Chaudhuri, Max Piasevoli, Ryan Rong, YuCheng Yuan, Prerit Choudhary, Shannon Xiao, Rasool Fakoor, Adith Swaminathan, Ching-An Cheng

Xuất bản lúc: 2026-03-25

Tag: LLMs, Generative Optimization, Learning Loop, Reinforcement Learning, Prompt Engineering, Agents

I. Main Problem:​

Mặc dù tối ưu hóa sinh tạo (generative optimization) với các mô hình ngôn ngữ lớn (LLMs) là một hướng tiếp cận đầy hứa hẹn để xây dựng các tác nhân tự cải thiện, nhưng trên thực tế, nó vẫn còn rất mong manh và chưa được áp dụng rộng rãi. Chỉ 9% các tác nhân được khảo sát sử dụng bất kỳ hình thức tối ưu hóa tự động nào. Vấn đề này phát sinh do các kỹ sư phải đưa ra những lựa chọn thiết kế "ẩn" khi thiết lập vòng lặp học tập (learning loop), bao gồm: tác nhân tối ưu hóa có thể chỉnh sửa những gì, và bằng chứng học tập nào là "đúng" để cung cấp cho mỗi lần cập nhật. Cụ thể, nghiên cứu này tập trung vào ba yếu tố chính: tạo tác khởi đầu (starting artifact), chân trời tín dụng (credit horizon) cho các dấu vết thực thi, và cách gom nhóm (batching) các thử nghiệm và lỗi thành bằng chứng học tập.

II. Main Idea:​

Nghiên cứu này điều tra một cách có hệ thống ba yếu tố thiết kế quan trọng và thường bị bỏ qua trong tối ưu hóa sinh tạo dựa trên LLM: tạo tác khởi đầu, chân trời tín dụng, và gom nhóm trải nghiệm. Thông qua các nghiên cứu điển hình trên MLAgentBench, Atari và BigBench Extra Hard, các tác giả chứng minh rằng những quyết định thiết kế này có thể quyết định sự thành công hay thất bại của quá trình tối ưu hóa. Họ lập luận rằng các thách thức này tương tự như các khái niệm đã được nghiên cứu kỹ lưỡng trong học máy truyền thống (ví dụ: khởi tạo mạng nơ-ron, chân trời trong học tăng cường, kích thước batch trong SGD) và có thể được nghiên cứu một cách có hệ thống thay vì coi là các giải pháp kỹ thuật ad-hoc. Mục tiêu là cung cấp hướng dẫn thực tế để đưa ra các lựa chọn này.

III. Main Results:​

  • Tạo tác khởi đầu (Starting Artifact): Các hệ thống khởi tạo khác nhau (ví dụ: kiến trúc một hàm so với nhiều hàm) dẫn đến chất lượng mô hình ML được học khác nhau đáng kể, cả về hiệu suất trung bình và tốt nhất. Ví dụ, trên Spaceship Titanic, kiến trúc nhiều hàm vượt trội hơn đáng kể, trong khi trên Housing Price thì kiến trúc một hàm lại cho kết quả tốt hơn, cho thấy không có một giải pháp khởi tạo nào tối ưu cho mọi tác vụ.
  • Chân trời tín dụng (Credit Horizon): Chân trời tín dụng tối ưu phụ thuộc vào tác vụ. Tối ưu hóa đa bước (sử dụng dấu vết thực thi đầy đủ) vượt trội hơn tối ưu hóa một bước (sử dụng phần thưởng tức thì) trong 4/8 trò chơi Atari, trong khi tối ưu hóa một bước lại tốt hơn ở 4 trò chơi còn lại. Điều này cho thấy rằng chân trời tín dụng là một lựa chọn thiết kế cần được điều chỉnh cho từng tác vụ cụ thể. Ngoài ra, tối ưu hóa sinh tạo đạt được điểm số cạnh tranh với thời gian thực thi ít hơn đáng kể so với các phương pháp Deep RL truyền thống.
  • Gom nhóm trải nghiệm (Experience Batching): Kích thước batch tối ưu khác nhau tùy theo từng tác vụ và các batch lớn hơn không nhất thiết cải thiện khả năng tổng quát hóa. Kích thước batch 1, 3 hoặc 5 có thể là tối ưu tùy thuộc vào tác vụ cụ thể. Trong một số trường hợp (ví dụ: Boardgame QA), tối ưu hóa thậm chí còn làm giảm hiệu suất, cho thấy hiện tượng "meta-overfitting". Các batch lớn hơn thường giúp học nhanh hơn ban đầu nhưng có thể đạt đến điểm bão hòa sớm hơn.

IV. Conclusion & Future Works:​

Nghiên cứu này đã phân tích những khó khăn trong việc thiết lập vòng lặp học tập cho tối ưu hóa sinh tạo, xác định ba quyết định thiết kế quan trọng: tạo tác khởi đầu, chân trời tín dụng và gom nhóm trải nghiệm. Không có một công thức chung nào hiệu quả cho tất cả các tác vụ. Những lựa chọn này có những điểm tương đồng sâu sắc với các khái niệm đã được nghiên cứu trong học máy truyền thống. Các tác giả kỳ vọng rằng với các nghiên cứu sâu rộng, tối ưu hóa sinh tạo có thể sẽ tìm ra các "mặc định" mạnh mẽ, cho phép áp dụng rộng rãi. Cụ thể, trong tương lai, cần khám phá:

  • Các "tạo tác khởi đầu" cho tác nhân có thể tối ưu hóa rộng rãi trên nhiều tác vụ.
  • Các cách mạnh mẽ để cấu trúc "ngữ cảnh học tập" (những dấu vết nào cần bao gồm, cắt cụt và gom nhóm) có thể chuyển giao qua các thiết kế tác nhân và miền ứng dụng khác nhau.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu có hệ thống về các thiết kế tạo tác khởi đầu tối ưu hóa cho các nhiệm vụ tác nhân đa dạng, bao gồm việc khám phá các kiến trúc mô-đun hóa tự động dựa trên phân tích cấu trúc tác vụ.
  2. Phát triển các cơ chế chân trời tín dụng thích ứng và tự động điều chỉnh cho tối ưu hóa sinh tạo đa bước, đặc biệt trong các môi trường có phản hồi chậm hoặc phức tạp.
  3. Nghiên cứu các chiến lược gom nhóm trải nghiệm động và thông minh cho các vòng lặp học tập dựa trên LLM, nhằm cải thiện khả năng tổng quát hóa và tránh hiện tượng quá khớp (overfitting) trên dữ liệu huấn luyện nhỏ.

2. Patent:​

  1. Công cụ tối ưu hóa ứng dụng di động thích ứng: Một hệ thống trên điện thoại di động tự động điều chỉnh logic nội bộ của ứng dụng (ví dụ: luồng giao diện người dùng, chiến lược tìm nạp dữ liệu) dựa trên các mẫu tương tác của người dùng và phản hồi tức thì. Hệ thống này sẽ tự động quyết định lượng dữ liệu tương tác trong quá khứ (chân trời tín dụng) cần xem xét và tần suất cập nhật mô hình nội bộ (gom nhóm) để cá nhân hóa hành vi của ứng dụng, cải thiện trải nghiệm người dùng mà không cần lập trình viên điều chỉnh thủ công.
  2. Trình tinh chỉnh quy trình làm việc trợ lý ảo cá nhân hóa: Một tính năng trên điện thoại di động cho phép trợ lý ảo (ví dụ: Siri, Google Assistant) tự học và tối ưu hóa các quy trình làm việc đa bước của chính nó (ví dụ: "đặt cà phê và đặt lời nhắc"). Hệ thống sẽ tự động xác định trình tự hành động và lời nhắc hiệu quả nhất bằng cách thử các biến thể và quan sát sự thành công/thất bại, điều chỉnh "tạo tác khởi đầu" (quy trình làm việc ban đầu) và "chân trời tín dụng" (lượng lịch sử tương tác cần xem xét) để cải thiện khả năng hoàn thành tác vụ theo thời gian.
  3. Bộ cân bằng độ khó trò chơi di động tự động: Một hệ thống trong các trò chơi di động sử dụng tối ưu hóa sinh tạo để điều chỉnh động các thông số trò chơi (ví dụ: AI của kẻ thù, tỷ lệ rơi vật phẩm, độ phức tạp câu đố) nhằm duy trì mức độ hấp dẫn tối ưu cho người chơi. Nó sẽ xem xét hiệu suất của người chơi trên nhiều "chân trời tín dụng" khác nhau (ví dụ: vài nước đi gần nhất, cấp độ gần nhất, toàn bộ phiên chơi) và "gom nhóm" dữ liệu người chơi để liên tục tinh chỉnh đường cong độ khó của trò chơi, mang lại thử thách phù hợp liên tục cho từng người chơi.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2603.23994
ArXiv Abstracthttps://arxiv.org/abs/2603.23994
PDF Downloadhttps://arxiv.org/pdf/2603.23994.pdf
Github Repositoryhttps://github.com/ameliakuang/LLM-Game-Playing-Agents

8. When Models Judge Themselves: Unsupervised Self-Evolution for Multimodal Reasoning (14 votes)​

Tác giả: Zhengxian Wu, Kai Shi, Chuanrui Zhang, Zirui Liao, Jun Yang, Ni Yang, Qiuying Peng, Luyuan Zhang, Hangrui Xu, Tianhuang Su, Zhenyu Yang, Haonan Lu, Haoqian Wang

Xuất bản lúc: 2026-03-22

Tag: Multimodal Reasoning, Self-Evolution, Unsupervised Learning, LLMs, Reinforcement Learning, MLLMs, Policy Optimization

I. Main Problem:​

Hiệu suất suy luận của các mô hình ngôn ngữ lớn đa phương thức (MLLMs) phụ thuộc nhiều vào dữ liệu chú thích chất lượng cao hoặc chưng cất mô hình giáo viên, cả hai đều tốn kém và khó mở rộng. Các phương pháp tự tiến hóa hiện có thường dựa vào "bỏ phiếu đa số" (majority voting), điều này có thể khuếch đại các thành kiến có hệ thống, ngăn chặn sự khám phá hiệu quả và dẫn đến sự sụp đổ nhanh chóng của phân phối đầu ra sang các chế độ chiếm ưu thế sớm, bỏ qua sự khác biệt chất lượng tinh tế giữa các quỹ đạo suy luận.

II. Main Idea:​

Các tác giả đề xuất một khung huấn luyện tự tiến hóa không giám sát cho suy luận đa phương thức. Khung này sử dụng một mô hình đa phương thức duy nhất đóng hai vai trò: Actor và Judge. Actor tạo ra nhiều quỹ đạo suy luận cho cùng một đầu vào. Judge, được khởi tạo từ Actor và giữ cố định, đánh giá từng quỹ đạo và cung cấp tín hiệu điều chế liên tục, có giới hạn để hiệu chỉnh và định hình lại phân phối tự nhất quán ban đầu của Actor. Thay vì chỉ dựa vào tính nhất quán tuyệt đối, phương pháp này chuyển đổi điểm tuyệt đối thành lợi thế tương đối trong mỗi nhóm quỹ đạo thông qua chuẩn hóa dựa trên năng lượng. Điều này cho phép cập nhật chính sách mạnh mẽ hơn bằng cách sử dụng Tối ưu hóa Chính sách Tương đối Nhóm (Group Relative Policy Optimization - GRPO) trên dữ liệu không nhãn, khuyến khích mô hình dần dịch chuyển xác suất sang các quỹ đạo tốt hơn và duy trì sự khám phá hiệu quả.

III. Main Results:​

Phương pháp này liên tục cải thiện hiệu suất suy luận và khả năng khái quát hóa trên năm bộ dữ liệu suy luận toán học. Cụ thể, trên MathVision, phương pháp hậu huấn luyện không giám sát của chúng tôi đạt được cải thiện tuyệt đối lên đến +5.9 điểm về độ chính xác (30.9% so với 25.0%). Nó vượt trội hơn một cách nhất quán so với các phương pháp tự huấn luyện dựa trên bỏ phiếu đa số và đạt được hiệu suất tương đương, thậm chí vượt trội hơn các phương pháp huấn luyện có giám sát và chưng cất mô hình mạnh. Phương pháp này duy trì entropy chính sách và độ dài phản hồi khỏe mạnh hơn, dẫn đến hành vi huấn luyện ổn định hơn và khái quát hóa được sang các tác vụ đa phương thức lấy thị giác làm trung tâm khác như ChartQA và MMVP. Nó cũng hiệu quả trên các mô hình nền tảng có quy mô khác nhau và có thể mang lại lợi ích bổ sung ngay cả trên các mô hình đã được cải thiện bằng chưng cất giáo viên.

IV. Conclusion & Future Works:​

Chúng tôi đề xuất một khung huấn luyện tự tiến hóa không giám sát cho các mô hình lớn đa phương thức. Bằng cách mô hình hóa đồng thời nhiều quỹ đạo suy luận từ cùng một đầu vào, phương pháp của chúng tôi tận dụng tín hiệu tự nhất quán của Actor và điều chế dựa trên Judge. Nó còn áp dụng mô hình hóa phần thưởng phân phối theo nhóm để giảm thiểu sự sụp đổ chế độ trong quá trình huấn luyện dài hạn. Các thí nghiệm trên nhiều bộ dữ liệu suy luận toán học cho thấy cách tiếp cận của chúng tôi đạt được những cải tiến hiệu suất ổn định.

Tuy nhiên, công việc này chủ yếu tập trung vào việc xây dựng tín hiệu huấn luyện ổn định và bỏ ngỏ câu hỏi làm thế nào để tiếp tục cải thiện hệ thống tự tiến hóa vượt ra ngoài giới hạn khả năng của Judge trong các nghiên cứu tương lai. Để cho phép tự tiến hóa không giám sát liên tục, Judge cần có khả năng nâng cao dần các tiêu chuẩn đánh giá của mình khi quá trình huấn luyện diễn ra và tự động xác định khi nào nó nên được cập nhật để duy trì một tín hiệu huấn luyện đáng tin cậy.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nâng cao khả năng tự đánh giá của Judge: Nghiên cứu các phương pháp cho phép mô hình Judge tự động điều chỉnh và nâng cao tiêu chuẩn đánh giá của mình theo thời gian, thay vì bị đóng băng. Điều này có thể bao gồm việc huấn luyện Judge theo kiểu tự giám sát hoặc bán giám sát để nó có thể học cách nhận biết các lỗi tinh vi hơn và cung cấp tín hiệu điều chỉnh chất lượng cao hơn.
  2. Mở rộng sang các tác vụ đa phương thức phức tạp hơn: Áp dụng khung tự tiến hóa không giám sát này cho các tác vụ suy luận đa phương thức ngoài toán học, ví dụ như suy luận tương tác cảnh (complex scene inference), hiểu kịch bản video, hoặc robot học. Điều này đòi hỏi phát triển các cơ chế Actor-Judge phù hợp với cấu trúc dữ liệu và loại suy luận đặc thù của từng miền.
  3. Tối ưu hóa hiệu quả tính toán của quá trình tự tiến hóa: Khung hiện tại có chi phí tính toán tăng lên (1.4x). Nghiên cứu các kỹ thuật để giảm thiểu chi phí này, chẳng hạn như lấy mẫu quỹ đạo hiệu quả hơn, huấn luyện Judge-Actor theo cách phân tán, hoặc sử dụng các kiến trúc Judge nhẹ hơn để giảm thiểu gánh nặng tính toán trong quá trình tự tiến hóa liên tục.

2. Patent:​

  1. Hệ thống trợ lý học tập cá nhân tự cải thiện trên điện thoại: Một ứng dụng trên điện thoại di động giúp học sinh giải các bài toán hoặc câu hỏi phức tạp (có thể bao gồm hình ảnh, biểu đồ). Ứng dụng sẽ tự động tạo ra nhiều cách giải khác nhau, tự đánh giá chất lượng của từng cách giải dựa trên tính nhất quán và các tiêu chí nội bộ, sau đó chọn ra giải pháp tốt nhất. Theo thời gian, hệ thống sẽ tự học hỏi và cải thiện khả năng giải quyết vấn đề mà không cần cập nhật từ nhà phát triển.
  2. Công cụ kiểm tra nội dung tự động cho người sáng tạo trên điện thoại: Một tính năng tích hợp trong ứng dụng chỉnh sửa ảnh/video trên điện thoại, giúp người dùng tự động kiểm tra và cải thiện chất lượng nội dung của họ. Ví dụ, khi người dùng tạo một bài thuyết trình có hình ảnh và văn bản, hệ thống sẽ tự động tạo ra nhiều phiên bản trình bày khác nhau, tự đánh giá tính logic, tính liên quan giữa hình ảnh và văn bản, và đề xuất phiên bản tốt nhất. Nó có thể học cách nhận diện các lỗi phổ biến và đưa ra gợi ý cải thiện mà không cần dữ liệu huấn luyện thủ công.
  3. Hệ thống chuẩn đoán và khắc phục sự cố thiết bị thông minh tự động trên điện thoại: Một ứng dụng trên điện thoại hoặc tích hợp vào hệ điều hành, cho phép thiết bị tự chẩn đoán các vấn đề (ví dụ: lỗi kết nối, hiệu suất kém, lỗi ứng dụng) dựa trên dữ liệu cảm biến và nhật ký hệ thống. Hệ thống sẽ tạo ra nhiều kịch bản khắc phục, tự đánh giá hiệu quả của từng kịch bản dựa trên các tín hiệu nội bộ (ví dụ: mức độ cải thiện hiệu suất, giảm lỗi), và đề xuất giải pháp tối ưu cho người dùng. Khả năng tự học hỏi giúp hệ thống cải thiện độ chính xác chẩn đoán và hiệu quả khắc phục theo thời gian.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2603.21289
ArXiv Abstracthttps://arxiv.org/abs/2603.21289
PDF Downloadhttps://arxiv.org/pdf/2603.21289.pdf
Github Repositoryhttps://github.com/OPPO-Mente-Lab/LLM-Self-Judge

9. 4DGS360: 360° Gaussian Reconstruction of Dynamic Objects from a Single Video (11 votes)​

Tác giả: Jae Won Jang, Yeonjin Chang, Wonsik Shin, Juhwan Cho, Nojun Kwak

Xuất bản lúc: 2026-03-23

Tag: Monocular dynamic novel view synthesis, 360° 4D reconstruction, Monocular dynamic scene dataset, Gaussian Splatting, 3D-native initialization, Point Tracking, Diffusion-free, ARAP regularization

I. Main Problem:​

Các phương pháp hiện có gặp khó khăn trong việc tái tạo hình học 360 độ nhất quán của các vật thể động từ video đơn mắt thông thường, đặc biệt là ở các góc nhìn mới cực đoan (>90 độ) hoặc các vùng bị che khuất. Sự phụ thuộc quá nhiều vào các prior 2D khiến các điểm khởi tạo dễ bị overfitting vào các bề mặt hiển thị trong mỗi khung hình huấn luyện. Việc nâng các điểm theo dõi 2D lên 3D bằng bản đồ độ sâu chỉ cung cấp thông tin cho các bề mặt hiển thị, dẫn đến sự mơ hồ về vị trí 3D của các điểm bị che khuất. Các mô hình theo dõi 3D nhạy cảm với lỗi bản đồ độ sâu và hiệu chỉnh camera, đồng thời lỗi theo dõi có xu hướng tích lũy theo thời gian. Cuối cùng, các bộ dữ liệu đơn mắt hiện có không có đủ sự khác biệt về góc nhìn giữa camera huấn luyện và kiểm tra để đánh giá 360 độ một cách thích hợp.

II. Main Idea:​

Nghiên cứu giới thiệu 4DGS360, một framework không dựa trên diffusion để tái tạo vật thể động 360 độ từ video đơn mắt thông thường. Ý tưởng chính là đề xuất AnchorTAP3D, một trình theo dõi 3D-native mới, tận dụng các điểm theo dõi 2D đáng tin cậy làm điểm neo (anchors) cho việc theo dõi 3D. Điều này giúp ngăn chặn sự trôi dạt và giải quyết sự mơ hồ về độ sâu ở các vùng bị che khuất, cung cấp khởi tạo đáng tin cậy. Khởi tạo nhận biết vật cản 3D-native này giúp giảm thiểu sự mơ hồ hình học, cho phép chiến lược tối ưu hóa (như điều chuẩn As-Rigid-As-Possible (ARAP)) hoạt động chính xác. Ngoài ra, nghiên cứu còn giới thiệu bộ dữ liệu iPhone360 mới để đánh giá 360 độ, nơi các camera kiểm tra được đặt cách xa camera huấn luyện tới 135 độ. Phương pháp này biểu diễn các vật thể động bằng một tập hợp các Gaussian 3D tĩnh được định nghĩa trong không gian chuẩn, được biến dạng theo thời gian thông qua cấu trúc chuyển động phân cấp, và quá trình tối ưu hóa bao gồm điều chuẩn độ cứng và điều chuẩn dựa trên kết xuất.

III. Main Results:​

4DGS360 đạt hiệu suất tiên tiến (state-of-the-art) cả về mặt định tính và định lượng trên các bộ dữ liệu iPhone360, iPhone và DAVIS. AnchorTAP3D tạo ra kết quả theo dõi ổn định hơn đáng kể trong các điều kiện khó khăn như bị che khuất so với theo dõi 3D thông thường (TAPIP3D). Phương pháp này thiết lập các tái tạo 4D nhất quán và ổn định hơn cho các vật thể động, ngay cả dưới sự thay đổi góc nhìn cực đoan, và tái tạo hình học các vùng bị che khuất tốt hơn so với các phương pháp cơ sở sử dụng theo dõi 2D hoặc 3D thông thường.

IV. Conclusion & Future Works:​

Nghiên cứu giới thiệu 4DGS360, một framework tiên tiến cho phép tái tạo vật thể động 360 độ nhất quán từ video đơn mắt nhờ phương pháp khởi tạo 3D-native mới dựa trên AnchorTAP3D. Đồng thời, bộ dữ liệu iPhone360 mới được đề xuất để đánh giá toàn diện khả năng tái tạo 360 độ trong điều kiện thực tế với sự khác biệt lớn về góc nhìn. Kết quả thực nghiệm chứng minh hiệu suất vượt trội của 4DGS360 so với các phương pháp hiện có. Các hướng nghiên cứu trong tương lai có thể tập trung vào việc tối ưu hóa hiệu suất tính toán để cho phép tái tạo theo thời gian thực trên các thiết bị di động, cũng như tích hợp sâu hơn với các mô hình ngữ nghĩa để hiểu và tương tác cấp độ đối tượng trong cảnh động 4D.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Cải thiện độ bền vững của AnchorTAP3D trong môi trường nhiễu: Nghiên cứu các phương pháp để tăng cường khả năng của AnchorTAP3D, giúp nó hoạt động hiệu quả hơn trong điều kiện bản đồ độ sâu nhiễu hoặc chuyển động đối tượng cực nhanh và không dự đoán được, có thể thông qua việc tích hợp ước tính độ bất định hoặc lựa chọn điểm neo thích ứng.
  2. Tái tạo 4DGS360 theo thời gian thực trên thiết bị biên: Khám phá các kỹ thuật để tăng tốc framework 4DGS360, nhằm mục tiêu tái tạo và kết xuất theo thời gian thực trên các thiết bị di động hoặc thiết bị biên, có thể bằng cách tối ưu hóa biểu diễn Gaussian hoặc mô hình hóa chuyển động.
  3. Tích hợp 4DGS360 với hiểu biết ngữ nghĩa để chỉnh sửa đối tượng: Kết hợp 4DGS360 với các mô hình phân đoạn ngữ nghĩa hoặc phát hiện đối tượng để cho phép chỉnh sửa hoặc tương tác cấp độ đối tượng trong các cảnh động đã được tái tạo, ví dụ như thay đổi kết cấu hoặc hành vi của một vật thể cụ thể.

2. Patent:​

  1. Ứng dụng thực tế tăng cường (AR) vật thể động 360 độ trên điện thoại: Một ứng dụng di động cho phép người dùng quay một video ngắn về một vật thể đang di chuyển (ví dụ: thú cưng, người nhảy múa) và sau đó xem hoặc tương tác với vật thể đó trong môi trường thực tế tăng cường 360 độ từ mọi góc độ, kể cả những phần trước đây bị che khuất, ngay trên điện thoại của họ. Ứng dụng này có thể dùng cho thử đồ ảo hoặc nội dung số tương tác.
  2. Chỉnh sửa video di động nâng cao cho vật thể động: Một tính năng trong phần mềm chỉnh sửa video trên điện thoại di động sử dụng công nghệ này để tự động lấp đầy các phần bị che khuất của một vật thể động trong video. Ví dụ, nếu một người đi sau chướng ngại vật, hình dáng đầy đủ của họ vẫn có thể được kết xuất và chỉnh sửa liền mạch, cho phép các hiệu ứng nâng cao như "bullet-time" mà không cần thiết bị chuyên dụng.
  3. Tạo avatar/sticker 3D động từ video đơn mắt trên điện thoại: Một ứng dụng di động cho phép người dùng quay một video duy nhất về bản thân hoặc một vật thể và ngay lập tức tạo ra một mô hình 3D động (avatar hoặc sticker) có thể được chèn vào tin nhắn, trò chơi hoặc mạng xã hội, có thể xem từ mọi góc độ. Công nghệ nền tảng tái tạo chuyển động 3D đầy đủ ngay cả từ một video góc nhìn đơn.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2603.21618
ArXiv Abstracthttps://arxiv.org/abs/2603.21618
PDF Downloadhttps://arxiv.org/pdf/2603.21618.pdf
Github RepositoryN/A

10. The Pulse of Motion: Measuring Physical Frame Rate from Visual Dynamics (11 votes)​

Tác giả: Xiangbo Gao, Mingyang Wu, Siyuan Yang, Jiongze Yu, Pardis Taghavi, Fangzhou Lin, Zhengzhong Tu

Xuất bản lúc: 2026-03-15

Tag: Generative Video Models, World Models, Temporal Consistency, Frame Rate Estimation, Chronometric Hallucination, Computer Vision, Deep Learning

I. Main Problem:​

Các mô hình tạo video tổng hợp hiện đại, mặc dù đạt được chủ nghĩa hiện thực không gian đáng kinh ngạc, nhưng lại thiếu một "nhịp điệu chuyển động" nội tại đáng tin cậy để neo giữ các chuyển động này vào một thang thời gian nhất quán, phù hợp với thế giới thực. Sự mơ hồ về thời gian này, được gọi là ảo giác thời gian (chronometric hallucination), phát sinh từ việc đào tạo trên các video có tốc độ thực tế khác nhau được chuẩn hóa thành cùng một tốc độ khung hình. Điều này dẫn đến các chuỗi video được tạo ra có tốc độ chuyển động vật lý không rõ ràng, không ổn định và không thể kiểm soát. Các mô hình hiện tại không thể đo lường hoặc điều chỉnh chính xác tốc độ vật lý của chuyển động được tạo ra.

II. Main Idea:​

Để giải quyết vấn đề ảo giác thời gian, nghiên cứu đề xuất Visual Chronometer, một bộ dự đoán có khả năng phục hồi Tốc độ Khung hình Vật lý (Physical Frames Per Second - PhyFPS) trực tiếp từ động lực học hình ảnh của một video đầu vào. PhyFPS được định nghĩa là tốc độ khung hình thực sự phù hợp với thời gian trôi qua trong thế giới thực, khác với siêu dữ liệu FPS thông thường. Visual Chronometer được đào tạo thông qua việc lấy mẫu lại thời gian có kiểm soát, sử dụng dữ liệu nguồn có độ trung thực cao (nơi meta FPS bằng PhyFPS) và các phương pháp tăng cường dữ liệu dựa trên vật lý (như Sharp Capture, Motion Blur và Synthetic Rolling Shutter) để học các động lực học chuyển động thực chất. Nghiên cứu cũng giới thiệu hai bộ tiêu chuẩn, PhyFPS-Bench-Real và PhyFPS-Bench-Gen, để định lượng vấn đề và đánh giá các mô hình tạo video hiện có. Visual Chronometer sử dụng kiến trúc VideoVAE+ làm backbone và một đầu dự đoán dựa trên attention để ước tính log(PhyFPS). Cuối cùng, nghiên cứu chứng minh rằng việc áp dụng các hiệu chỉnh PhyFPS sau xử lý giúp cải thiện đáng kể sự tự nhiên theo cảm nhận của con người đối với các video được tạo bởi AI.

III. Main Results:​

Các đánh giá cho thấy các trình tạo video tiên tiến nhất hiện nay mắc phải lỗi lệch PhyFPS nghiêm trọng và sự thiếu ổn định về thời gian. Cụ thể, các mô hình mã nguồn mở và đóng đều gặp vấn đề về sự không nhất quán của PhyFPS giữa các video và trong cùng một video. Mặc dù các mô hình thương mại có độ chính xác tuyệt đối tốt hơn một chút, chúng vẫn gặp khó khăn trong việc duy trì sự ổn định PhyFPS. Visual Chronometer của chúng tôi (phiên bản VC-Common) đạt độ chính xác cao trong việc dự đoán PhyFPS, với MAE là 3.46 và MAPE là 9% trên PhyFPS-Bench-Real. Ngược lại, các mô hình Vision-Language Models (VLMs) tiên tiến nhất được thử nghiệm đều không đáng tin cậy trong việc ước tính PhyFPS. Nghiên cứu cũng chỉ ra rằng các phương pháp tăng cường dữ liệu dựa trên vật lý là rất quan trọng để học được động lực học hình ảnh mạnh mẽ. Quan trọng nhất, một nghiên cứu người dùng đã xác nhận rằng việc áp dụng các hiệu chỉnh PhyFPS sau xử lý (cả điều chỉnh trung bình toàn cục và điều chỉnh cục bộ động) giúp cải thiện đáng kể sự tự nhiên theo cảm nhận của con người đối với các video do AI tạo ra, với các phiên bản đã hiệu chỉnh được ưu tiên hơn đáng kể so với bản gốc.

IV. Conclusion & Future Works:​

Nghiên cứu đã xác định và chính thức hóa hiện tượng ảo giác thời gian trong các mô hình tạo video hiện đại, nơi sự phụ thuộc vào siêu dữ liệu tùy ý dẫn đến tốc độ vật lý mơ hồ và không thể kiểm soát. Để giải quyết vấn đề này, Visual Chronometer được đề xuất như một bộ dự đoán mạnh mẽ, được đào tạo thông qua lấy mẫu lại thời gian dựa trên vật lý, có khả năng phục hồi chính xác PhyFPS nội tại từ động lực học hình ảnh. Mặc dù các bộ tiêu chuẩn của chúng tôi cho thấy các trình tạo video và mô hình thị giác-ngôn ngữ hiện tại đang gặp khó khăn trong việc duy trì một nhịp điệu chuyển động nội tại nhất quán, nhưng việc điều chỉnh thời gian động theo PhyFPS đã chứng minh khả năng cải thiện đáng kể sự tự nhiên về mặt thời gian theo cảm nhận của con người đối với các video do AI tạo ra. Trong tương lai, nghiên cứu hy vọng sẽ truyền cảm hứng cho các mô hình thế giới tạo sinh chuyển từ sự phụ thuộc thụ động vào siêu dữ liệu sang điều kiện hóa thời gian chủ động, dựa trên vật lý. Các hướng nghiên cứu tiếp theo bao gồm việc xử lý thời gian như một điều kiện có thể kiểm soát, sử dụng Visual Chronometer để chú thích và lọc dữ liệu đào tạo, phát triển các cơ chế điều kiện thời gian trong kiến trúc mô hình, và sử dụng Visual Chronometer làm mô hình phần thưởng để hướng dẫn các mô hình tạo sinh tuân thủ động lực học thời gian mong muốn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Phát triển các cơ chế điều kiện thời gian (temporal conditioning mechanisms) mới trong kiến trúc mô hình tạo video: Nghiên cứu cách thiết kế các kiến trúc mạng thần kinh cho phép mô hình tạo video chủ động hiểu và kiểm soát tốc độ vật lý của chuyển động, thay vì chỉ dựa vào siêu dữ liệu hoặc học ngầm. Điều này có thể bao gồm việc tích hợp các đầu vào PhyFPS trực tiếp vào quá trình tạo hoặc phát triển các lớp đặc biệt để điều chỉnh nhịp độ thời gian.
  2. Sử dụng Visual Chronometer làm mô hình phần thưởng cho việc học tăng cường: Khám phá việc tích hợp Visual Chronometer vào các khuôn khổ học tăng cường (Reinforcement Learning) như RLHF (Reinforcement Learning from Human Feedback) hoặc DPO (Direct Preference Optimization) để cung cấp tín hiệu giám sát dựa trên vật lý. Mục tiêu là hướng dẫn các mô hình tạo video tuân thủ nghiêm ngặt các động lực thời gian mong muốn và loại bỏ ảo giác thời gian.
  3. Xây dựng bộ dữ liệu tạo video được chú thích PhyFPS quy mô lớn: Phát triển các phương pháp tự động hoặc bán tự động để chú thích PhyFPS thực cho các bộ dữ liệu video quy mô lớn hiện có. Điều này sẽ bao gồm việc sử dụng các công cụ như Visual Chronometer để lọc hoặc điều kiện phân phối đầu vào, tạo ra các bộ dữ liệu chất lượng cao hơn để đào tạo các mô hình tạo video nhận biết thời gian.

2. Patent:​

  1. Tự động điều chỉnh tốc độ phát lại video để có trải nghiệm xem tự nhiên hơn: Một ứng dụng di động có thể sử dụng công nghệ tương tự như Visual Chronometer để phân tích tốc độ chuyển động vật lý thực tế trong một video (ví dụ: video do người dùng quay hoặc video trực tuyến). Nếu tốc độ chuyển động cảm nhận được không phù hợp với tốc độ phát lại tiêu chuẩn (ví dụ: quá chậm hoặc quá nhanh một cách bất thường), ứng dụng sẽ tự động điều chỉnh tốc độ phát lại để làm cho chuyển động trông tự nhiên và chân thực hơn đối với người xem. Điều này giúp cải thiện trải nghiệm xem mà không cần người dùng phải can thiệp thủ công.
  2. Chức năng "Chỉnh sửa tốc độ thông minh" cho video trên điện thoại: Một tính năng trong ứng dụng chỉnh sửa video di động cho phép người dùng điều chỉnh tốc độ của các phần khác nhau trong video một cách thông minh, dựa trên phân tích chuyển động vật lý. Thay vì chỉ áp dụng một hệ số tốc độ đồng nhất, hệ thống sẽ đề xuất hoặc tự động áp dụng các điều chỉnh tốc độ để đảm bảo rằng các hành động cụ thể (ví dụ: người đi bộ, ô tô chạy) duy trì một nhịp độ vật lý hợp lý, ngay cả khi toàn bộ video được làm chậm hoặc nhanh. Điều này giúp tránh các hiệu ứng "ảo giác tốc độ" không mong muốn trong video đã chỉnh sửa.
  3. Tối ưu hóa ghi hình và phát trực tiếp video trên di động dựa trên phân tích PhyFPS: Một hệ thống trên điện thoại thông minh có thể phân tích chuyển động trong thời gian thực khi quay video hoặc phát trực tiếp. Dựa trên PhyFPS được ước tính, nó có thể tự động điều chỉnh các thông số ghi hình (như tốc độ khung hình, tốc độ màn trập) hoặc thông số mã hóa phát trực tiếp để đảm bảo rằng chuyển động được ghi lại hoặc truyền đi với nhịp độ vật lý nhất quán và mượt mà nhất có thể, ngay cả trong điều kiện ánh sáng hoặc chuyển động phức tạp. Điều này cải thiện chất lượng tổng thể của video được tạo ra và truyền tải từ thiết bị di động.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2603.14375
ArXiv Abstracthttps://arxiv.org/abs/2603.14375
PDF Downloadhttps://arxiv.org/pdf/2603.14375.pdf
Github Repositoryhttps://github.com/taco-group/Pulse-of-Motion

11. SpectralSplats: Robust Differentiable Tracking via Spectral Moment Supervision (10 votes)​

Tác giả: Avigail Cohen Rimon, Amir Mann, Mirela Ben Chen, Or Litany

Xuất bản lúc: 2026-03-25

Tag: 3D Gaussian Splatting, Differentiable Rendering, Video Tracking, Spectral Moments, Frequency Annealing, Vanishing Gradient Problem, Computer Vision, Optimization

I. Main Problem:​

Nghiên cứu này giải quyết vấn đề "gradient biến mất" (vanishing gradient problem) trong theo dõi video dựa trên mô hình sử dụng 3D Gaussian Splatting (3DGS). Các mục tiêu quang trắc (photometric objectives) tiêu chuẩn ngầm định yêu cầu sự chồng lấp không gian giữa đối tượng được hiển thị và mục tiêu. Nếu có sự sai lệch nghiêm trọng về camera hoặc dịch chuyển lớn, các Gaussian được hiển thị sẽ không chồng lấp với mục tiêu, khiến gradient biến mất. Điều này làm cho bộ tối ưu hóa bị mắc kẹt hoặc hướng tới các cực tiểu cục bộ giả, dẫn đến thất bại theo dõi thảm khốc, đặc biệt từ các khởi tạo không có sự chồng lấp nào. Các giải pháp hiện có (như khoảng cách đặc trưng sâu hoặc các tiên nghiệm dành riêng cho từng danh mục) không đủ mạnh cho các sai lệch nghiêm trọng hoặc hy sinh tính tổng quát.

II. Main Idea:​

Các tác giả giới thiệu SpectralSplats, một khuôn khổ theo dõi mạnh mẽ giải quyết vấn đề gradient biến mất bằng cách chuyển mục tiêu tối ưu hóa từ miền không gian sang miền tần số.

  1. Giám sát Momen Phổ (Spectral Moment Supervision): Thay vì giám sát các giá trị pixel, họ giám sát hình ảnh được hiển thị thông qua một tập hợp các đặc trưng hình sin phức số toàn cầu (Momen Phổ). Các đặc trưng toàn cầu này tạo ra một "vùng hút toàn cầu" (global basin of attraction), đảm bảo rằng một gradient định hướng hợp lệ tồn tại trên toàn bộ miền hình ảnh, ngay cả khi không có sự chồng lấp pixel nào. Sự dịch chuyển không gian của đối tượng tương ứng với sự dịch pha trong các tần số, cung cấp tín hiệu gradient khác không.
  2. Lịch trình điều hòa tần số có nguyên tắc (Principled Frequency Annealing): Để khai thác vùng hút toàn cầu này mà không tạo ra các cực tiểu cục bộ tuần hoàn liên quan đến tần số cao, họ đã xây dựng một lịch trình "điều hòa tần số". Lịch trình này chuyển đổi một cách mượt mà bộ tối ưu hóa từ tính lồi toàn cầu (sử dụng tần số thấp cho lực hút tầm xa) sang căn chỉnh không gian chính xác (mở rộng dần sang tần số cao để có chi tiết tinh vi). Sự mở rộng có hệ thống này được suy ra từ các nguyên tắc cơ bản dựa trên các ràng buộc về gói pha (phase wrapping).
  3. Thay thế liền mạch: SpectralSplats hoạt động như một sự thay thế liền mạch cho các hàm lỗi không gian và không phụ thuộc vào mô hình biến dạng cơ bản (được chứng minh bằng MLPs và các điểm điều khiển thưa thớt).

III. Main Results:​

  • Khả năng theo dõi mạnh mẽ từ khởi tạo không chồng lấp: SpectralSplats phục hồi thành công các biến dạng phức tạp và tồn tại qua các sai lệch camera nghiêm trọng, nơi theo dõi dựa trên hình thức tiêu chuẩn thất bại thảm hại (Hình 1, Hình 4, Hình 5).
  • Cải thiện định lượng: Trên tập dữ liệu SC4D, dưới bán kính dịch chuyển 0.5, SpectralSplats liên tục cải thiện PSNR, SSIM và LPIPS trên các tham số biến dạng khác nhau (MLP và Direct Morph Field) và lựa chọn hàm lỗi (Pixel, LPIPS) trong cả chế độ huấn luyện và xem mới (Bảng 1). Ví dụ, với MLP và LPIPS, PSNR cải thiện từ 23.6051 lên 27.1453.
  • Cải thiện định tính: Kết quả định tính (Hình 5) cho thấy phương pháp của chúng tôi vẫn nhất quán, trong khi tối ưu hóa chỉ dựa trên pixel thường thất bại trong việc phục hồi tư thế và cấu trúc chính xác, và trong một số trường hợp thậm chí đẩy đối tượng ra khỏi khung hình.
  • Tính tổng quát: Đã chứng minh hiệu quả trên các tham số biến dạng đa dạng (MLPs và các điểm điều khiển thưa thớt) và tích hợp với các mục tiêu cục bộ tiêu chuẩn (L2 và LPIPS).

IV. Conclusion & Future Works:​

Bài báo kết luận rằng SpectralSplats cung cấp một giải pháp mạnh mẽ cho vấn đề gradient biến mất trong theo dõi 3DGS bằng cách sử dụng giám sát momen phổ và lịch trình điều hòa tần số có nguyên tắc. Điều này cho phép theo dõi chính xác ngay cả từ các khởi tạo bị sai lệch nghiêm trọng. Phương pháp này hoạt động như một hàm mục tiêu đa năng có thể hướng dẫn các mô hình chuyển động khác nhau, nâng cao tính mạnh mẽ và tổng quát của các hệ thống theo dõi 3D.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng SpectralSplats cho theo dõi nhiều đối tượng tương tác: Nghiên cứu cách SpectralSplats có thể được điều chỉnh để theo dõi đồng thời nhiều đối tượng trong một cảnh, đặc biệt khi chúng tương tác hoặc che khuất lẫn nhau, giải quyết các thách thức về phân tách đối tượng và xung đột gradient.
  2. Tích hợp SpectralSplats với học tăng cường để điều khiển đối tượng: Khám phá việc sử dụng tín hiệu gradient toàn cầu của SpectralSplats để hướng dẫn các tác nhân học tăng cường trong việc điều khiển và thao tác các đối tượng 3D, đặc biệt trong môi trường ảo hoặc robot, nơi khởi tạo ban đầu có thể rất sai lệch.
  3. SpectralSplats cho tái tạo cảnh 3D động thời gian thực từ video đơn: Phát triển một hệ thống tái tạo cảnh 3D động hoàn chỉnh sử dụng SpectralSplats để theo dõi chuyển động, cho phép xây dựng các mô hình 3D động chất lượng cao từ video monocular trong thời gian thực, khắc phục vấn đề khởi tạo kém mà không cần dữ liệu trước.

2. Patent:​

  1. Hệ thống thực tế tăng cường (AR) trên điện thoại thông minh với khả năng nhận diện và theo dõi đối tượng cực xa: Một ứng dụng di động cho phép người dùng hướng camera điện thoại vào một đối tượng (ví dụ, một tòa nhà xa, một người ở khoảng cách lớn) và ứng dụng có thể nhận diện, gắn nhãn hoặc hiển thị thông tin AR trên đối tượng đó ngay cả khi nó chỉ chiếm một phần rất nhỏ hoặc ban đầu không nằm trong khung hình rõ ràng. Công nghệ này sử dụng phương pháp phát hiện tổng thể dựa trên "dấu hiệu tần số" của đối tượng thay vì so sánh từng điểm ảnh cục bộ, giúp điện thoại "cảm nhận" được sự hiện diện và hướng của đối tượng ngay cả khi nó chưa được nhìn thấy rõ ràng trên màn hình, sau đó tinh chỉnh để hiển thị thông tin AR chính xác khi người dùng điều chỉnh góc nhìn.
  2. Tính năng chỉnh sửa video "Chuyển động mượt mà" cho điện thoại di động: Một công cụ chỉnh sửa video trên điện thoại cho phép người dùng dễ dàng điều chỉnh hoặc làm mượt chuyển động của một đối tượng cụ thể trong video (ví dụ: làm cho một con vật đang chạy trông mượt mà hơn, hoặc điều chỉnh quỹ đạo của một quả bóng). Công nghệ này sử dụng một phương pháp theo dõi đối tượng mạnh mẽ, có thể phục hồi chính xác chuyển động của đối tượng ngay cả khi nó bị che khuất tạm thời hoặc di chuyển quá nhanh, bằng cách sử dụng "dấu hiệu tổng thể" của đối tượng để duy trì theo dõi liên tục và sau đó áp dụng các điều chỉnh chuyển động mượt mà.
  3. Ứng dụng "Sắp xếp không gian thông minh" trên điện thoại di động: Một ứng dụng trên điện thoại thông minh giúp người dùng bố trí lại đồ đạc trong nhà hoặc văn phòng một cách hiệu quả. Người dùng có thể quét không gian bằng camera điện thoại, và ứng dụng sẽ đề xuất vị trí tối ưu cho các vật dụng (ví dụ: đặt ghế sofa, bàn, chậu cây) hoặc hướng dẫn người dùng di chuyển chúng. Công nghệ này sử dụng một phương pháp "cảm nhận tổng thể vị trí" để nhận diện các vật thể và không gian xung quanh một cách linh hoạt, ngay cả khi góc nhìn ban đầu không hoàn hảo hoặc vật thể đang ở vị trí rất xa so với vị trí được đề xuất, giúp ứng dụng duy trì khả năng định vị và hướng dẫn chính xác.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2603.24036
ArXiv Abstracthttps://arxiv.org/abs/2603.24036
PDF Downloadhttps://arxiv.org/pdf/2603.24036.pdf
Github RepositoryN/A