Chuyển tới nội dung chính

🤗 Daily Hugging Face Paper Digest - 2026-04-09

Báo cáo được tạo tự động vào lúc 2026-04-10 10:04:35 bằng mô hình gemini-2.5-flash.

📰 Summary of Papers​

1. Think in Strokes, Not Pixels: Process-Driven Image Generation via Interleaved Reasoning (49 votes)​

Tác giả: Lei Zhang, Junjiao Tian, Zhipeng Fan, Kunpeng Li, Jialiang Wang, Weifeng Chen, Markos Georgopoulos, Felix Juefei-Xu, Yuxiang Bao, Julian McAuley, Manling Li, Zecheng He

Xuất bản lúc: 2026-04-08

Tag: Image Generation, Multimodal Models, Interleaved Reasoning, Text-to-Image, Diffusion Models, Self-correction, Process-driven Generation, Chain-of-Thought, Vision-Language Models

I. Main Problem:​

Các mô hình tạo ảnh hiện tại thường thất bại trong việc tạo ra hình ảnh chính xác theo các logic thị giác cơ bản và mối quan hệ phức tạp giữa các đối tượng (ví dụ: gấu đứng cạnh thìa thay vì lơ lửng phía trên). Việc tạo ảnh một lần (one-shot, black-box) buộc mô hình phải cam kết toàn bộ cảnh trong một lần chuyển tiếp, gây khó khăn trong việc giải quyết bố cục không gian, mối quan hệ đối tượng và các thuộc tính chi tiết. Các phương pháp suy luận chuỗi tư duy (Chain-of-Thought) hiện có chỉ dựa vào văn bản, không có khả năng nhận biết lỗi sai lệch về mặt thị giác hoặc theo dõi trạng thái đối tượng đang phát triển. Hơn nữa, việc đánh giá các trạng thái hình ảnh trung gian không hoàn chỉnh là một thách thức lớn.

II. Main Idea:​

Bài báo giới thiệu phương pháp tạo ảnh theo quy trình (process-driven image generation), một mô hình đa bước phân tách quá trình tổng hợp thành một quỹ đạo suy luận xen kẽ (interleaved reasoning trajectory) gồm các suy nghĩ và hành động. Thay vì tạo ảnh trong một bước duy nhất, phương pháp này diễn ra qua nhiều lần lặp, mỗi lần gồm 4 giai đoạn: lập kế hoạch bằng văn bản (textual planning), phác thảo hình ảnh (visual drafting), phản hồi bằng văn bản (textual reflection/inspect) và tinh chỉnh hình ảnh (visual refinement). Suy luận văn bản điều kiện rõ ràng cách trạng thái thị giác nên phát triển, trong khi hình ảnh trung gian được tạo ra lại hạn chế và làm nền tảng cho vòng suy luận văn bản tiếp theo. Để giải quyết sự mơ hồ của các trạng thái trung gian, mô hình sử dụng sự giám sát chặt chẽ theo từng bước, đảm bảo tính nhất quán về không gian và ngữ nghĩa cho các trạng thái thị giác trung gian, đồng thời bảo toàn kiến thức thị giác trước đó và cho phép mô hình xác định, sửa lỗi vi phạm prompt trong các trạng thái văn bản trung gian. Phương pháp này sử dụng một mô hình đa phương thức thống nhất (unified multimodal sequencer) như BAGEL để tự hồi quy tạo ra các token đa phương thức xen kẽ, thực hiện phân tách tác vụ, tạo hình ảnh, tự kiểm tra và tinh chỉnh một cách tuần tự.

III. Main Results:​

Phương pháp đã cải thiện đáng kể hiệu suất của mô hình cơ sở BAGEL-7B:

  • Tăng hiệu suất trên GenEval benchmark cho sự sắp xếp đối tượng tổng hợp từ 79% lên 83% (+4%).
  • Nâng cao hiệu suất trên WISE benchmark cho suy luận kiến thức thế giới từ 70% lên 76% (+6%).
  • Đạt độ chính xác cao hơn (0.83 so với 0.77 trên GenEval) với mức giảm 8 lần về dữ liệu huấn luyện và chi phí suy luận so với phương pháp PARM hiện có.
  • Các nghiên cứu loại bỏ đã chứng minh rằng các hướng dẫn chỉnh sửa đa dạng và các phản hồi tự lấy mẫu là những yếu tố chính dẫn đến thành công, vượt trội hơn các sửa chữa biểu tượng (+6%).
  • Phương pháp này đạt được sự cân bằng vượt trội giữa hiệu suất và hiệu quả, đặc biệt do sử dụng phân vùng ngữ nghĩa để giám sát các trạng thái thị giác cụ thể thay vì nhiễu ẩn mơ hồ.

IV. Conclusion & Future Works:​

Nghiên cứu này giới thiệu phương pháp tạo ảnh theo quy trình (process-driven image generation) thông qua suy luận xen kẽ, một mô hình đa bước biến quá trình tổng hợp hình ảnh thành một cuộc đối thoại có thể kiểm soát và tự sửa lỗi giữa suy luận và thị giác. Bằng cách tách biệt quá trình tạo ảnh thành các giai đoạn lập kế hoạch, phác thảo, kiểm tra và tinh chỉnh, mô hình có thể giải quyết các vấn đề về logic thị giác và mối quan hệ đối tượng phức tạp mà các phương pháp một lần không thể làm được. Các kết quả thực nghiệm cho thấy sự cải thiện đáng kể về khả năng sắp xếp đối tượng và suy luận kiến thức thế giới, đồng thời đạt được hiệu quả vượt trội so với các phương pháp hiện có. Hướng phát triển trong tương lai có thể bao gồm việc khám phá các bước suy luận phức tạp hơn, áp dụng mô hình này cho các tác vụ tạo đa phương thức khác ngoài văn bản thành hình ảnh, và tiếp tục tối ưu hóa hiệu quả dữ liệu và chi phí suy luận.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Tạo Video theo Quy trình với Suy luận Xen kẽ: Mở rộng khuôn khổ tạo ảnh theo quy trình sang tạo video, tập trung vào việc duy trì tính nhất quán về mặt thời gian, động lực học của đối tượng và các mối quan hệ không gian-thời gian phức tạp qua nhiều khung hình, cho phép tinh chỉnh từng bước các cảnh động.
  2. Tác nhân Suy luận Thích ứng cho Tạo Nội dung Đa phương thức: Phát triển một tác nhân suy luận tự động điều chỉnh số lượng và loại bước 'Lập kế hoạch-Phác thảo-Kiểm tra-Tinh chỉnh' dựa trên độ phức tạp của prompt đầu vào, phản hồi của người dùng hoặc các mục tiêu cụ thể của tác vụ, nhằm tối ưu hóa hiệu quả và chất lượng cho các tác vụ tạo nội dung đa phương thức khác nhau.
  3. Tạo Hình ảnh Tương tác với Phản hồi của Người dùng theo Quy trình: Thiết kế một hệ thống cho phép người dùng tương tác trực tiếp với quá trình tạo hình ảnh, cung cấp phản hồi ở các trạng thái trung gian. Hệ thống sẽ học cách diễn giải và kết hợp các chỉnh sửa của người dùng vào các bước 'Kiểm tra' và 'Tinh chỉnh' tiếp theo, biến quá trình tạo ảnh thành một cuộc đối thoại hợp tác và trực quan.

2. Patent:​

  1. Trình chỉnh sửa ảnh thông minh với Phản hồi trực quan: Một tính năng ứng dụng di động cho phép người dùng mô tả các chỉnh sửa ảnh mong muốn bằng ngôn ngữ tự nhiên (ví dụ: "di chuyển chú mèo sang trái," "đổi màu áo thành xanh"). Ứng dụng sẽ hiển thị các bản nháp hình ảnh trung gian sau mỗi bước chỉnh sửa và yêu cầu người dùng xác nhận hoặc đưa ra hướng dẫn tinh chỉnh thêm. Điều này giúp người dùng kiểm soát chính xác kết quả cuối cùng mà không cần nhiều lần thử và sai, đặc biệt hữu ích cho việc điều chỉnh bố cục hoặc thuộc tính đối tượng phức tạp.
  2. Công cụ sáng tạo cảnh AR/VR theo từng bước: Một ứng dụng di động cho phép người dùng xây dựng các cảnh thực tế tăng cường (AR) hoặc thực tế ảo (VR) một cách tuần tự. Người dùng có thể mô tả các yếu tố muốn thêm vào (ví dụ: "thêm một cái cây ở đây," "đặt một chiếc ghế dài bên cạnh") và nhận phản hồi trực quan ngay lập tức. Hệ thống cho phép người dùng kiểm tra và tinh chỉnh các đối tượng cụ thể hoặc mối quan hệ của chúng thông qua các lệnh ngôn ngữ tự nhiên, giúp việc tạo nội dung AR/VR trở nên dễ tiếp cận hơn đối với người dùng không chuyên.
  3. Công cụ tạo hình ảnh từ văn bản tự điều chỉnh: Một ứng dụng di động cho phép người dùng tạo hình ảnh phức tạp từ mô tả văn bản. Thay vì tạo ra hình ảnh cuối cùng ngay lập tức, ứng dụng sẽ tạo hình ảnh theo nhiều bước. Sau mỗi bước, người dùng có thể "kiểm tra" bản nháp và yêu cầu "tinh chỉnh" các yếu tố cụ thể (ví dụ: "làm cho con chim lớn hơn," "thêm một đám mây mưa phía trên"). Quá trình tương tác này đảm bảo rằng các yếu tố trong hình ảnh phát triển một cách nhất quán và chính xác theo ý muốn của người dùng, đặc biệt hữu ích cho việc tạo ra các cảnh có nhiều đối tượng và mối quan hệ phức tạp.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.04746
ArXiv Abstracthttps://arxiv.org/abs/2604.04746
PDF Downloadhttps://arxiv.org/pdf/2604.04746.pdf
Github RepositoryN/A

2. RAGEN-2: Reasoning Collapse in Agentic RL (44 votes)​

Tác giả: Zihan Wang, Chi Gui, Xing Jin, Qineng Wang, Licheng Liu, Kangrui Wang, Shiqi Chen, Linjie Li, Zhengyuan Yang, Pingyue Zhang, Yiping Lu, Jiajun Wu, Li Fei-Fei, Lijuan Wang, Yejin Choi, Manling Li

Xuất bản lúc: 2026-04-07

Tag: Reinforcement Learning, LLMs, Agents, Reasoning, Mutual Information, Entropy, Signal-to-Noise Ratio, Policy Gradient

I. Main Problem:​

Việc huấn luyện các tác nhân LLM đa lượt bằng Học tăng cường (RL) vốn dĩ không ổn định, và chất lượng suy luận ảnh hưởng trực tiếp đến hiệu suất tác vụ. Entropy thường được dùng để theo dõi sự ổn định của suy luận nhưng chỉ đo lường sự đa dạng trong cùng một đầu vào, không thể cho biết liệu suy luận có thực sự phản ứng với các đầu vào khác nhau hay không. Điều này dẫn đến "template collapse" (suy luận theo khuôn mẫu), một lỗi mà các metric hiện có không thể phát hiện được. Lỗi này đặc biệt nghiêm trọng trong các thiết lập đa lượt, nơi phần thưởng thưa thớt không thể phân biệt suy luận dựa trên đầu vào với suy luận theo khuôn mẫu, khiến tác nhân trở nên không đáng tin cậy và âm thầm làm suy yếu khả năng suy luận của chúng.

II. Main Idea:​

Để chẩn đoán lỗi "template collapse", các tác giả phân tách chất lượng suy luận thành "sự đa dạng trong cùng một đầu vào" (Entropy) và "khả năng phân biệt giữa các đầu vào" (Mutual Information, MI). Họ giới thiệu một nhóm các đại diện MI để chẩn đoán trực tuyến, cho thấy MI tương quan mạnh mẽ hơn với hiệu suất tác vụ so với entropy. Để giải thích nguyên nhân, họ đề xuất cơ chế "tỷ lệ tín hiệu trên nhiễu (SNR)". Biến động phần thưởng thấp làm suy yếu gradient tác vụ, khiến các thuật ngữ điều chuẩn (regularization) chiếm ưu thế và loại bỏ sự khác biệt suy luận giữa các đầu vào. Để khắc phục, họ đề xuất "SNR-Aware Filtering", một phương pháp chọn các lời nhắc (prompts) có tín hiệu cao trong mỗi lần lặp bằng cách sử dụng phương sai phần thưởng (reward variance) làm đại diện SNR. Phương pháp này cải thiện sự phụ thuộc vào đầu vào và hiệu suất tác vụ.

III. Main Results:​

Lỗi "template collapse" được xác nhận xảy ra một cách nhất quán trong các cấu hình huấn luyện, trong đó Mutual Information (MI) giảm trong khi Entropy vẫn cao, và sự suy giảm này không thể phát hiện được bằng các phương pháp giám sát dựa trên entropy. Các đại diện MI (Retrieval-Acc và MI-ZScore-EMA) cho thấy tương quan dương đáng kể với hiệu suất tác vụ cuối cùng (+0.39 cho Trajectory MI-ZScore), vượt trội so với các metric entropy (tương quan âm từ -0.11 đến -0.14). SNR-Aware Filtering đã cải thiện một cách nhất quán cả sự phụ thuộc vào đầu vào (được đo bằng đại diện MI) và hiệu suất tác vụ trên nhiều loại nhiệm vụ (lập kế hoạch, suy luận toán học, điều hướng web, thực thi mã), thuật toán, quy mô mô hình và phương thức. Đặc biệt, việc lọc bằng Top-p SNR-Aware Filtering cho thấy hiệu quả tốt nhất trong việc duy trì cả hiệu suất tác vụ và sự đa dạng của suy luận, ngăn chặn sự suy giảm MI xảy ra sớm. Ngoài ra, độ dài suy luận giảm dần theo thời gian huấn luyện, là một dấu hiệu hành vi của template collapse.

IV. Conclusion & Future Works:​

Nghiên cứu này đã xác định "template collapse" là một chế độ lỗi hệ thống trong Học tăng cường cho tác nhân LLM đa lượt. Nó cung cấp một khuôn khổ chẩn đoán (sử dụng đại diện MI) và một chiến lược giảm thiểu (SNR-Aware Filtering), đồng thời giải thích cơ chế SNR đằng sau lỗi này. Các tác giả tin rằng công việc này cung cấp hỗ trợ thực nghiệm trực tiếp cho cơ chế SNR và hy vọng sẽ thúc đẩy sự phát triển của các phương pháp huấn luyện RL mạnh mẽ hơn cho các tác nhân LLM, cải thiện tính ổn định và độ tin cậy của chúng.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu tác động của các kỹ thuật điều chuẩn khác nhau lên lỗi Template Collapse: Khám phá cách các loại điều chuẩn khác nhau (ví dụ: điều chuẩn thích ứng, điều chuẩn nhận biết ngữ cảnh) ảnh hưởng đến tỷ lệ SNR và sự xuất hiện của lỗi này, đồng thời đề xuất các phương pháp điều chuẩn mới ít gây xóa bỏ sự khác biệt suy luận giữa các đầu vào hơn.
  2. Mở rộng SNR-Aware Filtering cho điều khiển liên tục và robot: Điều tra việc áp dụng khái niệm SNR-Aware Filtering cho các nhiệm vụ điều khiển liên tục hoặc robot, nơi phương sai phần thưởng có thể phức tạp hơn để định nghĩa hoặc sử dụng, và khám phá cách điều chỉnh cơ chế lọc cho các lĩnh vực này.
  3. Phát triển phương pháp phát hiện và ngăn chặn Template Collapse chủ động trong huấn luyện tác nhân thời gian thực: Tập trung vào việc phát triển các phương pháp chủ động hơn để dự đoán sự khởi đầu của "template collapse" ngay cả trước khi MI suy giảm đáng kể, có thể bằng cách giám sát thống kê gradient hoặc các biểu diễn tiềm ẩn khác, và tích hợp các dự đoán này vào một vòng lặp huấn luyện thích ứng tự động điều chỉnh các tham số lọc hoặc cường độ điều chuẩn.

2. Patent:​

  1. Trợ lý AI thích ứng cho gợi ý cá nhân hóa trên điện thoại: Một hệ thống điện thoại di động sử dụng tác nhân AI để đưa ra gợi ý (ví dụ: mua sắm, du lịch). Hệ thống này theo dõi "sự đa dạng suy luận" và "sự phụ thuộc vào đầu vào" của các gợi ý. Nếu tác nhân bắt đầu đưa ra các gợi ý tương tự, theo khuôn mẫu bất kể đầu vào của người dùng (MI thấp), hệ thống sẽ tự động kích hoạt chế độ "hiệu chỉnh lại" hoặc "đa dạng hóa" để khuyến khích các gợi ý đa dạng hơn và thực sự cá nhân hóa, ngăn trợ lý trở nên cũ kỹ hoặc vô dụng.
  2. Bàn phím thông minh với dự đoán văn bản và tự động sửa lỗi nhận biết ngữ cảnh: Một ứng dụng bàn phím di động liên tục đánh giá các gợi ý dự đoán văn bản và tự động sửa lỗi. Thay vì chỉ học các cụm từ phổ biến, nó sử dụng một cơ chế tương tự MI để đảm bảo các gợi ý của nó phụ thuộc cao vào ngữ cảnh đầu vào hiện tại. Nếu các gợi ý trở nên quá chung chung hoặc lặp lại trên các ngữ cảnh khác nhau, hệ thống sẽ xác định "template collapse" này và điều chỉnh mô hình dự đoán của nó để ưu tiên các tùy chọn đa dạng và phù hợp với ngữ cảnh hơn, cải thiện trải nghiệm gõ phím của người dùng.
  3. AI trò chơi di động với tạo thử thách động: Đối với các trò chơi di động có đối thủ AI hoặc tạo nội dung theo thủ tục. Hệ thống AI tích hợp một cơ chế (như SNR-Aware Filtering) để đảm bảo rằng các thử thách hoặc hành vi của đối thủ mà nó tạo ra luôn "có tín hiệu cao" và phản ứng với hành động của người chơi và trạng thái trò chơi. Điều này ngăn AI rơi vào các mô hình hành vi có thể dự đoán được, theo khuôn mẫu làm cho trò chơi trở nên nhàm chán. Nếu hệ thống phát hiện rằng các thử thách được tạo ra của nó trở nên quá giống nhau hoặc không phụ thuộc vào đầu vào (MI thấp), nó sẽ chủ động ưu tiên tạo ra các thử thách mới có "phương sai phần thưởng" cao hơn, giữ cho trò chơi hấp dẫn và năng động.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.06268
ArXiv Abstracthttps://arxiv.org/abs/2604.06268
PDF Downloadhttps://arxiv.org/pdf/2604.06268.pdf
Github Repositoryhttps://github.com/mll-lab-nu/RAGEN

3. MARS: Enabling Autoregressive Models Multi-Token Generation (25 votes)​

Tác giả: Ziqi Jin, Lei Wang, Ziwei Luo, Aixin Sun

Xuất bản lúc: 2026-04-08

Tag: Autoregressive Models, Multi-token Generation, Fine-tuning, LLMs, Inference Optimization, KV Caching, Speculative Decoding, Masked Language Models

I. Main Problem:​

Các mô hình ngôn ngữ tự hồi quy (Autoregressive - AR) tạo văn bản từng token một, ngay cả khi các token liên tiếp có thể dự đoán được cao. Điều này dẫn đến việc lãng phí tài nguyên tính toán do chi phí đồng nhất cho mỗi token, làm giảm thông lượng suy luận. Các phương pháp hiện có để tạo đa token thường yêu cầu thay đổi kiến trúc mô hình (như thêm đầu dự đoán) hoặc duy trì các mô hình phụ trợ (như mô hình nháp cho giải mã suy đoán), làm tăng phức tạp cho việc triển khai và yêu cầu tài nguyên.

II. Main Idea:​

Bài báo giới thiệu MARS (MaskAutoRegreSsion), một phương pháp tinh chỉnh nhẹ nhàng cho các mô hình AR đã được tinh chỉnh theo hướng dẫn. MARS cho phép mô hình dự đoán nhiều token trong một lượt chuyển tiếp (forward pass) mà không cần thay đổi kiến trúc, không thêm tham số và sử dụng cùng một điểm kiểm tra (checkpoint) duy nhất. MARS đạt được điều này bằng cách:

  1. Đóng các khoảng cách (gaps) với mô hình AR gốc: Phân tích bốn khoảng cách giữa AR và dự đoán block-masked, chỉ ra rằng ba trong số đó là các lựa chọn thiết kế có thể loại bỏ (kiểu chú ý, căn chỉnh logits, thứ tự tạo). MARS duy trì chú ý causal trong block, logits dịch phải và tạo từ trái sang phải nghiêm ngặt.
  2. Huấn luyện kép (Dual-stream training): Trong quá trình tinh chỉnh, mô hình xử lý đồng thời hai luồng dữ liệu - một luồng "sạch" (clean stream) để duy trì khả năng dự đoán AR tiêu chuẩn và một luồng "nhiễu" (noisy stream) trong đó các block token được thay thế bằng [MASK] để học cách dự đoán đa token.
  3. Hàm mất mát SFT phụ trợ: Thêm hàm mất mát AR (SFT loss) trên luồng sạch giúp bảo toàn năng lực AR của mô hình, ngăn chặn tín hiệu AR bị suy giảm khi kích thước block tăng lên.
  4. Suy luận cửa sổ trượt từ trái sang phải với ngưỡng tin cậy: Tại mỗi bước suy luận, mô hình thêm B token [MASK], thực hiện một lượt chuyển tiếp và chấp nhận các token liên tiếp từ trái sang phải dựa trên ngưỡng tin cậy (τ). Điều này cho phép điều chỉnh tốc độ theo thời gian thực mà không cần thay đổi mô hình.
  5. Chiến lược KV caching cấp block: Phát triển một chiến lược lưu trữ KV cache cấp block cho suy luận theo lô để tối ưu hóa tốc độ suy luận trên tường đồng hồ.

III. Main Results:​

Kết quả chính:​

  • Chất lượng ở chế độ một token: Khi tạo một token mỗi bước (τ=1.0), MARS khớp hoặc vượt trội so với baseline AR SFT trên sáu bộ benchmark tiêu chuẩn. Ví dụ, trên Qwen2.5-0.5B, MARS đạt trung bình 30.4 so với 28.7 của AR SFT; trên Qwen2.5-7B, MARS đạt 58.1 so với 56.6. Các cải tiến không đến từ việc huấn luyện thêm đơn thuần.
  • Thông lượng đa token: Khi cho phép chấp nhận nhiều token mỗi bước (ví dụ, τ=0.95), MARS duy trì độ chính xác tương đương baseline trong khi đạt được thông lượng cao hơn 1.5–1.7 lần. Ví dụ, trên Qwen2.5-7B, MARS mất chỉ 1.3 điểm độ chính xác trung bình (58.1→56.8) trong khi tạo ra 1.68 token mỗi lượt chuyển tiếp.
  • Hiệu quả của SFT loss: Hàm mất mát SFT phụ trợ là rất quan trọng để duy trì chất lượng ở các kích thước block lớn hơn. Không có SFT loss, chất lượng suy giảm đáng kể khi block size tăng; với SFT loss, hiệu suất ổn định.
  • Tăng tốc trên tường đồng hồ (Wall-clock speedup): Với chiến lược KV caching cấp block, MARS đạt được tốc độ nhanh hơn tới 1.71 lần so với AR với KV cache trên Qwen2.5-7B trong suy luận theo lô (ví dụ, ở kích thước lô 4, thời gian 161.2s so với 276.2s của AR).
  • Điều chỉnh tốc độ theo thời gian thực: Ngưỡng tin cậy (τ) cho phép điều chỉnh tốc độ linh hoạt theo yêu cầu mà không cần thay đổi mô hình hoặc khởi động lại.

IV. Conclusion & Future Works:​

MARS là một phương pháp tinh chỉnh nhẹ nhàng, cung cấp khả năng tạo đa token cho các mô hình AR đã được tinh chỉnh theo hướng dẫn, không cần thay đổi kiến trúc hay thêm tham số. Mô hình kết quả là một tập siêu chặt chẽ của mô hình gốc, duy trì hoặc vượt trội về chất lượng ở chế độ một token và tăng thông lượng đáng kể ở chế độ đa token với chi phí độ chính xác tối thiểu. Các lợi ích này được chuyển thành tốc độ trên tường đồng hồ nhanh hơn tới 1.71 lần với KV caching cấp block. Hai hiểu biết chính: (1) dự đoán block-masked thất bại khi đi chệch khỏi hành vi AR không cần thiết; việc đóng ba khoảng cách có thể loại bỏ là đủ để khôi phục chất lượng baseline; (2) hàm mất mát SFT trên luồng sạch giúp bảo toàn năng lực AR của mô hình trong quá trình huấn luyện dự đoán masked.

Các hướng nghiên cứu tương lai bao gồm:

  1. Xác minh mô hình giữ vững hiệu suất ở quy mô lớn hơn với các kích thước block khác nhau.
  2. Quản lý cache dựa trên con trỏ để loại bỏ đồng bộ hóa ranh giới block.
  3. Lựa chọn kích thước block thích ứng dựa trên độ phức tạp của đầu vào.
  4. Tích hợp với giải mã suy đoán (speculative decoding) để tăng tốc hơn nữa.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Cải thiện hiệu suất suy luận đa token của các mô hình ngôn ngữ lớn (LLMs) bằng chiến lược KV Caching thích ứng và quản lý con trỏ Nghiên cứu phát triển một hệ thống quản lý KV cache dựa trên con trỏ để loại bỏ các điểm nghẽn đồng bộ hóa ranh giới block, cho phép tăng thông lượng liên tục và giảm độ trễ trong suy luận theo lô của các mô hình tạo đa token.
  2. Tối ưu hóa khả năng tạo đa token của mô hình ngôn ngữ tự hồi quy thông qua lựa chọn kích thước block động dựa trên độ phức tạp ngữ cảnh Đề xuất một phương pháp để mô hình tự động điều chỉnh kích thước block dự đoán đa token dựa trên độ phức tạp của ngữ cảnh đầu vào và độ chắc chắn của các token được dự đoán, nhằm cân bằng tối ưu giữa tốc độ và chất lượng.
  3. MARS-Spec: Tích hợp phương pháp tinh chỉnh đa token MARS với giải mã suy đoán để đạt được tốc độ suy luận LLM siêu nhanh Khám phá các chiến lược tích hợp MARS với các kỹ thuật giải mã suy đoán hiện có, đánh giá lợi ích tổng hợp và giải quyết các thách thức về tương thích để đạt được mức tăng tốc độ vượt trội trong quá trình tạo văn bản của LLM.

2. Patent:​

  1. Hệ thống tăng tốc gõ văn bản thông minh trên điện thoại di động: Một ứng dụng bàn phím di động tích hợp công nghệ cho phép điện thoại dự đoán và hiển thị nhiều từ hoặc cụm từ tiếp theo cùng lúc với độ chính xác cao. Người dùng có thể chấp nhận toàn bộ đề xuất chỉ bằng một lần chạm, giúp tăng tốc độ gõ đáng kể, đặc biệt hữu ích khi trả lời tin nhắn hoặc viết email nhanh chóng. Hệ thống này có thể điều chỉnh tốc độ dự đoán dựa trên ngữ cảnh và độ tự tin của mô hình theo thời gian thực.
  2. Tính năng tóm tắt và hoàn thành văn bản nhanh trong ứng dụng ghi chú/email: Tích hợp công nghệ dự đoán đa token vào các ứng dụng ghi chú hoặc email trên điện thoại. Khi người dùng đang viết, ứng dụng có thể tự động hoàn thành các câu hoặc đoạn văn dài, hoặc thậm chí tóm tắt ý chính của một đoạn đã viết. Chẳng hạn, khi viết một email, điện thoại có thể đề xuất toàn bộ một câu chào hoặc kết luận phổ biến, hoặc khi ghi chú cuộc họp, nó có thể nhanh chóng điền vào các cụm từ dự đoán.
  3. Trợ lý viết mã lập trình trên thiết bị di động với khả năng dự đoán đa dòng: Một ứng dụng soạn thảo mã lập trình trên điện thoại di động sử dụng công nghệ dự đoán đa token để dự đoán và hoàn thành không chỉ từ khóa hay tên biến mà còn toàn bộ các dòng mã hoặc khối mã. Điều này đặc biệt hữu ích cho các nhà phát triển khi chỉnh sửa hoặc viết mã nhanh trên thiết bị di động, giúp tăng năng suất bằng cách giảm thiểu thao tác gõ thủ công và đề xuất các cấu trúc mã phức tạp.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.07023
ArXiv Abstracthttps://arxiv.org/abs/2604.07023
PDF Downloadhttps://arxiv.org/pdf/2604.07023.pdf
Github Repositoryhttps://github.com/Xalp/MARS

4. Combee: Scaling Prompt Learning for Self-Improving Language Model Agents (22 votes)​

Tác giả: Hanchen Li, Runyuan He, Qizheng Zhang, Changxiu Ji, Qiuyang Mang, Xiaokun Chen, Lakshya A Agrawal, Wei-Liang Liao, Eric Yang, Alvin Cheung, James Zou, Kunle Olukotun, Ion Stoica, Joseph E. Gonzalez

Xuất bản lúc: 2026-04-05

Tag: Prompt Learning, LLMs, Agent Systems, Parallel Processing, Self-Improving Agents, Context Overload, Distributed Frameworks

I. Main Problem:​

Các phương pháp học prompt hiện có (ví dụ: ACE, GEPA) chủ yếu tập trung vào các thiết lập tác nhân đơn lẻ hoặc song song thấp, điều này hạn chế khả năng học hỏi hiệu quả từ một lượng lớn dấu vết tác nhân được thu thập hoặc các lần thực thi tác nhân song song. Khi tăng tính song song một cách ngây thơ, các phương pháp hiện tại gặp phải vấn đề "context overload" (quá tải ngữ cảnh), nơi mô hình ngôn ngữ lớn (LLM) tổng hợp bị quá tải bởi lượng lớn phản hồi, dẫn đến suy giảm chất lượng (ít cập nhật ngữ cảnh hơn và chất lượng thấp hơn, mất đi các thông tin chi tiết cụ thể, có giá trị cao). Điều này gây tắc nghẽn cả việc học hiệu quả từ dấu vết tác nhân quy mô lớn và khả năng thích ứng kịp thời trong các kịch bản tác nhân song song.

II. Main Idea:​

Combee là một framework mới được đề xuất để mở rộng quy mô học prompt song song cho các tác nhân tự cải thiện. Combee tăng tốc quá trình học và cho phép chạy nhiều tác nhân song song trong khi học từ các dấu vết tổng hợp của chúng mà không làm suy giảm chất lượng. Để đạt được điều này, Combee sử dụng mô hình Map-Shuffle-Reduce:

  • Map: Nhiều tác nhân xử lý các phần ngữ cảnh khác nhau một cách song song.
  • Shuffle: Các phản hồi được nhân bản và xáo trộn (augmented shuffling) để ngăn chặn mất thông tin, mang lại cho mỗi phản hồi nhiều cơ hội để được tích hợp.
  • Reduce: Một thuật toán quét song song phân cấp (hierarchical parallel scan) tổng hợp các cập nhật cục bộ thành một ngữ cảnh toàn cầu mạch lạc mà không làm quá tải bộ quản lý ngữ cảnh của LLM. Combee cũng giới thiệu một bộ điều khiển kích thước batch động (dynamic batch size controller) để tự động cân bằng chất lượng và độ trễ. Combee là framework-agnostic và có thể tích hợp với các phương pháp học prompt hiện có (đã được thử nghiệm trên ACE và GEPA).

III. Main Results:​

Combee đạt được tốc độ tăng lên tới 17 lần so với các phương pháp trước đó với độ chính xác tương đương hoặc tốt hơn và chi phí tương đương. Các đánh giá trên AppWorld, Terminal-Bench, Formula và FiNER chứng minh hiệu quả của Combee:

  • Trên AppWorld (batch size 40), Combee đạt điểm trung bình cao nhất và SGC cao nhất trong số tất cả các phương pháp, với tốc độ nhanh hơn 12 lần so với baseline tuần tự, giữ lại 6.887 token playbook so với 526 của phương pháp naive batch 40.
  • Trên Terminal-Bench 2.0 (batch size 30), Combee khôi phục hầu hết chất lượng của phương pháp tuần tự trong khi giảm thời gian huấn luyện hơn 17 lần, giữ lại 8.023 token playbook so với 9.067 của phương pháp tuần tự.
  • Combee nhất quán đạt được đường Pareto frontier trên các benchmark tài chính (FiNER và Formula) với GEPA và ACE, đạt hoặc vượt qua độ chính xác tốt nhất của batch cố định trong khi huấn luyện nhanh hơn đáng kể.
  • Các nghiên cứu loại bỏ (ablation study) xác nhận hiệu quả của bộ điều khiển kích thước batch động và augmented shuffling.

IV. Conclusion & Future Works:​

Combee là một framework mới giúp học ngữ cảnh có khả năng mở rộng, cho phép các tác nhân song song thu thập và củng cố kiến thức một cách hiệu quả. Bằng cách kết hợp tổng hợp quét song song (parallel-scan aggregation), xáo trộn tăng cường (augmented shuffling) và kiểm soát kích thước batch động (dynamic batch-size control), Combee giải quyết vấn đề quá tải ngữ cảnh phát sinh khi các phương pháp học ngữ cảnh hiện có được mở rộng một cách ngây thơ. Combee mang lại tốc độ tăng đáng kể và duy trì hoặc cải thiện chất lượng với biến động chi phí không đáng kể. Combee được coi là bước đầu tiên để đưa prompt learning vào một kỷ nguyên quy mô mới.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng Combee cho các cơ chế bộ nhớ LLM đa phương thức: Nghiên cứu cách các nguyên tắc của Combee (tổng hợp quét song song, xáo trộn tăng cường, điều khiển batch động) có thể được áp dụng để mở rộng quy mô quá trình học cho các tác nhân đa phương thức, nơi thông tin đến từ văn bản, hình ảnh và âm thanh. Điều này sẽ giải quyết vấn đề "quá tải ngữ cảnh đa phương thức" khi xử lý lượng lớn dữ liệu đa dạng trong môi trường song song.
  2. Chiến lược xáo trộn thích ứng dựa trên học tăng cường: Phát triển một hệ thống tự động điều chỉnh chiến lược xáo trộn tăng cường (ví dụ: số lần nhân bản phản hồi p) dựa trên độ phức tạp của nhiệm vụ, hiệu suất tác nhân hoặc đặc điểm dữ liệu. Điều này có thể được thực hiện thông qua học tăng cường hoặc meta-learning để tối ưu hóa việc truyền thông tin và ngăn chặn mất mát dữ liệu trong các kịch bản học prompt song song khác nhau.
  3. Tích hợp Combee với các framework học prompt dựa trên kiến thức đồ thị: Khám phá cách Combee có thể được điều chỉnh để hỗ trợ học prompt trong các hệ thống sử dụng đồ thị tri thức (knowledge graphs) làm bộ nhớ ngoài. Thiết kế một thuật toán tổng hợp mới tận dụng cấu trúc đồ thị để tích hợp các cập nhật ngữ cảnh song song một cách hiệu quả, đảm bảo tính nhất quán và đầy đủ của đồ thị tri thức trong môi trường tác nhân quy mô lớn.

2. Patent:​

  1. Hệ thống tăng tốc học tập cho trợ lý ảo di động: Một công nghệ cho phép trợ lý ảo trên điện thoại (ví dụ: Siri, Google Assistant) học hỏi nhanh hơn từ các tương tác của người dùng. Hệ thống này sẽ tổng hợp và xử lý đồng thời nhiều phản hồi học tập từ các tương tác của người dùng (có thể từ một người dùng theo thời gian hoặc nhiều người dùng ẩn danh), sử dụng một kỹ thuật tổng hợp thông minh để tránh quá tải thông tin. Điều này giúp trợ lý ảo cải thiện khả năng hiểu và phản hồi nhanh chóng hơn, mang lại trải nghiệm cá nhân hóa và hiệu quả hơn trên thiết bị di động.
  2. Nền tảng tối ưu hóa ứng dụng di động thích ứng: Một hệ thống cho các nhà phát triển ứng dụng di động để tự động cải thiện các tính năng ứng dụng (ví dụ: công cụ đề xuất, giao diện người dùng thích ứng) dựa trên phản hồi của người dùng. Hệ thống này xử lý song song và thông minh hàng loạt dữ liệu phản hồi từ người dùng, đảm bảo rằng các thông tin chi tiết quan trọng được thu thập và tích hợp nhanh chóng vào logic của ứng dụng. Điều này giúp ứng dụng liên tục được cải tiến, phản ứng nhanh hơn với hành vi người dùng mà không bỏ lỡ các chi tiết quan trọng, mang lại trải nghiệm mượt mà và phù hợp hơn cho người dùng điện thoại.
  3. Công cụ cá nhân hóa nội dung di động thời gian thực: Một hệ thống cho các ứng dụng tin tức hoặc mạng xã hội trên điện thoại di động để học hỏi sở thích của người dùng từ các tương tác (thích, chia sẻ, đọc) trong thời gian thực. Hệ thống sẽ nhóm và xử lý đồng thời nhiều hành động của người dùng bằng một phương pháp tổng hợp đặc biệt, giúp tạo ra các đề xuất nội dung được cá nhân hóa cao. Điều này ngăn hệ thống bị "quá tải" bởi dữ liệu và đảm bảo rằng ngay cả những sở thích nhỏ nhất của người dùng cũng được nắm bắt, dẫn đến việc cung cấp nội dung trên điện thoại di động phù hợp và hấp dẫn hơn.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.04247
ArXiv Abstracthttps://arxiv.org/abs/2604.04247
PDF Downloadhttps://arxiv.org/pdf/2604.04247.pdf
Github RepositoryN/A

5. SEVerA: Verified Synthesis of Self-Evolving Agents (22 votes)​

Tác giả: Debangshu Banerjee, Changming Xu, Gagandeep Singh

Xuất bản lúc: 2026-03-26

Tag: LLM Agents, Automated Verification, Deductive Program Synthesis, Constrained Learning, Program Synthesis, Formal Methods, Generative Models

I. Main Problem:​

Các framework tác nhân LLM tự tiến hóa hiện tại thiếu các đảm bảo chính thức về an toàn và độ chính xác, dẫn đến những lo ngại nghiêm trọng về độ tin cậy và bảo mật khi các chương trình được tổng hợp tự động thực thi trên các đầu vào chưa từng thấy. Việc tinh chỉnh các mô hình nhúng trong các chương trình này càng làm phức tạp thêm việc xác minh an toàn, vì các đảm bảo phải duy trì sau khi cập nhật tham số. Điều này đặt ra thách thức trong việc cân bằng giữa các đảm bảo chính thức (an toàn) và hiệu suất (tối ưu hóa theo tác vụ), cũng như việc áp đặt các ràng buộc khác nhau cho từng lệnh gọi mô hình.

II. Main Idea:​

Các tác giả đề xuất giải quyết vấn đề này bằng cách định hình việc tạo mã tác nhân như một bài toán học có ràng buộc, kết hợp các đặc tả hình thức cứng rắn với các mục tiêu mềm dẻo về tiện ích tác vụ. Họ giới thiệu Mô hình Sinh thành Được Bảo vệ Hình thức (FGGM), cho phép LLM lập kế hoạch chỉ định một hợp đồng đầu ra hình thức cho mỗi lệnh gọi mô hình sinh thành bằng logic bậc nhất. Mỗi lệnh gọi FGGM tự động bao bọc mô hình sinh thành tham số cơ bản trong một bộ lấy mẫu từ chối (rejection sampler) với một chương trình dự phòng đã được xác minh (verified fallback), đảm bảo mọi đầu ra đều thỏa mãn hợp đồng đã chỉ định. Dựa trên FGGM, họ trình bày SEVerA (Self-Evolving Verified Agents), một framework ba giai đoạn: Search (LLM lập kế hoạch tổng hợp các chương trình tham số có thể chứa nhiều lệnh gọi FGGM), Verification (chứng minh tính đúng đắn dựa trên các ràng buộc cứng cho tất cả các giá trị tham số), và Learning (áp dụng tối ưu hóa dựa trên gradient để cải thiện mục tiêu mềm dẻo trong khi vẫn giữ tính đúng đắn hình thức). FGGM cung cấp tính linh hoạt, tính đúng đắn độc lập với tham số và các mục tiêu học tập cục bộ, đồng thời cơ chế tinh chỉnh sự tuân thủ (conformance tuning) giúp mô hình học cách thỏa mãn hợp đồng trực tiếp, giảm sự phụ thuộc vào chương trình dự phòng.

III. Main Results:​

SEVerA đạt được không vi phạm ràng buộc trên tất cả các tác vụ được đánh giá, đồng thời cải thiện hiệu suất tác vụ so với các phương pháp cơ sở không ràng buộc và hiện đại. Các ràng buộc hành vi hình thức không chỉ đảm bảo tính đúng đắn mà còn cắt tỉa không gian chương trình ứng viên, hướng tổng hợp đến các tác nhân chất lượng cao hơn. Cụ thể, SEVerA đạt 97.0% tỷ lệ xác minh trên HumanEvalDafny (so với 86.9% của baseline tốt nhất), 66.0% độ chính xác trên GSM-Symbolic (so với 44.7% của phương pháp giải mã có ràng buộc tốt nhất), và 52.6% tỷ lệ đạt trên miền hàng không của 𝜏2-bench bằng Qwen3-8B, thậm chí vượt qua Agent-C với Claude Sonnet 4.5 – một tác nhân có ràng buộc hiện đại. Các tác giả cũng chứng minh rằng SEVerA là hợp lệ (sound): bất kỳ tác nhân nào được trả về đều thỏa mãn đặc tả hành vi cho tất cả các đầu vào và tất cả các giá trị tham số. Họ cũng thiết lập một điều kiện đủ để một tác nhân đã được xác minh tồn tại với mức mất mát tác vụ không lớn hơn bất kỳ mô hình sinh thành không ràng buộc nào với các tham số ban đầu, với sự cải thiện rõ rệt khi mô hình không ràng buộc vi phạm đặc tả.

IV. Conclusion & Future Works:​

Các ràng buộc hành vi hình thức là cần thiết để đảm bảo an toàn và đồng thời giúp cắt tỉa không gian tìm kiếm chương trình, hướng đến việc tổng hợp các tác nhân chất lượng cao hơn. Mặc dù bài báo không nêu rõ các hướng nghiên cứu trong tương lai, có thể suy ra từ các hạn chế hiện tại của SEVerA, chẳng hạn như việc không chia sẻ tham số giữa các lệnh gọi FGGM ở các vị trí khác nhau và việc chưa có giới hạn về số lượng lệnh gọi FGGM, cũng như việc xác minh tính đúng đắn của các hàm thư viện và tiên đề nằm ngoài phạm vi của SEVerA.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu cách mở rộng FGGM để hỗ trợ các ràng buộc phức tạp hơn, đặc biệt là các ràng buộc dựa trên logic thời gian (Temporal Logic) cho các tác vụ sử dụng công cụ hoặc tương tác đa bước, nơi mà thứ tự và trạng thái của các hành động là quan trọng.
  2. Ứng dụng framework SEVerA vào các lĩnh vực mới có yêu cầu an toàn nghiêm ngặt như điều khiển robot hoặc hệ thống tự lái, để tổng hợp các chính sách điều khiển được xác minh, đảm bảo không vi phạm các quy tắc an toàn vật lý.
  3. Khám phá các chiến lược chia sẻ tham số giữa các lệnh gọi FGGM và tối ưu hóa quy trình xác minh trong SEVerA để cải thiện hiệu quả tính toán và khả năng khái quát hóa của các tác nhân, đặc biệt là khi số lượng lệnh gọi mô hình sinh thành tăng lên.

2. Patent:​

  1. Một hệ thống trợ lý ảo trên điện thoại di động có khả năng tự động tạo và thực thi các tác vụ phức tạp (ví dụ: quản lý cuộc hẹn, gửi email, đặt chuyến đi). Tuy nhiên, trước khi thực hiện bất kỳ hành động nào liên quan đến thông tin cá nhân hoặc tài chính, hệ thống sẽ sử dụng một cơ chế kiểm tra chính thức để đảm bảo rằng hành động đó tuân thủ các chính sách quyền riêng tư và bảo mật đã được người dùng thiết lập hoặc các quy định pháp luật. Nếu hành động vi phạm, trợ lý sẽ từ chối thực hiện hoặc đưa ra phương án thay thế an toàn.
  2. Một ứng dụng điều khiển nhà thông minh trên điện thoại di động cho phép người dùng tạo ra các quy tắc tự động hóa phức tạp (ví dụ: 'nếu tôi không ở nhà và cửa sổ mở, hãy khóa cửa và bật báo động'). Hệ thống sẽ tích hợp một bộ kiểm tra tự động, sử dụng các quy tắc hình thức, để xác minh rằng mọi quy tắc tự động hóa mới hoặc đã sửa đổi đều không dẫn đến các tình huống nguy hiểm (ví dụ: khóa cửa khi có người bên trong, hoặc bật thiết bị sưởi khi không có ai ở nhà). Nếu có khả năng vi phạm an toàn, hệ thống sẽ cảnh báo người dùng và yêu cầu điều chỉnh.
  3. Một ứng dụng di động dành cho các nhà phát triển hoặc người dùng nâng cao, cho phép họ mô tả một tác vụ xử lý dữ liệu hoặc tạo mã ngắn bằng ngôn ngữ tự nhiên. Ứng dụng sẽ tự động tạo ra một đoạn mã (ví dụ: Python, JavaScript) để thực hiện tác vụ đó. Điều đặc biệt là ứng dụng sẽ sử dụng một cơ chế kiểm tra chính thức để đảm bảo rằng đoạn mã được tạo ra luôn tuân thủ các ràng buộc về định dạng đầu ra, kiểu dữ liệu, hoặc các quy tắc logic cụ thể, ngay cả khi dữ liệu đầu vào thay đổi. Nếu đoạn mã có nguy cơ tạo ra đầu ra không hợp lệ, ứng dụng sẽ tự động sửa đổi hoặc cung cấp một giải pháp thay thế đã được xác minh.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2603.25111
ArXiv Abstracthttps://arxiv.org/abs/2603.25111
PDF Downloadhttps://arxiv.org/pdf/2603.25111.pdf
Github Repositoryhttps://github.com/uiuc-focal-lab/severa

6. INSPATIO-WORLD: A Real-Time 4D World Simulator via Spatiotemporal Autoregressive Modeling (19 votes)​

Tác giả: InSpatio Team, Donghui Shen, Guofeng Zhang, Haomin Liu, Haoyu Ji, Hujun Bao, Hongjia Zhai, Jialin Liu, Jing Guo, Nan Wang, Siji Pan, Weihong Pan, Weijian Xie, Xianbin Liu, Xiaojun Xiang, Xiaoyu Zhang, Xinyu Chen, Yifu Wang, Yipeng Chen, Zhenzhou Fan, Zhewen Le, Zhichao Ye, Ziqiang Zhao

Xuất bản lúc: 2026-04-08

Tag: World Models, Video Generation, Real-time, 4D Simulation, Diffusion Models, Novel View Synthesis, Distribution Matching, Autoregressive Models

I. Main Problem:​

Việc xây dựng các mô hình thế giới với tính nhất quán về không gian và khả năng tương tác theo thời gian thực vẫn là một thách thức cơ bản trong thị giác máy tính. Các phương pháp tạo video hiện tại thường thiếu tính bền vững về không gian và tính chân thực của hình ảnh, gây khó khăn cho việc điều hướng liền mạch trong môi trường phức tạp. Cụ thể, có ba nút thắt chính:

  1. Suy giảm tính bền vững không gian: Các khung tự hồi quy hiện có thiếu cơ chế bộ nhớ hiệu quả và hướng dẫn hình học rõ ràng, dẫn đến mất cấu trúc cảnh, trạng thái môi trường hoặc trôi dạt trong quá trình hoạt động dài hạn hoặc chuyển đổi góc nhìn lớn.
  2. Khoảng cách từ dữ liệu tổng hợp đến thực tế: Việc quá phụ thuộc vào dữ liệu huấn luyện tổng hợp làm cho các video được tạo ra có sự lệch phân phối so với thống kê hình ảnh thế giới thực về ánh sáng, kết cấu và thuộc tính vật liệu.
  3. Độ chính xác kiểm soát không đủ: Khả năng không thể thực hiện chính xác các quỹ đạo do người dùng định nghĩa của các mô hình hiện tại phản ánh một thiếu sót cơ bản trong khả năng suy luận hình học không gian của chúng.

II. Main Idea:​

Để giải quyết các thách thức trên, INSPATIO-WORLD đề xuất một khung thời gian thực mới, có khả năng phục hồi và tạo ra các cảnh tương tác động, độ trung thực cao từ một video tham chiếu duy nhất. Trọng tâm của phương pháp là kiến trúc Spatiotemporal Autoregressive (STAR) và cơ chế học Joint Distribution Matching Distillation (JDMD).

1. Kiến trúc Spatiotemporal Autoregressive (STAR):

  • Cho phép chuyển đổi video đơn sắc thành trải nghiệm điều hướng động, tương tác và sống động, đồng thời tăng cường hiệu quả tính nhất quán không gian và độ chính xác kiểm soát tương tác.
  • Bộ nhớ đệm không thời gian ngầm (Implicit Spatiotemporal Cache): Tổng hợp các khung tham chiếu và thông tin lịch sử trong một cửa sổ trượt cố định, đảm bảo tính nhất quán toàn cầu trong điều hướng dài hạn và ổn định thời gian.
  • Module ràng buộc không gian rõ ràng (Explicit Spatial Constraint Module): Củng cố cấu trúc hình học và dịch các tương tác người dùng thành các quỹ đạo camera chính xác, khả thi về mặt vật lý. Nó sử dụng chức năng chiếu để căn chỉnh hình học các tính năng tham chiếu với góc nhìn hiện tại, dựa trên ước tính độ sâu và nội tại camera.
  • Khởi tạo nhân quả đa điều kiện (Multi-Condition Causal Initialization): Một chiến lược khởi tạo được thiết kế để đảm bảo sự hội tụ huấn luyện ổn định và tính nhất quán của chuỗi, tích hợp các đầu vào không đồng nhất như các khung trước đó, hình ảnh tham chiếu và ràng buộc hình học.

2. Joint Distribution Matching Distillation (JDMD):

  • Giảm thiểu sự suy giảm chất lượng hình ảnh do dữ liệu huấn luyện tổng hợp gây ra.
  • Phân tách quá trình huấn luyện thành hai nhiệm vụ chưng cất bổ sung với chia sẻ trọng số thống nhất:
    • Tạo lại video có thể kiểm soát (Video-to-Video, V2V): Học kiểm soát chuyển động chính xác và tính nhất quán không thời gian từ dữ liệu tổng hợp.
    • Nhiệm vụ Text-to-Video (T2V): Thu thập khả năng tạo ra nội dung theo điều kiện văn bản phù hợp với phân phối dữ liệu thế giới thực.
  • Hướng dẫn gradient từ phân phối T2V thế giới thực điều khiển không gian đặc trưng được chia sẻ để căn chỉnh và hiệu chỉnh với các phân phối độ trung thực cao, cho phép nhiệm vụ V2V duy trì khả năng kiểm soát chính xác trong khi hưởng lợi trực tiếp từ các chi tiết kết cấu và độ trung thực ánh sáng vượt trội của phân phối thế giới thực.

III. Main Results:​

  • INSPATIO-WORLD vượt trội đáng kể so với các mô hình tiên tiến hiện có về tính nhất quán không gian và độ chính xác tương tác.
  • Xếp hạng đầu tiên trong số các phương pháp thời gian thực/tương tác trên chuẩn WorldScore-Dynamic.
  • Đạt được hiệu suất thời gian thực 24 FPS trên GPU NVIDIA H-series và 10 FPS trên GPU RTX 4090.
  • Đạt được điểm kiểm soát camera cao nhất và điểm quang trắc cao nhất (93.00), đồng thời duy trì hiệu suất động tổng thể rất cạnh tranh với chi phí tính toán thấp hơn nhiều.
  • Phân tích định lượng chứng minh INSPATIO-WORLD vượt trội so với các phương pháp hiện có về độ mượt chuyển động (71.91), độ chính xác kiểm soát camera (81.51) và chất lượng quang trắc (93.00).

IV. Conclusion & Future Works:​

INSPATIO-WORLD giới thiệu một khung thời gian thực mới để khám phá không gian-thời gian từ video đơn sắc, thiết lập một quy trình thực tế để điều hướng môi trường 4D được tái tạo. Bằng cách kết hợp kiến trúc Spatio-Temporal Autoregressive (STAR) và phương pháp Joint Distribution Matching Distillation (JDMD), nó vượt qua các thách thức về tính nhất quán không gian, khoảng cách dữ liệu tổng hợp-thực tế và độ chính xác kiểm soát không đủ, mang lại khả năng kiểm soát camera chính xác cao và nâng cao độ trung thực hình ảnh. Hệ thống này có tiềm năng lớn trong các ứng dụng như Embodied Intelligence và Autonomous Driving, mở ra cánh cửa cho việc tạo ra các thế giới ảo động, tương tác và chân thực hơn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng khung STAR cho các đầu vào đa dạng và động lực cảnh phức tạp hơn: Nghiên cứu cách tích hợp nhiều video tham chiếu, dữ liệu quét 3D, hoặc dữ liệu cảm biến thời gian thực để xây dựng các mô hình thế giới mạnh mẽ và toàn diện hơn, cho phép mô phỏng các môi trường phức tạp với các tương tác vật lý chi tiết hơn.
  2. Nghiên cứu về hiệu quả và khả năng mở rộng của JDMD cho việc triển khai trong môi trường hạn chế tài nguyên: Phát triển các phương pháp chưng cất phân phối hiệu quả hơn, có thể sử dụng ít giáo viên hơn hoặc kỹ thuật truyền kiến thức tiên tiến hơn, nhằm giảm chi phí tính toán và bộ nhớ để triển khai các mô hình thế giới 4D trên các thiết bị có tài nguyên hạn chế, như thiết bị di động hoặc IoT.
  3. Tích hợp INSPATIO-WORLD với các tác nhân thông minh để học tương tác nâng cao: Phát triển các tác nhân AI có khả năng học hỏi và tương tác trong các thế giới 4D được tạo ra bởi INSPATIO-WORLD. Điều này sẽ tạo ra một môi trường huấn luyện phong phú, có thể kiểm soát và thực tế cho các nhiệm vụ học máy robot, học tăng cường và mô phỏng hành vi phức tạp.

2. Patent:​

  1. Hệ thống điều hướng thực tế tăng cường (AR) di động nâng cao: Một ứng dụng trên điện thoại di động cho phép người dùng quay một đoạn video ngắn về môi trường thực tế (ví dụ: một con phố, một không gian trong nhà) và ngay lập tức tạo ra một mô hình 4D động của không gian đó. Người dùng có thể "điều hướng" qua môi trường ảo hóa này trên điện thoại của họ, xem nó sẽ trông như thế nào từ các góc độ khác nhau hoặc vào các thời điểm khác nhau, được phủ lên bởi thông tin kỹ thuật số, ngay cả khi họ đang đứng yên. Điều này hữu ích cho việc xem trước tuyến đường, thiết kế nội thất hoặc lập kế hoạch sự kiện.
  2. Công cụ tạo và chỉnh sửa video cá nhân hóa trên điện thoại: Một ứng dụng cho phép người dùng quay một cảnh bằng camera điện thoại của họ và sau đó "phối lại" nó bằng cách tự do di chuyển một camera ảo qua không gian đã ghi lại trong thời gian thực. Điều này có nghĩa là bạn có thể quay một cảnh tĩnh, sau đó tạo một video như thể bạn đang đi bộ qua nó, phóng to hoặc lia máy, tất cả từ video gốc duy nhất, mà không cần phần mềm chỉnh sửa video phức tạp hoặc quay nhiều lần.
  3. Nền ảo tương tác cho cuộc gọi video: Một tính năng trên điện thoại di động sử dụng một video duy nhất về môi trường thực tế của người dùng để tạo nền ảo động, tương tác cho các cuộc gọi video. Thay vì hình ảnh tĩnh hoặc làm mờ cơ bản, nền có thể tự động điều chỉnh theo "chuyển động" ảo của người dùng hoặc cho phép những người tham gia cuộc gọi khác "khám phá" căn phòng ảo hóa như thể họ đang ở đó, nâng cao sự sống động và bảo mật.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.07209
ArXiv Abstracthttps://arxiv.org/abs/2604.07209
PDF Downloadhttps://arxiv.org/pdf/2604.07209.pdf
Github Repositoryhttps://github.com/inspatio/inspatio-world

7. Neural Computers (11 votes)​

Tác giả: Mingchen Zhuge, Changsheng Zhao, Haozhe Liu, Zijian Zhou, Shuming Liu, Wenyi Wang, Ernie Chang, Gael Le Lan, Junjie Fei, Wenxuan Zhang, Yasheng Sun, Zhipeng Cai, Zechun Liu, Yunyang Xiong, Yining Yang, Yuandong Tian, Yangyang Shi, Vikas Chandra, Jürgen Schmidhuber

Xuất bản lúc: 2026-04-07

Tag: Neural Networks, World Models, Video Generation, Generative Models, Deep Learning, Human-Computer Interaction, CLI, GUI

I. Main Problem:​

Các máy tính truyền thống tách biệt tính toán, bộ nhớ và I/O, trong khi các hệ thống hiện tại (agent, world model) vẫn giữ trạng thái thực thi bên ngoài mô hình. Vấn đề chính là làm thế nào để bản thân mô hình trở thành máy tính đang chạy, hợp nhất các chức năng này vào một trạng thái runtime được học. Thách thức bao gồm việc học các nguyên thủy runtime từ dấu vết I/O thô mà không cần truy cập trạng thái chương trình, cùng với việc đạt được khả năng suy luận dài hạn mạnh mẽ, xử lý ký hiệu đáng tin cậy, tái sử dụng khả năng ổn định và quản lý runtime rõ ràng.

II. Main Idea:​

Các tác giả đề xuất khái niệm "Neural Computers" (NCs) – một hệ thống thần kinh hợp nhất tính toán, bộ nhớ và I/O trong một trạng thái runtime được học. Mục tiêu dài hạn là "Completely Neural Computer" (CNC), một máy tính đa năng, trưởng thành với khả năng thực thi ổn định, lập trình rõ ràng và tái sử dụng khả năng bền vững. Để thực hiện ý tưởng này, NCs được triển khai dưới dạng các mô hình video tạo ra các khung hình màn hình từ hướng dẫn, pixel và hành động của người dùng trong cả môi trường CLI (NCCLIGen) và GUI (NCGUIWorld). NCs được mô hình hóa như một hệ thống trạng thái tiềm ẩn được học, tích hợp các vai trò này vào một vòng lặp cập nhật và hiển thị (update-and-render loop), nơi trạng thái tiềm ẩn (ht) đóng vai trò bộ nhớ runtime, hàm Fθ thực hiện tính toán cập nhật trạng thái và Gθ hiển thị khung hình tiếp theo.

III. Main Results:​

Các NC prototype hiện tại đã đạt được các nguyên thủy runtime ban đầu, đặc biệt là căn chỉnh I/O và kiểm soát trong tầm ngắn. NCCLIGen cho thấy khả năng hiển thị terminal độ chân thực cao, duy trì trạng thái giao diện dễ đọc. Sự cụ thể của prompt (mô tả chi tiết) cải thiện đáng kể độ chính xác hiển thị (PSNR tăng từ 21.90 dB lên 26.89 dB) và độ chính xác ký tự (từ 0.03 lên 0.54, khớp dòng chính xác lên 0.31). Tuy nhiên, xử lý ký hiệu vẫn là một nút thắt cổ chai chính, với NCCLIGen chỉ đạt 4% độ chính xác trong các bài kiểm tra số học cơ bản. Việc "reprompting" (cung cấp điều kiện cấp hệ thống mạnh hơn) đã nâng cao độ chính xác này lên 83%, cho thấy khả năng điều khiển và hiển thị nội dung được điều kiện hóa, chứ không phải suy luận nội bộ. NCGUIWorld học được động lực con trỏ và phản hồi hành động ngắn hạn mạch lạc (ví dụ: phản hồi hover/click, chuyển đổi cửa sổ/menu).

IV. Conclusion & Future Works:​

Các Neural Computers hiện tại đã hiện thực hóa các nguyên thủy runtime ban đầu, đáng chú ý nhất là căn chỉnh I/O và kiểm soát tầm ngắn. Mục tiêu dài hạn là một Completely Neural Computer (CNC) – một máy tính được học hoàn toàn, nơi tính toán, bộ nhớ và giao diện được hợp nhất trong một nền tảng runtime duy nhất. Các thách thức đáng kể vẫn còn bao gồm suy luận dài hạn mạnh mẽ, xử lý ký hiệu đáng tin cậy, tái sử dụng khả năng ổn định và quản lý runtime rõ ràng. Lộ trình hướng tới CNC sẽ tập trung vào việc vượt qua những thách thức này.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Cải thiện Suy luận Ký hiệu và Tính nhất quán Trạng thái cho NCs: Nghiên cứu các phương pháp mới để nâng cao khả năng của Neural Computers trong việc thực hiện các tác vụ suy luận ký hiệu phức tạp và duy trì tính nhất quán của trạng thái trên các chuỗi tương tác dài. Điều này có thể bao gồm việc tích hợp các mô-đun suy luận ký hiệu rõ ràng hoặc các cơ chế bộ nhớ cấu trúc.
  2. Tái sử dụng Khả năng và Khả năng Tổng quát hóa của NCs: Phát triển các kiến trúc và thuật toán cho phép Neural Computers tái sử dụng một cách ổn định các khả năng hoặc "thói quen" đã học trên các tác vụ và ngữ cảnh khác nhau, tương tự như các hàm hoặc thủ tục trong lập trình truyền thống. Mục tiêu là giảm thiểu nhu cầu đào tạo lại rộng rãi cho các tác vụ tương tự và cải thiện khả năng tổng quát hóa.
  3. Quản trị Runtime Rõ ràng và Khả năng Gỡ lỗi cho NCs: Khám phá các phương pháp để giới thiệu quyền kiểm soát và tính minh bạch rõ ràng vào các trạng thái runtime được học của Neural Computers. Điều này sẽ cho phép cập nhật có kiểm soát, gỡ lỗi và hiểu được các chuyển đổi trạng thái nội bộ, tiến gần hơn đến khả năng lập trình của máy tính thông thường.

2. Patent:​

  1. Giao diện Di động Tiên đoán được hỗ trợ bởi AI: Một hệ thống trên điện thoại di động học các mẫu tương tác của người dùng trong các ứng dụng (ví dụ: chuỗi chạm, cuộn, nhập liệu) và chủ động đề xuất hành động tiếp theo có khả năng xảy ra nhất hoặc tự động hoàn thành các chuỗi hành động, ngay cả giữa các ứng dụng khác nhau. Hệ thống này sẽ dự đoán trạng thái trực quan và ý định của người dùng để cung cấp một trải nghiệm người dùng liền mạch mà không cần lập trình cụ thể cho từng ứng dụng.
  2. Tạo Giao diện Người dùng Di động Thích ứng Động: Một giao diện điện thoại di động tự động tạo và điều chỉnh bố cục trực quan cũng như các yếu tố tương tác dựa trên ngữ cảnh, sở thích và nhiệm vụ của người dùng. Thay vì các giao diện ứng dụng cố định, "neural computer" trên điện thoại sẽ học cách trình bày thông tin và điều khiển phù hợp nhất, tạo ra một trải nghiệm người dùng cá nhân hóa và linh hoạt, có thể thay đổi nhanh chóng để tối ưu hóa cho hoạt động hiện tại.
  3. Hệ thống Điều khiển Bằng Ngôn ngữ Tự nhiên cho Điện thoại Di động: Một giao diện dựa trên giọng nói hoặc văn bản nâng cao cho điện thoại di động, diễn giải các lệnh ngôn ngữ tự nhiên phức tạp và thực hiện chúng bằng cách thao tác trực quan trên màn hình điện thoại và tương tác với các ứng dụng, giống như cách một người dùng thực hiện. Hệ thống này sẽ học cách "nhìn" giao diện người dùng di động, hiểu các lệnh như "Tìm chuyến bay rẻ nhất đến Paris vào tháng tới và thêm vào lịch của tôi" và thực hiện các thao tác chạm, cuộn và nhập dữ liệu cần thiết trên nhiều ứng dụng để hoàn thành yêu cầu.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.06425
ArXiv Abstracthttps://arxiv.org/abs/2604.06425
PDF Downloadhttps://arxiv.org/pdf/2604.06425.pdf
Github RepositoryN/A

8. FP4 Explore, BF16 Train: Diffusion Reinforcement Learning via Efficient Rollout Scaling (10 votes)​

Tác giả: Yitong Li, Junsong Chen, Shuchen Xue, Pengcuo Zeren, Siyuan Fu, Dinghao Yang, Yangyang Tang, Junjie Bai, Ping Luo, Song Han, Enze Xie

Xuất bản lúc: 2026-04-08

Tag: Diffusion RL, Quantization, FP4, BF16, Reinforcement Learning, Text-to-Image, Model Alignment, Computational Efficiency, Hardware Acceleration

I. Main Problem:​

Việc mở rộng quy mô triển khai (rollout scaling) trong huấn luyện mô hình khuếch tán (diffusion models) dựa trên Học tăng cường (Reinforcement Learning - RL) để điều chỉnh theo sở thích của con người gây ra gánh nặng tính toán lớn, đặc biệt với các mô hình nền tảng quy mô lớn như FLUX.1-12B. Mặc dù lượng lớn mẫu rollout cải thiện hiệu suất, việc này chuyển nút thắt cổ chai từ tối ưu hóa chính sách sang tạo ra các ứng cử viên. Hơn nữa, việc sử dụng trực tiếp các đường ống lượng tử hóa (quantized pipelines) có nguy cơ làm giảm hiệu suất và sự ổn định của quá trình huấn luyện.

II. Main Idea:​

Bài báo đề xuất Sol-RL (Speed-of-light RL), một khung Học tăng cường hai giai đoạn được tăng cường bằng FP4 để giải quyết tình thế tiến thoái lưỡng nan giữa hiệu quả và tính toàn vẹn của huấn luyện.

  1. Giai đoạn 1 (FP4 Explore): Sử dụng các rollout NVFP4 có thông lượng cao để tạo ra một tập hợp lớn các ứng cử viên (ví dụ: 96 mẫu với 6 bước khử nhiễu). Điều này giúp thăm dò hiệu quả và nhanh chóng xác định một tập hợp con có độ tương phản cao (ví dụ: 24 mẫu) bằng cách tận dụng khả năng của FP4 trong việc duy trì thứ hạng tương đối giữa các nhóm.
  2. Giai đoạn 2 (BF16 Train): Tái tạo các mẫu được chọn này với độ chính xác BF16 (với 10 bước khử nhiễu) và tối ưu hóa chính sách chỉ dựa trên chúng. Bằng cách tách rời quá trình thăm dò ứng cử viên khỏi tối ưu hóa chính sách, Sol-RL tích hợp cơ chế thuật toán của việc mở rộng quy mô rollout với lợi ích về thông lượng ở cấp độ hệ thống của NVFP4, đảm bảo các mẫu chất lượng cao cho việc tối ưu hóa mà không ảnh hưởng đến tính toàn vẹn của quá trình huấn luyện.

III. Main Results:​

  • Khung Sol-RL duy trì tính toàn vẹn của quá trình huấn luyện ở độ chính xác BF16 trong khi khai thác hoàn toàn lợi ích về thông lượng của số học FP4.
  • Đạt được hiệu suất điều chỉnh vượt trội trên nhiều chỉ số (ImageReward, CLIPScore, PickScore, HPSv2) trên các mô hình nền tảng khác nhau (SANA, FLUX.1, SD3.5-L).
  • Tăng tốc độ hội tụ huấn luyện lên đến 4.64 lần so với phương pháp cơ sở, đồng thời đạt được mức trần điều chỉnh cuối cùng cao hơn đáng kể.
  • Giảm chi phí tính toán đáng kể: tăng tốc độ rollout lên đến 2.41 lần và tăng tốc thời gian lặp lại end-to-end lên 1.62 lần.
  • Các thử nghiệm loại bỏ (ablation studies) cho thấy 6 bước khử nhiễu là tối ưu cho giai đoạn thăm dò FP4 và việc tăng kích thước nhóm thăm dò (N) liên tục cải thiện hiệu suất điều chỉnh.
  • Lượng tử hóa NVFP4 bảo toàn cấu trúc ngữ nghĩa tổng thể của hình ảnh (Inception Score và CLIPScore tương đương với BF16), xác nhận độ tin cậy của nó như một proxy để xếp hạng phần thưởng nội nhóm.

IV. Conclusion & Future Works:​

Bài báo đã xác định và giải quyết tình thế tiến thoái lưỡng nan giữa hiệu quả và sự ổn định trong học tăng cường cho các mô hình khuếch tán. Mặc dù việc mở rộng quy mô rollout là cần thiết để có tín hiệu gradient mạnh mẽ hơn, chi phí tính toán lớn lại là nút thắt. Khung Sol-RL hai giai đoạn được đề xuất đã giải quyết thách thức này bằng cách sử dụng lượng tử hóa NVFP4 có thông lượng cao cho giai đoạn thăm dò quy mô lớn ban đầu và dành tính toán BF16 cho việc tái tạo các mẫu có độ tương phản cao đã chọn. Cách tiếp cận này giúp tăng tốc đáng kể quá trình huấn luyện (lên đến 4.64 lần) trong khi vẫn duy trì chất lượng điều chỉnh mạnh mẽ và hiệu suất tạo sinh tương đương với các đường ống có độ chính xác cao hơn, mà không phải chịu gánh nặng tính toán lớn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng Sol-RL cho các tác vụ Học tăng cường khác ngoài mô hình khuếch tán: Nghiên cứu cách áp dụng khung hai giai đoạn "FP4 Explore, BF16 Train" cho các lĩnh vực Học tăng cường khác nơi việc mở rộng quy mô rollout là một thách thức tính toán, ví dụ như huấn luyện các mô hình ngôn ngữ lớn (LLMs) hoặc điều khiển robot, để cải thiện hiệu quả và khả năng mở rộng.
  2. Tối ưu hóa giai đoạn tái tạo BF16 với độ chính xác hỗn hợp thích ứng: Khám phá các phương pháp để tối ưu hóa hơn nữa giai đoạn tái tạo BF16, chẳng hạn như sử dụng các định dạng độ chính xác hỗn hợp thích ứng (adaptive mixed-precision formats) hoặc điều chỉnh độ chính xác dựa trên độ phức tạp của mẫu hoặc trạng thái huấn luyện, nhằm giảm chi phí mà vẫn giữ được tính toàn vẹn.
  3. Nghiên cứu các chiến lược lượng tử hóa động cho giai đoạn thăm dò: Phát triển các kỹ thuật lượng tử hóa động hoặc thích ứng cho giai đoạn thăm dò FP4, nơi mức độ lượng tử hóa (ví dụ: số bit, chiến lược hệ số tỷ lệ) có thể được điều chỉnh linh hoạt dựa trên tiến độ huấn luyện hiện tại hoặc yêu cầu về độ chính xác xếp hạng, để đạt được sự cân bằng tối ưu giữa tốc độ và độ tin cậy.

2. Patent:​

  1. Hệ thống chỉnh sửa ảnh AI thông minh trên điện thoại di động: Một ứng dụng di động cho phép người dùng tùy chỉnh và cải thiện hình ảnh của họ bằng AI. Hệ thống sẽ sử dụng một mô hình AI nhẹ, được lượng tử hóa để nhanh chóng tạo ra nhiều biến thể hình ảnh khác nhau (giai đoạn thăm dò). Sau khi người dùng chọn các biến thể ưa thích, hệ thống sẽ tự động tái tạo hoặc tinh chỉnh chúng với độ chính xác cao hơn bằng cách tận dụng phần cứng của điện thoại hoặc dịch vụ đám mây, mang lại kết quả chất lượng cao mà vẫn đảm bảo trải nghiệm người dùng nhanh chóng.
  2. Trình tạo nội dung đa phương tiện cá nhân hóa hiệu quả trên thiết bị di động: Một tính năng hoặc ứng dụng trên điện thoại thông minh giúp người dùng tạo ra các nội dung đa phương tiện (ví dụ: hình ảnh, video ngắn, hoạt ảnh) cho mạng xã hội hoặc mục đích cá nhân. Nó sẽ sử dụng một mô hình AI được lượng tử hóa để nhanh chóng tạo ra hàng loạt ý tưởng và bản nháp thô (explore) với chi phí tính toán thấp. Sau khi người dùng chọn các ý tưởng ưng ý nhất, hệ thống sẽ sử dụng các mô hình chính xác hơn để tái tạo và hoàn thiện các nội dung đó với chất lượng cao (train), tối ưu hóa việc sử dụng pin và tài nguyên của thiết bị.
  3. Công nghệ điều chỉnh giao diện người dùng (UI) và trải nghiệm người dùng (UX) dựa trên phản hồi tức thì: Một hệ thống trên điện thoại di động sử dụng phương pháp tương tự Sol-RL để điều chỉnh giao diện và trải nghiệm người dùng của các ứng dụng hoặc hệ điều hành. Hệ thống nhanh chóng tạo ra nhiều tùy chọn UI/UX khác nhau (explore) ở chế độ "nháp" bằng mô hình lượng tử hóa, sau đó thu thập phản hồi của người dùng về các tùy chọn này. Dựa trên phản hồi, hệ thống sẽ tinh chỉnh và áp dụng các thay đổi UI/UX với độ chính xác cao hơn (train), tạo ra một trải nghiệm cá nhân hóa và tối ưu hóa mà không làm chậm thiết bị.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.06916
ArXiv Abstracthttps://arxiv.org/abs/2604.06916
PDF Downloadhttps://arxiv.org/pdf/2604.06916.pdf
Github RepositoryN/A