Chuyển tới nội dung chính

🤗 Daily Hugging Face Paper Digest - 2026-04-22

Báo cáo được tạo tự động vào lúc 2026-04-28 09:17:03 bằng mô hình moonshotai/kimi-k2.5.

📰 Summary of Papers​

1. Tstars-Tryon 1.0: Robust and Realistic Virtual Try-On for Diverse Fashion Items (247 votes)​

Tác giả: Mengting Chen, Zhengrui Chen, Yongchao Du, Zuan Gao, Taihang Hu, Jinsong Lan, Chao Lin, Yefeng Shen, Xingjian Wang, Zhao Wang, Zhengtao Wu, Xiaoli Xu, Zhengze Xu, Hao Yan, Mingzhou Zhang, Jun Zheng, Qinye Zhou, Xiaoyong Zhu, Bo Zheng

Xuất bản lúc: 2026-04-21

Tag: Diffusion, Virtual Try-On, MMDiT, Image Editing, VLM

I. Main Problem:​

Các phương pháp thử đồ ảo (virtual try-on) hiện nay vẫn gặp khó khăn trong việc đáp ứng nhu cầu thực tế của thương mại điện tử, cụ thể là: thiếu tính bền vững trước các ảnh người dùng thực tế (tư thế cực đoan, ánh sáng phức tạp), độ chi tiết của trang phục chưa cao, hạn chế trong việc phối nhiều món đồ cùng lúc và tốc độ suy luận chậm, gây cản trở trải nghiệm người dùng thời gian thực.

II. Main Idea:​

Xây dựng Tstars-Tryon 1.0, một hệ thống thử đồ ảo quy mô thương mại dựa trên kiến trúc MMDiT thống nhất, coi thử đồ là một tác vụ chỉnh sửa hình ảnh chuyên sâu. Hệ thống bao gồm: (1) Data Engine tự động tạo tập dữ liệu chất lượng cao; (2) Kiến trúc mô hình hỗ trợ đa hình ảnh tham chiếu (lên đến 6 ảnh) cho 8 loại mặt hàng thời trang; (3) Chiến lược huấn luyện đa giai đoạn (Pre-training, SFT, RL) kết hợp với kỹ thuật chưng cất (distillation) để tối ưu tốc độ suy luận; (4) Tstars-VTON Benchmark để đánh giá theo tiêu chuẩn thương mại.

III. Main Results:​

Tstars-Tryon 1.0 đạt hiệu suất vượt trội so với các mô hình SOTA học thuật và cả các mô hình đóng (như GPT-Image-1.5, Nano Banana Pro). Cụ thể:

  • Độ chính xác: Đạt điểm cao nhất về độ trung thực của trang phục (Garment Fidelity) và tính nhất quán của danh tính (Identity Consistency) trong cả kịch bản thử một món đồ và nhiều món đồ.
  • Hiệu suất: Tốc độ suy luận cực nhanh, chỉ mất 3.92 giây cho một món đồ và 6.74 giây cho nhiều món đồ (so với ~200 giây của một số mô hình mã nguồn mở).
  • Độ linh hoạt: Hỗ trợ tốt các trường hợp khó như người mẫu anime, búp bê, thú cưng và các tư thế phức tạp.

IV. Conclusion & Future Works:​

Tstars-Tryon 1.0 đã giải quyết được bài toán đánh đổi giữa chi phí và chất lượng trong thử đồ ảo thương mại và đã được triển khai thực tế trên ứng dụng Taobao cho hàng triệu người dùng. Nhóm tác giả kế hoạch phát hành Tstars-VTON Benchmark để hỗ trợ cộng đồng nghiên cứu phát triển các mô hình thử đồ ảo thực tế hơn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu tối ưu hóa kiến trúc MMDiT để xử lý sự tương tác vật lý giữa nhiều lớp quần áo (layering) trong thử đồ ảo.
  2. Phát triển phương pháp Reinforcement Learning từ phản hồi của người dùng thực tế để cải thiện độ tự nhiên của nếp gấp vải theo tư thế cơ thể.
  3. Khám phá khả năng mở rộng mô hình thử đồ ảo cho các đối tượng phi nhân loại (như thú cưng hoặc nhân vật 3D) một cách tổng quát.

2. Patent:​

  1. Hệ thống phối đồ thông minh trên điện thoại: Cho phép người dùng chọn nhiều món đồ từ giỏ hàng và tự động tạo hình ảnh phối hợp tất cả các món đó lên ảnh chụp chính mình trong thời gian thực.
  2. Tính năng thử đồ ảo tương tác qua camera: Sử dụng luồng video từ camera điện thoại để thay đổi trang phục trực tiếp trên cơ thể người dùng trong khi họ di chuyển, áp dụng kỹ thuật tăng tốc suy luận để không bị giật lag.
  3. Công cụ gợi ý size quần áo dựa trên hình ảnh: Phân tích sự vừa vặn của trang phục ảo trên cơ thể người dùng (ví dụ: quá chật ở vai hoặc quá dài ở gấu áo) để đưa ra khuyến nghị chọn kích cỡ chính xác.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.19748
ArXiv Abstracthttps://arxiv.org/abs/2604.19748
PDF Downloadhttps://arxiv.org/pdf/2604.19748.pdf
Github RepositoryN/A

2. AgentSPEX: An Agent SPecification and EXecution Language (159 votes)​

Tác giả: Pengcheng Wang, Jerry Huang, Jiarui Yao, Rui Pan, Peizhi Niu, Yaowenqi Liu, Ruida Wang, Renhao Lu, Yuwei Guo, Tong Zhang

Xuất bản lúc: 2026-04-14

Tag: LLMs, AI Agents, Workflow Orchestration, DSL, Software Engineering

I. Main Problem:​

Các hệ thống AI Agent hiện nay thường dựa vào 'reactive prompting' (nhắc nhở phản ứng), khiến luồng điều khiển và trạng thái trung gian trở nên ngầm định, khó kiểm soát và khó tái lập. Trong khi đó, các khung điều phối (orchestration frameworks) như LangGraph hay CrewAI lại gắn chặt logic quy trình với ngôn ngữ lập trình Python, tạo ra rào cản lớn cho những người không chuyên về lập trình trong việc bảo trì, sửa đổi và chia sẻ agent.

II. Main Idea:​

Giới thiệu AgentSPEX, một ngôn ngữ đặc tả và thực thi cho AI Agent sử dụng cú pháp YAML khai báo, giúp tách biệt logic quy trình khỏi mã nguồn thực thi. Hệ thống bao gồm:

  • Ngôn ngữ AgentSPEX: Hỗ trợ các cấu trúc điều khiển rõ ràng (rẽ nhánh if/switch, vòng lặp while/for_each), thực thi song song và quản lý trạng thái biến ngữ cảnh minh bạch.
  • Agent Harness: Môi trường thực thi cung cấp sandbox Docker, truy cập công cụ qua Model Context Protocol (MCP), hỗ trợ checkpointing (lưu điểm kiểm tra) và replay (phát lại) vết thực thi.
  • Trình chỉnh sửa trực quan: Giao diện kéo-thả đồng bộ với mã YAML, cho phép thiết kế và kiểm tra quy trình làm việc một cách trực quan.

III. Main Results:​

AgentSPEX đạt kết quả vượt trội trên 7 benchmark đa lĩnh vực so với các phương pháp CoT và ReAct:

  • Khoa học & Toán học: Đạt điểm tuyệt đối (100%) trên AIME 2025 và cải thiện đáng kể trên SciBench, StemEZ, ChemBench.
  • Hiểu bài báo & Viết lách: Cải thiện hiệu suất trên ELAIPBench (+6.5% so với CoT) nhờ khả năng quản lý ngữ cảnh tường minh, tránh hiện tượng suy giảm chất lượng khi ngữ cảnh quá dài (context rot).
  • Kỹ thuật phần mềm: Đạt 77.1% trên SWE-Bench Verified, vượt qua cả mini-SWE-agent và Live-SWE-agent.
  • Nghiên cứu người dùng: Được đánh giá là dễ tiếp cận, dễ đọc và dễ sử dụng hơn so với LangGraph đối với những người không chuyên.

IV. Conclusion & Future Works:​

AgentSPEX cung cấp một khung làm việc có cấu trúc, dễ kiểm soát và bảo trì cho các AI Agent. Các hướng phát triển tương lai bao gồm: thực hiện xác minh hình thức (formal verification) cho các kế hoạch thực thi của agent, huấn luyện mô hình tự động viết quy trình AgentSPEX, tích hợp đường ống huấn luyện agent từ đầu đến cuối và mở rộng khả năng điều phối đa agent (multi-agent orchestration).

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu phương pháp nén ngữ cảnh thích ứng (adaptive context compression) tích hợp trực tiếp vào các bước của AgentSPEX để xử lý các tác vụ cực dài mà không làm mất thông tin quan trọng.
  2. Phát triển một bộ tối ưu hóa tự động cho quy trình YAML, sử dụng học tăng cường (RL) để tìm ra cấu trúc rẽ nhánh và vòng lặp tối ưu cho một tác vụ cụ thể.
  3. Xây dựng khung xác minh hình thức (formal verification) dựa trên Lean hoặc Isabelle để đảm bảo các agent thực hiện đúng các ràng buộc an toàn trong môi trường sandbox.

2. Patent:​

  1. Hệ thống thiết kế trợ lý ảo tùy chỉnh cho điện thoại di động: Cho phép người dùng cuối tự tạo các quy trình tự động hóa phức tạp (ví dụ: lập kế hoạch du lịch, quản lý công việc) thông qua giao diện kéo-thả mà không cần lập trình, sau đó thực thi thông qua một ngôn ngữ đặc tả nhẹ như AgentSPEX.
  2. Tính năng 'Hoàn tác và Chỉnh sửa' cho AI Agent trên thiết bị: Sử dụng cơ chế checkpointing và replay để người dùng có thể quay lại một bước sai của AI, sửa lại chỉ dẫn tại bước đó và chạy tiếp quy trình mà không phải khởi động lại toàn bộ tác vụ, giúp tiết kiệm pin và dữ liệu.
  3. Công cụ quản lý bộ nhớ thông minh cho ứng dụng di động: Tự động phân loại và chỉ truyền các biến ngữ cảnh cần thiết cho từng bước thực thi của AI (explicit context management), giúp giảm dung lượng RAM tiêu thụ và tăng tốc độ phản hồi của AI trên thiết bị di động.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.13346
ArXiv Abstracthttps://arxiv.org/abs/2604.13346
PDF Downloadhttps://arxiv.org/pdf/2604.13346.pdf
Github Repositoryhttps://github.com/ScaleML/AgentSPEX

3. CoInteract: Physically-Consistent Human-Object Interaction Video Synthesis via Spatially-Structured Co-Generation (85 votes)​

Tác giả: Xiangyang Luo, Xiaozhe Xin, Tao Feng, Xu Guo, Meiguang Jin, Junfeng Ma

Xuất bản lúc: 2026-04-21

Tag: Diffusion Model, DiT, HOI, MoE, Video Generation

I. Main Problem:​

Việc tổng hợp video tương tác giữa người và vật thể (Human-Object Interaction - HOI) hiện nay gặp hai vấn đề lớn: (1) sự mất ổn định về cấu trúc ở các vùng nhạy cảm như bàn tay và khuôn mặt (ví dụ: ngón tay bị dính hoặc mờ), và (2) vi phạm các quy luật vật lý, điển hình là hiện tượng xuyên thấu (interpenetration) khi bàn tay đi xuyên qua bề mặt vật thể do mô hình thiếu nhận thức về hình học 3D.

II. Main Idea:​

Đề xuất CoInteract, một khung làm việc end-to-end tích hợp hai thiết kế bổ trợ vào kiến trúc Diffusion Transformer (DiT):

  • Human-Aware Mixture-of-Experts (MoE): Sử dụng một bộ định tuyến (router) được giám sát theo không gian để điều phối các token thuộc vùng mặt và tay đến các chuyên gia (experts) chuyên biệt, giúp tăng độ chi tiết và ổn định cấu trúc.
  • Spatially-Structured Co-Generation: Một cơ chế huấn luyện luồng kép (dual-stream) song song giữa luồng RGB (ngoại hình) và luồng cấu trúc HOI (dạng silhouette/mask). Luồng cấu trúc giúp mô hình học các ràng buộc hình học và vật lý. Bằng cách sử dụng mặt nạ chú ý bất đối xứng (Asymmetric Co-Attention), nhánh HOI có thể được loại bỏ khi suy luận để không làm tăng chi phí tính toán.

III. Main Results:​

CoInteract vượt trội hơn các phương pháp hiện nay về độ ổn định cấu trúc, tính nhất quán logic và tính thực tế của tương tác. Cụ thể:

  • Cải thiện đáng kể chất lượng hiển thị bàn tay (HQ) và độ chính xác của tương tác thông qua đánh giá từ VLM-QA (Gemini-1.5-Pro).
  • Đảm bảo tính bảo toàn danh tính (identity preservation) từ ảnh tham chiếu.
  • Đạt được hiệu quả suy luận tối ưu (zero-overhead) nhờ loại bỏ nhánh phụ sau huấn luyện.

IV. Conclusion & Future Works:​

CoInteract chứng minh rằng việc tích hợp các tiên nghiệm về cấu trúc cơ thể và ràng buộc vật lý trực tiếp vào backbone DiT hiệu quả hơn việc chỉ dựa vào giám sát mức pixel. Mô hình chuyển đổi DiT từ một bộ tạo hình ảnh thuần túy thành một công cụ tương tác nhận biết cấu trúc, mở ra hướng đi mới cho việc tạo video kỹ thuật số trong thương mại điện tử và quảng cáo.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu mở rộng cơ chế MoE cho các vùng cơ thể khác (ví dụ: khớp vai, khuỷu tay) để cải thiện độ chính xác của các cử chỉ phức tạp hơn.
  2. Kết hợp CoInteract với các mô hình ngôn ngữ lớn (LLM) để điều khiển chi tiết kịch bản tương tác vật thể thông qua văn bản phức tạp.
  3. Khám phá việc áp dụng cơ chế Co-Generation cho các tương tác đa vật thể (Multi-object Interaction) để xử lý sự va chạm giữa nhiều vật thể cùng lúc.

2. Patent:​

  1. Hệ thống tạo video quảng cáo sản phẩm tự động cho điện thoại di động: Cho phép người dùng chụp ảnh sản phẩm và ảnh chân dung, sau đó tự động tạo video người mẫu cầm nắm và giới thiệu sản phẩm một cách chân thực.
  2. Ứng dụng hướng dẫn sử dụng thiết bị trực quan: Tạo các video mô phỏng thao tác tay tương tác với thiết bị điện tử (như cách lắp SIM, vệ sinh máy) dựa trên hình ảnh thực tế của thiết bị đó.
  3. Công cụ tạo avatar ảo hỗ trợ bán hàng trực tuyến: Tích hợp vào ứng dụng livestream trên di động để tạo ra các chuyển động tương tác vật lý chính xác giữa người ảo và sản phẩm đang giới thiệu theo thời gian thực.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.19636
ArXiv Abstracthttps://arxiv.org/abs/2604.19636
PDF Downloadhttps://arxiv.org/pdf/2604.19636.pdf
Github Repositoryhttps://github.com/luoxyhappy/CoInteract

4. SmartPhotoCrafter: Unified Reasoning, Generation and Optimization for Automatic Photographic Image Editing (45 votes)​

Tác giả: Ying Zeng, Miaosen Luo, Guangyuan Li, Yang Yang, Ruiyang Fan, Linxiao Shi, Qirui Yang, Jian Zhang, Chengcheng Liu, Siming Zheng, Jinwei Chen, Bo Li, Peng-Tao Jiang

Xuất bản lúc: 2026-04-21

Tag: MLLM, Diffusion Models, Image Quality Assessment, Reinforcement Learning, Image Editing

I. Main Problem:​

Việc chỉnh sửa ảnh nghệ thuật truyền thống phụ thuộc vào hướng dẫn chi tiết từ người dùng, điều này gây khó khăn cho những người không chuyên (không biết cần chỉnh gì và chỉnh như thế nào). Các mô hình chỉnh sửa hiện nay chủ yếu dựa trên văn bản điều khiển (instruction-driven) mà thiếu khả năng tự nhận diện khiếm khuyết về thẩm mỹ và suy luận chiến lược cải thiện hình ảnh một cách tự động.

II. Main Idea:​

Đề xuất SmartPhotoCrafter, một khung làm việc thống nhất kết hợp giữa suy luận (reasoning) và tạo hình (generation). Hệ thống gồm hai module chính: Image Critic (dựa trên MLLM) đóng vai trò phân tích chất lượng, đưa ra lập luận CoT và đề xuất chỉnh sửa; và Photographic Artist (dựa trên DiT) thực hiện chỉnh sửa dựa trên các biểu diễn tiềm ẩn (latent representations) từ Image Critic. Quy trình huấn luyện chia làm 3 giai đoạn: (1) Pre-training cơ bản, (2) Thích ứng điều kiện suy luận (Reasoning-Conditioned Adaptation), và (3) Học tăng cường phối hợp (Coordinated RL) sử dụng GRPO và DiffusionNFT để tối ưu hóa đồng thời khả năng suy luận và chất lượng ảnh tạo ra.

III. Main Results:​

SmartPhotoCrafter vượt trội hơn các mô hình generative hiện có trong tác vụ tăng cường ảnh tự động. Mô hình đạt được kết quả thực tế (photo-realistic), có độ nhạy cao với các điều chỉnh về tông màu và ánh sáng, đồng thời đảm bảo tính nhất quán về mặt ngữ nghĩa giữa phân tích chất lượng và kết quả chỉnh sửa cuối cùng.

IV. Conclusion & Future Works:​

Nghiên cứu đã thành công trong việc xây dựng một quy trình khép kín từ hiểu biết thẩm mỹ đến thực thi chỉnh sửa mà không cần hướng dẫn từ con người. Việc kết hợp RL giúp mô hình tinh chỉnh được các chi tiết quang học nhỏ nhất. Hướng phát triển tiếp theo có thể là mở rộng khả năng tùy biến theo sở thích cá nhân hoặc tối ưu hóa hiệu suất để triển khai trên các thiết bị đầu cuối.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu tích hợp cơ chế phản hồi thời gian thực từ người dùng vào vòng lặp RL để cá nhân hóa tiêu chuẩn thẩm mỹ của Image Critic.
  2. Khám phá việc áp dụng kiến trúc State Space Models (SSM) thay thế cho Transformer trong Photographic Artist để tăng tốc độ xử lý ảnh độ phân giải cao.
  3. Phát triển một bộ dữ liệu chuẩn (benchmark) mới tập trung vào việc đánh giá tính nhất quán giữa lập luận văn bản và thay đổi pixel trong chỉnh sửa ảnh nghệ thuật.

2. Patent:​

  1. Tính năng 'Chỉnh sửa ảnh thông minh một chạm' trên điện thoại: Tự động phân tích các lỗi như mờ, ngược sáng hoặc nhạt màu để đề xuất và áp dụng bộ lọc tối ưu mà người dùng không cần chọn thông số.
  2. Hệ thống hỗ trợ nhiếp ảnh cho người mới bắt đầu: Tích hợp vào ứng dụng camera để phân tích bố cục và ánh sáng thời gian thực, đưa ra gợi ý điều chỉnh thông số máy ảnh (ISO, khẩu độ) để đạt chất lượng ảnh tốt nhất.
  3. Công cụ phục hồi ảnh cũ tự động: Tự động nhận diện các vùng bị hư hỏng, nhiễu hoặc sai màu trong ảnh chụp cũ và thực hiện quy trình khôi phục chi tiết dựa trên suy luận về ngữ cảnh hình ảnh.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.19587
ArXiv Abstracthttps://arxiv.org/abs/2604.19587
PDF Downloadhttps://arxiv.org/pdf/2604.19587.pdf
Github RepositoryN/A

5. AnyRecon: Arbitrary-View 3D Reconstruction with Video Diffusion Model (38 votes)​

Tác giả: Yutian Chen, Shi Guo, Renbiao Jin, Tianshuo Yang, Xin Cai, Yawen Luo, Mingxin Yang, Mulin Yu, Linning Xu, Tianfan Xue

Xuất bản lúc: 2026-04-21

Tag: 3D Reconstruction, Video Diffusion Model, Novel View Synthesis, Geometry-Aware Learning

I. Main Problem:​

Việc tái tạo 3D từ các góc nhìn thưa thớt (sparse-view) và không theo thứ tự thường gặp khó khăn về tính nhất quán hình học và khả năng mở rộng cho các cảnh lớn. Các phương pháp diffusion hiện tại thường chỉ điều kiện dựa trên một hoặc hai khung hình, dẫn đến thiếu hụt ngữ cảnh toàn cục và sai lệch về vị trí khi khoảng cách giữa các góc nhìn quá lớn.

II. Main Idea:​

Đề xuất AnyRecon, một khung làm việc tái tạo 3D quy mô lớn sử dụng mô hình Video Diffusion với các cải tiến chính:

  • Unordered Contextual Video Diffusion: Sử dụng bộ nhớ cảnh toàn cục (Global Scene Memory) để lưu trữ số lượng ảnh đầu vào tùy ý và loại bỏ nén thời gian (Non-Compressive Latent Encoding) để duy trì sự tương ứng chính xác giữa các khung hình.
  • Vòng lặp Generation-Reconstruction: Kết hợp quá trình tạo view mới và cập nhật bộ nhớ hình học 3D (3D Geometry Memory) thông qua back-projection, giúp giảm thiểu sai số tích lũy.
  • Geometry-Aware Retrieval: Lựa chọn các góc nhìn tham chiếu dựa trên mức độ đóng góp hình học và khả năng hiển thị thực tế thay vì chỉ dựa trên độ tương đồng hình ảnh.
  • Tối ưu hiệu suất: Áp dụng chưng cất diffusion 4 bước (4-step distillation) và cơ chế Attention thưa theo cửa sổ ngữ cảnh (Context-Window Sparse Attention).

III. Main Results:​

AnyRecon cho thấy khả năng tái tạo mạnh mẽ trên tập dữ liệu DL3DV, vượt trội hơn các baseline hiện nay trong cả ba kịch bản: nội suy (interpolation), ngoại suy (extrapolation) và tái tạo cảnh quy mô lớn (hơn 200 khung hình). Mô hình duy trì được độ trung thực cao và tính nhất quán về không gian ngay cả khi đầu vào thưa thớt và không đều.

IV. Conclusion & Future Works:​

Nghiên cứu khẳng định sự tương tác giữa quá trình tạo hình ảnh và tái tạo hình học là then chốt cho các cảnh 3D lớn. Bằng cách kết hợp Video Diffusion với bộ nhớ hình học tường minh, AnyRecon cho phép chuyển đổi các video quay cầm tay thông thường thành các cảnh 3D có thể khám phá được một cách hiệu quả.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu tích hợp các mô hình Depth Estimation thời gian thực vào AnyRecon để cải thiện độ chính xác của 3D Geometry Memory mà không cần back-projection tốn kém.
  2. Phát triển cơ chế Attention thích nghi (Adaptive Attention) có thể tự động điều chỉnh kích thước cửa sổ ngữ cảnh dựa trên độ phức tạp của hình học trong cảnh.
  3. Khám phá việc áp dụng AnyRecon cho các đối tượng động (Dynamic Scenes) bằng cách thêm thành phần thời gian vào bộ nhớ hình học 3D.

2. Patent:​

  1. Hệ thống quét vật thể 3D cho điện thoại di động: Cho phép người dùng quay video ngắn xung quanh vật thể, sau đó tự động điền đầy các góc nhìn thiếu và tạo mô hình 3D chi tiết để hiển thị trong ứng dụng AR.
  2. Tính năng tạo video 'đi xuyên' không gian: Sử dụng camera điện thoại chụp một vài ảnh tại các vị trí bất kỳ trong phòng, ứng dụng sẽ tự động tạo ra một đoạn video mượt mà di chuyển qua các vị trí đó như một flycam.
  3. Công cụ xem lại hiện trường 3D cho ứng dụng bảo hiểm/y tế: Chụp ảnh hiện trường từ các góc độ thưa thớt, sau đó tái tạo lại toàn bộ không gian 3D để chuyên gia có thể kiểm tra từ bất kỳ góc nhìn nào mà không cần có mặt trực tiếp.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.19747
ArXiv Abstracthttps://arxiv.org/abs/2604.19747
PDF Downloadhttps://arxiv.org/pdf/2604.19747.pdf
Github Repositoryhttps://github.com/OpenImagingLab/AnyRecon

6. TEMPO: Scaling Test-time Training for Large Reasoning Models (33 votes)​

Tác giả: Qingyang Zhang, Xinke Kong, Haitao Wu, Qinghua Hu, Minghao Wu, Baosong Yang, Yu Cheng, Yun Luo, Ganqu Cui, Changqing Zhang

Xuất bản lúc: 2026-04-21

Tag: LLMs, Test-time Training, Reinforcement Learning, EM Algorithm, Actor-Critic

I. Main Problem:​

Các mô hình suy luận lớn (LRMs) hiện nay có tham số tĩnh sau khi huấn luyện, không thể cập nhật kiến thức từ dữ liệu kiểm tra (test-time). Các phương pháp Test-time Training (TTT) hiện tại thường dựa vào tín hiệu phần thưởng tự tạo (self-generated reward), dẫn đến hai vấn đề nghiêm trọng: (1) hiện tượng bão hòa hiệu suất (performance plateau) do tín hiệu phần thưởng bị sai lệch khi mô hình tiến hóa, và (2) sụp đổ tính đa dạng (diversity collapse) khi mô hình quá tự tin vào một vài mẫu suy luận hẹp.

II. Main Idea:​

Đề xuất TEMPO, một khung TTT dựa trên thuật toán Expectation-Maximization (EM) để tối ưu hóa chính sách thông qua cơ chế Actor-Critic xen kẽ:

  • E-Step (Critic Calibration): Định kỳ hiệu chuẩn mô hình Critic bằng một tập dữ liệu có nhãn để đảm bảo tín hiệu phần thưởng luôn chính xác và không bị trôi (drift).
  • M-Step (Policy Refinement): Cập nhật tham số mô hình Actor trên các câu hỏi kiểm tra không nhãn bằng cách sử dụng phần thưởng từ Critic đã được hiệu chuẩn thông qua Policy Gradient. Cách tiếp cận này giúp thắt chặt giới hạn dưới (ELBO), cho phép mô hình cải thiện liên tục mà không làm mất đi tính đa dạng của câu trả lời.

III. Main Results:​

TEMPO cho thấy khả năng mở rộng vượt trội trên nhiều dòng mô hình (Qwen3, OLMO3) và bài toán suy luận:

  • Hiệu suất Toán học: Trên AIME 2024, cải thiện OLMO3-7B từ 33.0% lên 51.1% và Qwen3-14B từ 42.3% lên 65.8%.
  • Tính đa dạng: Duy trì chỉ số pass@K cao, trong khi các phương pháp như TTRL và EMPO bị sụp đổ đa dạng.
  • Tính linh hoạt: Hiệu quả không chỉ trong toán học mà còn trong các tác vụ logic (ZebraLogic) và STEM (GPQA-Diamond), với mức tăng đáng kể trên OLMO3-7B (ví dụ: +21.4 trên BBH).
  • Khả năng mở rộng: Vượt qua giới hạn của huấn luyện RLVR tiêu chuẩn, tiếp tục tăng trưởng hiệu suất ngay cả khi mô hình đã hội tụ trên tập huấn luyện.

IV. Conclusion & Future Works:​

TEMPO chứng minh rằng việc kết hợp hiệu chuẩn Critic định kỳ là yếu tố then chốt để TTT có thể mở rộng quy mô cho các mô hình suy luận. Tác giả kết luận rằng các phương pháp TTT trước đây thực chất là các biến thể không hoàn chỉnh của thuật toán EM (thiếu E-step). Hướng phát triển tương lai bao gồm: chứng minh toán học về sự hội tụ của quy trình xen kẽ, mở rộng sang các tác vụ dạng agent (agentic tasks) và tối ưu hóa chi phí tính toán của việc hiệu chuẩn Critic.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu sự đánh đổi giữa tần suất hiệu chuẩn Critic và hiệu quả tính toán trong Test-time Training để tối ưu hóa tài nguyên cho thiết bị edge.
  2. Mở rộng khung TEMPO cho các tác vụ tạo mã nguồn (code generation) nơi tín hiệu phần thưởng có thể được xác thực thông qua việc chạy thử code (unit test) thay vì tập dữ liệu nhãn.
  3. Phân tích lý thuyết sâu hơn về sự hội tụ của thuật toán EM trong không gian tham số của các mô hình ngôn ngữ lớn khi áp dụng TTT.

2. Patent:​

  1. Hệ thống tự tối ưu hóa ứng dụng trợ lý ảo trên điện thoại: Ứng dụng định kỳ sử dụng một tập dữ liệu mẫu nhỏ được xác thực để hiệu chỉnh bộ đánh giá chất lượng, sau đó tự cập nhật mô hình dựa trên các tương tác thực tế của người dùng mà không cần gửi dữ liệu về máy chủ.
  2. Phương pháp cải thiện khả năng giải toán/logic cho ứng dụng giáo dục thông minh: Tích hợp cơ chế huấn luyện tại thời điểm chạy, cho phép ứng dụng thích nghi với phong cách đặt câu hỏi của học sinh và cải thiện độ chính xác thông qua việc học từ các bài tập tương tự có lời giải.
  3. Công cụ tối ưu hóa gợi ý nhập liệu theo ngữ cảnh: Sử dụng mô hình Actor-Critic thu nhỏ chạy trên thiết bị di động để tinh chỉnh khả năng dự đoán từ tiếp theo dựa trên phản hồi ngầm định của người dùng, với bộ hiệu chuẩn định kỳ để tránh việc gợi ý bị lặp lại một kiểu duy nhất.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.19295
ArXiv Abstracthttps://arxiv.org/abs/2604.19295
PDF Downloadhttps://arxiv.org/pdf/2604.19295.pdf
Github Repositoryhttps://github.com/QingyangZhang/TEMPO

7. ShadowPEFT: Shadow Network for Parameter-Efficient Fine-Tuning (28 votes)​

Tác giả: Xianming Li, Zongxi Li, Tsz-fung Andrew Lee, Jing Li, Haoran Xie, Qing Li

Xuất bản lúc: 2026-04-21

Tag: PEFT, LLMs, Parameter-Efficient Fine-Tuning, Shadow Network, Edge Computing

I. Main Problem:​

Các phương pháp tinh chỉnh hiệu quả tham số (PEFT) hiện nay, điển hình là LoRA, thực hiện thích nghi thông qua các nhiễu loạn hạng thấp (low-rank perturbations) độc lập tại từng lớp tuyến tính. Cách tiếp cận này dẫn đến việc tham số hóa thích nghi bị phân mảnh (fragmented), gắn chặt với cấu trúc trọng số của mô hình gốc và không thể tách rời, gây khó khăn cho việc triển khai linh hoạt trên các thiết bị biên (edge devices).

II. Main Idea:​

Đề xuất ShadowPEFT, một khung PEFT tập trung hóa việc thích nghi thông qua một mạng bóng ma (shadow network) chia sẻ theo chiều sâu. Thay vì thay đổi trọng số từng lớp, ShadowPEFT duy trì một trạng thái bóng ma song song, tiến hóa liên tục qua các lớp Transformer để tinh chỉnh các trạng thái ẩn của mô hình gốc.

  • Shadow Injection Module: Tính toán sự khác biệt giữa trạng thái mô hình gốc và trạng thái bóng ma, sau đó đưa ra hiệu chỉnh thông qua một bottleneck hạng thấp.
  • Shadow Update Module: Sử dụng cơ chế cập nhật gated residual (tương tự GRU) để cập nhật trạng thái bóng ma dựa trên đầu ra của lớp mô hình gốc.
  • Tính linh hoạt: Mô hình bóng ma có thể được khởi tạo từ một mô hình nhỏ đã tiền huấn luyện (ví dụ: Qwen-0.5B cho Qwen-8B) và có thể triển khai ở chế độ gắn kèm (attached) để đạt hiệu suất tối đa hoặc tách rời (detached) để chạy độc lập trên thiết bị biên.

III. Main Results:​

ShadowPEFT đạt kết quả vượt trội hoặc tương đương với LoRA và DoRA trên các benchmark về tạo văn bản (MMLU, GSM8K, SQuAD v2) và hiểu văn bản (Amazon, 20News) với ngân sách tham số tương đương hoặc thấp hơn.

  • Khả năng tổng quát hóa: Hiệu suất OOD (out-of-distribution) cao hơn so với LoRA và DoRA.
  • Hiệu suất hệ thống: Độ trễ tăng không đáng kể (trung bình 4-6% so với LoRA).
  • Thực tế: Thử nghiệm trên robot chó Unitree Go2 cho thấy chế độ 'Detached Shadow' giúp xử lý nhanh các lệnh đơn giản tại chỗ và chỉ gửi các yêu cầu phức tạp lên cloud, giúp giảm độ trễ và chi phí vận hành.

IV. Conclusion & Future Works:​

ShadowPEFT chuyển dịch cơ chế thích nghi từ nhiễu loạn trọng số phân tán sang tinh chỉnh lớp tập trung. Kết luận cho thấy việc sử dụng một mô hình bóng ma có thể tiền huấn luyện giúp cải thiện đáng kể khả năng suy luận và cho phép triển khai mô hình nhẹ độc lập mà vẫn giữ được tri thức từ quá trình tinh chỉnh cùng mô hình lớn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu khả năng chuyển đổi tri thức (knowledge transfer) giữa các mô hình bóng ma được huấn luyện trên các kiến trúc LLM khác nhau.
  2. Phân tích sâu hơn về động lực học của trạng thái bóng ma (shadow state dynamics) để tối ưu hóa số lượng lớp cần cập nhật.
  3. Kết hợp ShadowPEFT với các kỹ thuật nén mô hình như Quantization để tối ưu hóa hơn nữa cho thiết bị di động.

2. Patent:​

  1. Hệ thống điều phối AI hai cấp cho điện thoại di động: Sử dụng một mô hình nhỏ (mô hình bóng ma) chạy trực tiếp trên chip NPU của điện thoại để xử lý các tác vụ thường nhật; khi gặp tác vụ phức tạp, hệ thống tự động gửi yêu cầu lên máy chủ đám mây nơi chạy mô hình đầy đủ.
  2. Phương pháp cập nhật tính năng ứng dụng không cần tải lại mô hình gốc: Thay vì cập nhật toàn bộ ứng dụng AI, chỉ cần tải về một tệp trọng số của mô hình bóng ma siêu nhẹ để thay đổi hành vi hoặc thêm kỹ năng mới cho trợ lý ảo trên di động.
  3. Cơ chế bảo mật dữ liệu người dùng bằng cách tách rời mô hình thích nghi: Lưu trữ mô hình bóng ma (chứa các đặc điểm cá nhân hóa của người dùng) cục bộ trên thiết bị, trong khi mô hình nền chung được lưu trữ trên cloud, đảm bảo dữ liệu cá nhân không bị lộ khi thực hiện suy luận.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.19254
ArXiv Abstracthttps://arxiv.org/abs/2604.19254
PDF Downloadhttps://arxiv.org/pdf/2604.19254.pdf
Github Repositoryhttps://github.com/ShadowLLM/shadow-peft

8. PlayCoder: Making LLM-Generated GUI Code Playable (26 votes)​

Tác giả: Zhiyuan Peng, Wei Tao, Xin Yin, Chenhao Ying, Yuan Luo, Yiwen Guo

Xuất bản lúc: 2026-04-21

Tag: LLMs, Code Generation, GUI, Multi-Agent, Automated Program Repair, VLM

I. Main Problem:​

Việc tạo mã nguồn cho các ứng dụng giao diện người dùng đồ họa (GUI), đặc biệt là trò chơi, đối mặt với thách thức lớn vì các phương pháp đánh giá truyền thống (như unit test hoặc kiểm tra biên dịch) không thể phát hiện các lỗi logic "im lặng". Ví dụ, một trò chơi có thể chạy bình thường nhưng nhân vật lại đi xuyên tường—đây là lỗi hành vi (behavioral failure) mà các bài kiểm tra nhập-xuất thông thường không thể phát hiện được do tính chất tương tác, hướng sự kiện và trạng thái thay đổi liên tục của GUI.

II. Main Idea:​

Nhóm tác giả đề xuất một hệ sinh thái toàn diện bao gồm:

  • PlayEval: Một bộ dữ liệu đánh giá nhận biết kho lưu trữ (repository-aware) gồm 43 ứng dụng GUI đa ngôn ngữ (Python, TypeScript, JavaScript) thuộc 6 danh mục khác nhau.
  • PlayTester: Một tác nhân kiểm thử GUI tự động sử dụng mô hình thị giác-ngôn ngữ (VLM) để quan sát màn hình (Visual Observer), thực hiện thao tác (Action Executor) và lập kế hoạch kiểm thử (Test Manager) nhằm xác minh tính đúng đắn về hành vi.
  • Play@k: Một chỉ số đánh giá mới, chỉ đo lường những mã nguồn đã vượt qua unit test và sau đó hoạt động đúng về mặt logic khi tương tác thực tế.
  • PlayCoder: Khung làm việc đa tác nhân (multi-agent) gồm PlayDeveloper (viết mã) và PlayRefiner (sửa lỗi). Hệ thống này tạo ra một vòng lặp kín: Viết mã ightarrow ightarrow Kiểm thử hành vi bằng PlayTester ightarrow ightarrow Nhận phản hồi thị giác/logic ightarrow ightarrow Tinh chỉnh mã.

III. Main Results:​

Kết quả thực nghiệm cho thấy các LLM SOTA hiện nay gặp khó khăn nghiêm trọng với GUI; dù tỷ lệ biên dịch cao nhưng điểm Play@3 gần như bằng 0. Khi áp dụng PlayCoder, hiệu suất được cải thiện đáng kể: với Claude-Sonnet-4, tỷ lệ Exec@3 đạt 36.8% và Play@3 đạt 20.3%. PlayCoder chứng minh khả năng phát hiện và sửa các lỗi logic im lặng mà các phương pháp truyền thống bỏ sót, đồng thời hoạt động hiệu quả trên nhiều kiến trúc mô hình khác nhau.

IV. Conclusion & Future Works:​

Nghiên cứu khẳng định rằng việc kết hợp tác nhân kiểm thử GUI đầu-cuối với quy trình sửa chương trình tự động nhận biết kho lưu trữ là con đường hiệu quả để tạo ra mã nguồn GUI đáng tin cậy. Hướng đi tương lai là mở rộng khả năng hỗ trợ cho nhiều nền tảng hơn (như Wayland) và tối ưu hóa chi phí token trong vòng lặp tinh chỉnh.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Phát triển một framework đánh giá hành vi cho các ứng dụng GUI dựa trên Canvas/Pixel-based (không có DOM) cho các ngôn ngữ lập trình khác ngoài Python/JS.
  2. Nghiên cứu về việc tối ưu hóa giao tiếp giữa tác nhân lập trình (Coder) và tác nhân kiểm thử (Tester) thông qua việc chuẩn hóa ngôn ngữ mô tả lỗi hành vi từ hình ảnh sang văn bản.
  3. Khảo sát sự khác biệt về khả năng tạo mã GUI giữa các mô hình ngôn ngữ thuần túy và các mô hình đa phương thức (Multimodal LLMs) trong việc hiểu bố cục giao diện.

2. Patent:​

  1. Hệ thống tự động kiểm tra và sửa lỗi giao diện ứng dụng trên điện thoại: Sử dụng AI để tự động thao tác trên màn hình điện thoại, chụp ảnh màn hình để phát hiện các nút bấm không hoạt động hoặc nội dung bị che khuất, sau đó tự động đề xuất bản vá mã nguồn cho lập trình viên.
  2. Công cụ hỗ trợ thiết kế giao diện tương tác thời gian thực: Cho phép người dùng mô tả tính năng bằng lời nói, AI tạo mã GUI, sau đó một tác nhân ảo tự động 'chơi thử' ứng dụng đó và báo cáo lại những điểm không hợp lý về trải nghiệm người dùng trước khi xuất bản.
  3. Giải pháp tự động hóa kiểm thử hồi quy cho ứng dụng di động dựa trên thị giác máy tính: Tự động so sánh trạng thái màn hình sau mỗi lần cập nhật phiên bản phần mềm để phát hiện các thay đổi bất thường về hành vi giao diện mà không cần viết kịch bản kiểm thử thủ công.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.19742
ArXiv Abstracthttps://arxiv.org/abs/2604.19742
PDF Downloadhttps://arxiv.org/pdf/2604.19742.pdf
Github Repositoryhttps://github.com/Tencent/PlayCoder

9. Chat2Workflow: A Benchmark for Generating Executable Visual Workflows with Natural Language (21 votes)​

Tác giả: Yi Zhong, Buqiang Xu, Yijun Wang, Zifei Shan, Shuofei Qiao, Guozhou Zheng, Ningyu Zhang

Xuất bản lúc: 2026-04-21

Tag: LLMs, Agentic Workflow, Benchmark, Natural Language to Code, Automated Engineering

I. Main Problem:​

Việc xây dựng các luồng công việc trực quan (visual workflows) trong triển khai công nghiệp hiện nay chủ yếu dựa vào kỹ thuật thủ công. Quá trình này tốn thời gian, dễ sai sót và khó thích ứng khi yêu cầu của người dùng thay đổi, tạo ra rào cản lớn trong việc tự động hóa các hệ thống agent tin cậy và có thể kiểm soát được.

II. Main Idea:​

Nhóm tác giả giới thiệu Chat2Workflow, một benchmark đầu tiên nhằm đánh giá khả năng tạo các luồng công việc có thể thực thi trực tiếp từ ngôn ngữ tự nhiên. Hệ thống sử dụng phương pháp Chain-of-Thought (CoT) để mô hình tạo ra các thành phần: lựa chọn node (node_selection), nguyên lý thiết kế (design_principle) và cấu trúc JSON (workflow). Từ JSON này, hệ thống chuyển đổi sang định dạng YAML để triển khai trên các nền tảng thực tế như Dify và Coze. Ngoài ra, một khung agentic hướng lỗi (error-driven agentic framework) được đề xuất để tự động sửa lỗi và cải thiện tỷ lệ thực thi thành công.

III. Main Results:​

Thử nghiệm trên 15 mô hình ngôn ngữ lớn (LLMs) cho thấy:

  • Có một khoảng cách lớn giữa Pass Rate (tỷ lệ đúng định dạng) và Resolve Rate (tỷ lệ giải quyết được bài toán thực tế), cho thấy việc đúng cú pháp không đảm bảo luồng công việc sẽ chạy đúng logic.
  • Gemini-3-Pro-Preview đạt kết quả tốt nhất với Resolve Rate trung bình 71.59%, nhưng vẫn chưa đạt mức độ của chuyên gia thiết kế.
  • Hiệu suất của hầu hết các mô hình giảm dần khi số lượt tương tác (round) tăng lên, cho thấy khó khăn trong việc theo dõi các thay đổi yêu cầu dài hạn.
  • Khung agentic đề xuất giúp tăng Resolve Rate cho GPT-5.1 và GPT-5.2 thêm lần lượt 4.93% và 5.34% nhờ cơ chế tự sửa lỗi và vòng lặp thử lại.

IV. Conclusion & Future Works:​

Chat2Workflow cung cấp một thước đo thực tế cho việc tự động hóa thiết kế luồng công việc công nghiệp. Kết luận cho thấy các LLMs hiện nay vẫn còn mong manh trước các ràng buộc cấu trúc và sự thay đổi yêu cầu. Hướng phát triển tương lai bao gồm việc mở rộng quy mô tập dữ liệu, tích hợp nhiều loại node phức tạp hơn và nâng cao khả năng suy luận cấu trúc để thu hẹp khoảng cách giữa thiết kế tự động và triển khai thực tế.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về cơ chế 'Tự chữa lành' (Self-healing) cho Visual Workflow: Phát triển một mô hình chuyên biệt để phân tích lỗi thực thi từ log của nền tảng (như Dify) và tự động đề xuất thay đổi cấu trúc node.
  2. Khám phá sự tác động của Thinking Process (như trong Kimi-K2-Thinking) đối với việc lập kế hoạch đồ thị có hướng không chu trình (DAG) trong thiết kế workflow.
  3. Xây dựng phương pháp tối ưu hóa Prompt cho việc duy trì tính nhất quán của biến số (variable consistency) trong các tương tác đa lượt khi chỉnh sửa luồng công việc.

2. Patent:​

  1. Hệ thống tự động chuyển đổi yêu cầu bằng giọng nói thành sơ đồ quy trình làm việc trên điện thoại: Cho phép người dùng mô tả một chuỗi tác vụ (ví dụ: 'Tóm tắt email này rồi lưu vào lịch và nhắc tôi vào ngày mai') và ứng dụng tự động tạo ra luồng thực thi các ứng dụng tương ứng.
  2. Công cụ hỗ trợ thiết kế quy trình tự động cho doanh nghiệp nhỏ trên di động: Sử dụng AI để gợi ý các node chức năng (như gửi tin nhắn, tra cứu dữ liệu) dựa trên mục tiêu kinh doanh mà người dùng nhập vào, giúp tạo quy trình vận hành mà không cần biết lập trình.
  3. Giao diện chỉnh sửa luồng công việc thông minh bằng ngôn ngữ tự nhiên: Thay vì kéo thả thủ công trên màn hình nhỏ của điện thoại, người dùng chỉ cần ra lệnh 'Thêm một bước kiểm tra điều kiện sau bước tóm tắt' để AI tự động cập nhật cấu trúc đồ thị của quy trình.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.19667
ArXiv Abstracthttps://arxiv.org/abs/2604.19667
PDF Downloadhttps://arxiv.org/pdf/2604.19667.pdf
Github Repositoryhttps://github.com/zjunlp/Chat2Workflow

10. CityRAG: Stepping Into a City via Spatially-Grounded Video Generation (17 votes)​

Tác giả: Gene Chou, Charles Herrmann, Kyle Genova, Boyang Deng, Songyou Peng, Bharath Hariharan, Jason Y. Zhang, Noah Snavely, Philipp Henzler

Xuất bản lúc: 2026-04-21

Tag: RAG, Video Generation, World Models, Spatially-Grounded Generation, Diffusion Models

I. Main Problem:​

Việc tạo ra các môi trường 3D nhất quán, có thể điều hướng và gắn liền với thực tế (spatially grounded) là một thách thức lớn. Các mô hình Video Generative hiện nay (T2V, I2V) thường gây ra hiện tượng 'ảo giác' (hallucination), không tái hiện chính xác địa lý thực tế. Trong khi đó, các phương pháp tái tạo 3D như NeRF yêu cầu dữ liệu chụp dày đặc tại một thời điểm cố định và thiếu khả năng tạo ra chuyển động động hoặc thay đổi điều kiện thời tiết linh hoạt.

II. Main Idea:​

Đề xuất CityRAG, một mô hình tạo video sử dụng cơ chế Retrieval-Augmented Generation (RAG) để kết nối với kho dữ liệu hình ảnh/video đã đăng ký địa lý (geo-registered data).

  • Kiến trúc: Tinh chỉnh từ mô hình I2V (Wan 2.1), bổ sung các nhánh điều kiện: hình ảnh đầu tiên (để lấy điều kiện thời tiết, ánh sáng, vật thể động), quỹ đạo camera (trajectory) và dữ liệu địa lý truy xuất được (geospatial conditioning) thông qua cơ chế cross-attention.
  • Chiến lược huấn luyện: Sử dụng các cặp dữ liệu Street View chụp cùng một vị trí nhưng ở các thời điểm khác nhau (temporally unaligned). Điều này buộc mô hình phải tách biệt (disentangle) các yếu tố tĩnh (tòa nhà, đường xá) từ dữ liệu địa lý và các yếu tố nhất thời (thời tiết, xe cộ) từ hình ảnh điều kiện.

III. Main Results:​

CityRAG cho phép tạo ra các video đi bộ/lái xe dài hàng phút với độ nhất quán 3D cao:

  • Độ chính xác địa lý: Tái hiện đúng các tòa nhà, biển báo và cấu trúc đường phố thực tế từ cơ sở dữ liệu Street View.
  • Khả năng điều khiển: Duy trì nhất quán điều kiện thời tiết và ánh sáng từ hình ảnh khởi tạo xuyên suốt hàng ngàn khung hình.
  • Tính linh hoạt: Có thể điều hướng theo quỹ đạo tùy chỉnh của người dùng, hỗ trợ 'loop closure' (quay trở lại điểm xuất phát) và xử lý được các quỹ đạo ngắt quãng bằng cách ghép nối nhiều đoạn video truy xuất.

IV. Conclusion & Future Works:​

CityRAG chứng minh rằng việc kết hợp tri thức thế giới thực thông qua RAG giúp giảm thiểu ảo giác trong tạo video và tạo ra môi trường mô phỏng thực tế cho lái xe tự hành hoặc robot. Hướng phát triển tương lai bao gồm việc cải thiện khả năng phản hồi với các mô tả văn bản (text captions) vốn bị mất đi sau quá trình tinh chỉnh.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu khả năng mở rộng CityRAG cho các môi trường nội thất phức tạp (như nhà máy, bệnh viện) bằng cách xây dựng cơ sở dữ liệu bản đồ trong nhà.
  2. Phát triển cơ chế điều khiển động cho các đối tượng trong video (ví dụ: điều khiển xe taxi rẽ trái/phải) thay vì để mô hình tự sinh ngẫu nhiên.
  3. Kết hợp CityRAG với các mô hình LLM để cho phép người dùng điều hướng thành phố bằng ngôn ngữ tự nhiên (ví dụ: 'Hãy dẫn tôi đến tòa nhà cao nhất gần đây').

2. Patent:​

  1. Hệ thống xem trước du lịch ảo trên điện thoại: Cho phép người dùng chọn một bức ảnh chụp tại một địa danh, sau đó ứng dụng tạo ra video mô phỏng việc đi bộ khám phá xung quanh khu vực đó dựa trên dữ liệu bản đồ thực tế.
  2. Công cụ mô phỏng lái xe an toàn cho ứng dụng di động: Tạo ra các kịch bản lái xe trong điều kiện thời tiết khắc nghiệt (tuyết rơi, mưa bão) tại chính cung đường người dùng thường đi để huấn luyện phản xạ hoặc kiểm tra an toàn.
  3. Ứng dụng hỗ trợ điều hướng thực tế tăng cường (AR): Tự động tạo ra các video hướng dẫn đường đi chi tiết, chân thực (thay vì mũi tên 2D) bằng cách truy xuất hình ảnh thực tế của các ngã rẽ và tòa nhà xung quanh.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.19741
ArXiv Abstracthttps://arxiv.org/abs/2604.19741
PDF Downloadhttps://arxiv.org/pdf/2604.19741.pdf
Github RepositoryN/A

11. AJ-Bench: Benchmarking Agent-as-a-Judge for Environment-Aware Evaluation (15 votes)​

Tác giả: Wentao Shi, Yu Wang, Yuyang Zhao, Yuxin Chen, Fuli Feng, Xueyuan Hao, Xi Su, Qi Gu, Hui Su, Xunliang Cai, Xiangnan He

Xuất bản lúc: 2026-04-20

Tag: Agent-as-a-Judge, LLM-as-a-Judge, Benchmarking, Tool-use, Multimodal Evaluation

I. Main Problem:​

Việc xác minh hành vi của các tác nhân (agents) dựa trên LLM trong các môi trường phức tạp ngày càng khó khăn. Các phương pháp hiện tại như bộ xác minh dựa trên quy tắc (rule-based) thường thiếu khả năng tổng quát hóa, trong khi phương pháp LLM-as-a-Judge chỉ dựa trên các tín hiệu văn bản bề mặt mà không thể tương tác trực tiếp với môi trường để kiểm chứng thực tế.

II. Main Idea:​

Đề xuất khái niệm và xây dựng AJ-Bench, một benchmark toàn diện để đánh giá khả năng của Agent-as-a-Judge. Thay vì chỉ đọc văn bản, Agent-as-a-Judge được trang bị khả năng tương tác chủ động với môi trường và sử dụng công cụ để thu thập bằng chứng, xác minh trạng thái và kiểm tra quy trình thực thi của các agent khác.

III. Main Results:​

AJ-Bench bao gồm 155 tác vụ và 516 quỹ đạo (trajectories) trên 3 lĩnh vực: Tìm kiếm (Search), Hệ thống dữ liệu (DS) và Giao diện người dùng đồ họa (GUI). Kết quả thực nghiệm cho thấy:

  • Agent-as-a-Judge vượt trội hơn LLM-as-a-Judge với điểm F1 cải thiện trung bình 0.13.
  • Các mô hình yếu hơn khi được triển khai dưới dạng Agent-as-a-Judge có thể đạt hiệu suất tương đương hoặc cao hơn các mô hình SOTA chỉ đóng vai trò LLM-as-a-Judge.
  • Việc tăng ngân sách tương tác (số lượt gọi công cụ) giúp cải thiện đáng kể độ chính xác của việc đánh giá.
  • Trong lĩnh vực GUI, việc kết hợp nhiều phương thức đầu vào (screenshot và accessibility tree) mang lại hiệu quả khác nhau tùy theo ứng dụng cụ thể.

IV. Conclusion & Future Works:​

Nghiên cứu khẳng định tiềm năng của việc đưa khả năng tác nhân vào quy trình xác minh để tăng độ tin cậy. Hướng phát triển tương lai bao gồm: mở rộng quy mô dữ liệu bằng cách tự xây dựng các tác vụ mới thay vì điều chỉnh từ benchmark có sẵn, và cải thiện tính ổn định của môi trường tương tác (đặc biệt là môi trường web).

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về cơ chế tối ưu hóa số lượt tương tác cần thiết cho Agent-as-a-Judge để đạt được sự cân bằng giữa chi phí tính toán và độ chính xác xác minh.
  2. Phân tích sâu về sự xung đột thông tin khi Agent-as-a-Judge nhận dữ liệu từ nhiều phương thức (Multimodal) trong môi trường GUI phức tạp.
  3. Phát triển phương pháp huấn luyện chuyên biệt cho LLM để nâng cao khả năng 'phán quyết' thông qua việc học từ các quỹ đạo xác minh thành công.

2. Patent:​

  1. Hệ thống tự động kiểm tra lỗi ứng dụng di động: Sử dụng một tác nhân thông minh đóng vai trò giám sát, tự động thao tác trên màn hình điện thoại để xác minh xem một tính năng mới có hoạt động đúng như mô tả hay không thay vì chỉ dựa trên báo cáo log.
  2. Công cụ xác thực thông tin thời gian thực cho trợ lý ảo: Tích hợp bộ xác minh có khả năng tự truy cập trình duyệt và đối chiếu dữ liệu từ nhiều nguồn uy tín để kiểm tra tính chính xác của câu trả lời trước khi hiển thị cho người dùng điện thoại.
  3. Hệ thống giám sát quy trình cài đặt phần mềm tự động: Một tác nhân chạy ngầm trên thiết bị di động, tự động kiểm tra các thay đổi về tệp tin và trạng thái hệ thống sau mỗi bước cài đặt để phát hiện và cảnh báo sai sót ngay lập tức.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.18240
ArXiv Abstracthttps://arxiv.org/abs/2604.18240
PDF Downloadhttps://arxiv.org/pdf/2604.18240.pdf
Github Repositoryhttps://github.com/aj-bench/AJ-Bench

12. SkillLearnBench: Benchmarking Continual Learning Methods for Agent Skill Generation on Real-World Tasks (14 votes)​

Tác giả: Shanshan Zhong, Yi Lu, Jingjie Ning, Yibing Wan, Lihan Feng, Yuyi Ao, Leonardo F. R. Ribeiro, Markus Dreyer, Sean Ammirati, Chenyan Xiong

Xuất bản lúc: 2026-04-22

Tag: LLMs, Continual Learning, AI Agents, Skill Generation, Benchmarking

I. Main Problem:​

Hiện nay, các tác nhân LLM (LLM agents) sử dụng các 'kỹ năng' (skills) — các tài liệu cấu trúc chứa hướng dẫn và quy trình — để thực hiện các tác vụ phức tạp. Tuy nhiên, việc làm thế nào để tự động tạo ra các kỹ năng này một cách hiệu quả thông qua học tập liên tục (continual learning) vẫn chưa rõ ràng và thiếu một khung đánh giá chuẩn hóa để so sánh các phương pháp tạo kỹ năng khác nhau.

II. Main Idea:​

Nhóm tác giả đề xuất SkillLearnBench, benchmark đầu tiên để đánh giá các phương pháp học liên tục trong việc tạo kỹ năng cho tác nhân. Benchmark này bao gồm:

  • Bộ dữ liệu: 20 tác vụ được xác minh thuộc 15 phân vùng (sub-domains) thực tế, yêu cầu phải có kỹ năng mới giải được.
  • Khung đánh giá 3 cấp độ:
    1. Chất lượng kỹ năng (Skill Quality): Đánh giá độ bao phủ, khả năng thực thi và tính an toàn của văn bản kỹ năng.
    2. Phân tích quỹ đạo (Trajectory Analysis): Đánh giá mức độ căn chỉnh của quá trình thực hiện so với quỹ đạo chuẩn và tỷ lệ sử dụng kỹ năng.
    3. Kết quả tác vụ (Task Outcome): Đo lường độ chính xác cuối cùng và hiệu suất giải quyết (số token tiêu thụ).
  • So sánh 4 phương pháp: One-Shot, Self Feedback, Teacher Feedback, và Skill Creator.

III. Main Results:​

Kết quả thực nghiệm cho thấy:

  • Hiệu quả chung: Tất cả các phương pháp học liên tục đều cải thiện hiệu suất so với baseline không có kỹ năng, nhưng vẫn thấp hơn nhiều so với kỹ năng do con người viết (chỉ lấp đầy khoảng 45% khoảng cách).
  • Phụ thuộc tác vụ: Học liên tục hiệu quả nhất với các tác vụ có quy trình rõ ràng, có thể tái sử dụng (ví dụ: Kỹ thuật phần mềm), nhưng gặp khó khăn hoặc gây hại với các tác vụ mở (open-ended).
  • Phản hồi ngoại vi vs Tự phản hồi: Phản hồi từ 'giáo viên' (Teacher Feedback) giúp cải thiện kỹ năng thực sự qua nhiều vòng lặp. Ngược lại, tự phản hồi (Self Feedback) dễ dẫn đến hiện tượng 'trôi dạt' (recursive drift), làm giảm độ chính xác sau nhiều lần chỉnh sửa.
  • Mô hình LLM: Việc sử dụng các LLM mạnh hơn không nhất thiết dẫn đến việc tạo ra các kỹ năng tốt hơn một cách nhất quán.

IV. Conclusion & Future Works:​

Nghiên cứu kết luận rằng việc tạo kỹ năng tự động hiện nay vẫn thiếu khả năng nắm bắt logic cốt lõi của tác vụ và chưa đảm bảo tác nhân sẽ tuân thủ kỹ năng một cách tin cậy. Hướng phát triển tương lai cần tập trung vào việc gắn kết (grounding) kỹ năng với logic thực tế của tác vụ và cải thiện cơ chế để tác nhân chấp nhận và thực hiện chính xác các kỹ năng đã học.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về cơ chế ngăn chặn 'recursive drift' trong quá trình tự cải thiện kỹ năng của LLM agents thông qua việc kết hợp các ràng buộc logic hoặc kiểm tra chéo.
  2. Phát triển một phương pháp tạo kỹ năng thích ứng (Adaptive Skill Generation) có khả năng phân biệt giữa tác vụ có quy trình cố định và tác vụ mở để áp dụng chiến lược học khác nhau.
  3. Khám phá sự tương quan giữa cấu trúc của văn bản kỹ năng (Markdown format) và khả năng thực thi của tác nhân để tối ưu hóa định dạng biểu diễn kiến thức.

2. Patent:​

  1. Hệ thống tự động tối ưu hóa quy trình làm việc trên điện thoại: Ứng dụng tự theo dõi các thao tác lặp đi lặp lại của người dùng để tự tạo ra các 'kỹ năng' (phím tắt/quy trình tự động) giúp thực hiện nhanh các tác vụ phức tạp mà không cần cài đặt thủ công.
  2. Trợ lý ảo hỗ trợ học tập cá nhân hóa: Hệ thống sử dụng cơ chế phản hồi từ chuyên gia để hướng dẫn người dùng tạo ra các bộ quy trình giải quyết vấn đề riêng cho từng môn học, lưu trữ trong thư viện kỹ năng để tái sử dụng cho các bài tập tương tự.
  3. Công cụ kiểm tra an toàn cho tác nhân AI trên thiết bị di động: Một module tự động quét các kỹ năng do AI tự tạo để phát hiện rủi ro rò rỉ dữ liệu cá nhân hoặc lệnh thực thi nguy hiểm trước khi cho phép tác nhân triển khai kỹ năng đó trên hệ điều hành.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.20087
ArXiv Abstracthttps://arxiv.org/abs/2604.20087
PDF Downloadhttps://arxiv.org/pdf/2604.20087.pdf
Github Repositoryhttps://github.com/cxcscmu/SkillLearnBench

13. Understanding and Enforcing Weight Disentanglement in Task Arithmetic (12 votes)​

Tác giả: Shangge Liu, Yuehan Yin, Lei Wang, Qi Fan, Yinghuan Shi, Wenbin Li, Yang Gao, Dacheng Tao

Xuất bản lúc: 2026-04-18

Tag: Task Arithmetic, Model Merging, Weight Disentanglement, Orthogonality, Fine-tuning

I. Main Problem:​

Task Arithmetic cho phép chỉnh sửa mô hình tiền huấn luyện một cách hiệu quả bằng cách cộng/trừ các 'task vector', nhưng thường gặp phải hiện tượng can nhiễu (interference) gây giảm hiệu suất khi kết hợp nhiều tác vụ. Hiện nay, thiếu một lời giải thích lý thuyết căn bản về nguyên nhân gây ra sự tách biệt trọng số (weight disentanglement) và thiếu phương pháp để chủ động tạo ra các task vector không gây nhiễu.

II. Main Idea:​

Nhóm tác giả đề xuất khái niệm Task-Feature Specialization (TFS) - khả năng của mô hình trong việc phân bổ các đặc trưng nội bộ riêng biệt cho các tác vụ khác nhau. Họ chứng minh TFS là điều kiện đủ cho weight disentanglement và dẫn đến hệ quả hình học là tính trực giao của vector trọng số (Weight Vector Orthogonality - WVO). Từ đó, họ đề xuất phương pháp OrthoReg, một kỹ thuật chính quy hóa (regularization) áp dụng trong quá trình fine-tuning để cưỡng ép tính trực giao lên các cập nhật trọng số (ΔW\Delta W), nhằm giảm thiểu can nhiễu giữa các tác vụ.

III. Main Results:​

Phương pháp OrthoReg mang lại những cải thiện đáng kể:

  • Hiệu suất Task Addition: Tăng độ chính xác tuyệt đối (Abs.Acc.) và độ chính xác chuẩn hóa (Norm.Acc.) trên nhiều kiến trúc ViT (B-32, B-16, L-14). Đặc biệt, khi kết hợp với Attention-Only Fine-tuning, mô hình đạt mức Norm.Acc. ≈100%\approx 100\%, cho thấy gần như không có can nhiễu.
  • Hiệu suất Task Negation: Tăng cường khả năng 'quên' tác vụ mục tiêu (giảm Target Accuracy) trong khi vẫn giữ nguyên hiệu suất trên tác vụ kiểm soát (ImageNet).
  • Chứng minh hình học: Bản đồ nhiệt (heatmap) cho thấy các task vector sau khi dùng OrthoReg có độ tương đồng cosine thấp hơn nhiều, xác nhận tính trực giao giữa các tác vụ.

IV. Conclusion & Future Works:​

Nghiên cứu đã thiết lập mối liên hệ giữa TFS, tính trực giao và weight disentanglement, cung cấp một công cụ thực tiễn (OrthoReg) để cải thiện Task Arithmetic. Trong tương lai, nhóm tác giả dự định khám phá các dạng ràng buộc trực giao đa dạng hơn để kiểm soát quá trình hợp nhất mô hình mạnh mẽ hơn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu áp dụng OrthoReg cho các mô hình ngôn ngữ lớn (LLMs) để tùy chỉnh đa nhiệm mà không gây quên kiến thức cũ.
  2. Phân tích sâu hơn về mối quan hệ giữa tính trực giao của trọng số và khả năng tổng quát hóa của mô hình trong học liên tục (Continual Learning).
  3. Phát triển một khung đánh giá tự động để đo lường mức độ TFS của một mô hình tiền huấn luyện trước khi thực hiện Task Arithmetic.

2. Patent:​

  1. Hệ thống cập nhật tính năng ứng dụng di động: Sử dụng cơ chế trực giao hóa trọng số để thêm các tính năng AI mới vào ứng dụng trên điện thoại mà không cần huấn luyện lại toàn bộ mô hình, giúp tiết kiệm tài nguyên thiết bị.
  2. Phương pháp xóa dữ liệu nhạy cảm trong AI trên thiết bị: Áp dụng kỹ thuật trừ vector tác vụ trực giao để loại bỏ các khả năng hoặc dữ liệu độc hại/riêng tư khỏi mô hình AI chạy trên điện thoại một cách chính xác mà không làm hỏng các chức năng khác.
  3. Công cụ cá nhân hóa AI cục bộ: Tạo ra các vector đặc trưng trực giao cho từng người dùng khác nhau trên cùng một mô hình cơ sở của điện thoại, cho phép chuyển đổi nhanh chóng giữa các chế độ tùy chỉnh cá nhân mà không gây xung đột.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.17078
ArXiv Abstracthttps://arxiv.org/abs/2604.17078
PDF Downloadhttps://arxiv.org/pdf/2604.17078.pdf
Github Repositoryhttps://github.com/RL-MIND/OrthoReg

14. ClawNet: Human-Symbiotic Agent Network for Cross-User Autonomous Cooperation (11 votes)​

Tác giả: Zhiqin Yang, Zhenyuan Zhang, Xianzhang Jia, Jun Song, Wei Xue, Yonggang Zhang, Yike Guo

Xuất bản lúc: 2026-04-21

Tag: Multi-Agent Systems, AI Governance, Identity Management, Human-Agent Collaboration, OS-level Agents

I. Main Problem:​

Các khung làm việc (framework) AI agent hiện nay chủ yếu phục vụ một người dùng duy nhất. Khi chuyển sang hợp tác giữa nhiều người dùng (cross-user collaboration), các hệ thống này thiếu cơ sở hạ tầng quản trị cần thiết như: ràng buộc định danh (identity binding), ủy quyền theo phạm vi (scoped authorization) và khả năng truy cứu trách nhiệm (accountability). Điều này dẫn đến rủi ro rò rỉ thông tin, truy cập trái phép và thiếu khả năng kiểm soát khi agent đại diện cho con người trong các giao dịch xã hội hoặc chuyên môn.

II. Main Idea:​

Đề xuất mô hình agent cộng sinh với con người (human-symbiotic agent paradigm) thông qua khung làm việc ClawNet. Thay vì coi agent là nút chính, ClawNet coi con người là các nút trong mạng lưới hợp tác, và các agent đóng vai trò là các cạnh (edges) được quản trị. Hệ thống sử dụng kiến trúc định danh phân lớp: một Manager Agent (giữ toàn bộ kiến thức nhưng bị cô lập hoàn toàn với bên ngoài để bảo mật) và nhiều Identity Agents (đại diện cho các vai trò/ngữ cảnh cụ thể, chỉ tiếp xúc với bên ngoài và chỉ sở hữu kiến thức/quyền hạn liên quan đến vai trò đó).

III. Main Results:​

Thiết kế và triển khai ClawNet với kiến trúc Cloud-Edge:

  • Cloud-side: Chạy các container riêng biệt cho mỗi người dùng để đảm bảo cô lập đa người dùng, bao gồm Manager Agent và Identity Agents.
  • Edge-side: Một client cài đặt trên thiết bị người dùng đóng vai trò là cổng tương tác và công cụ thực thi mức OS (điều khiển file, thư mục).
  • Cơ chế quản trị 3 lớp:
    1. Identity Binding: Xây dựng sự gắn kết nhận thức thông qua 3 tầng bộ nhớ (sự thật, mô hình hành vi và giá trị).
    2. Scoped Authorization: Kiểm soát truy cập hai lớp (L1 ACL tại server và L2 whitelist tại client).
    3. Action-level Accountability: Ghi nhật ký mọi thao tác và tự động sao lưu trước khi thực hiện các thay đổi (mutative operations) để có thể hoàn tác.

IV. Conclusion & Future Works:​

ClawNet chứng minh rằng việc số hóa các mối quan hệ hợp tác của con người thông qua các nguyên tắc quản trị (định danh, ủy quyền, trách nhiệm) cho phép các agent tự trị phối hợp an toàn và hiệu quả giữa nhiều người dùng. Tác giả định hướng chuyển dịch thiết kế hệ thống agent từ việc chỉ tăng cường năng lực cá nhân sang xây dựng quản trị cộng sinh giữa người và máy.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về cơ chế tự động leo thang quyền hạn (escalation) khi Identity Agent gặp xung đột về giá trị hoặc vượt quá phạm vi ủy quyền trong thời gian thực.
  2. Phát triển mô hình bộ nhớ động cho Identity Agent để tự động cập nhật 'giá trị' và 'mô hình hành vi' của chủ sở hữu thông qua phản hồi từ các cuộc hợp tác thực tế.
  3. Phân tích so sánh hiệu quả giữa kiến trúc định danh phân lớp (layered identity) và kiến trúc agent đơn khối (monolithic) trong việc ngăn chặn tấn công Prompt Injection gây rò rỉ dữ liệu.

2. Patent:​

  1. Hệ thống trợ lý ảo trên điện thoại có khả năng tạo ra các 'nhân cách số' tạm thời cho từng mục đích (ví dụ: nhân cách làm việc, nhân cách gia đình) để giới hạn quyền truy cập vào ảnh, tin nhắn và danh bạ tùy theo đối tượng tương tác.
  2. Phương pháp sao lưu và hoàn tác tự động cho các thao tác chỉnh sửa file của AI trên thiết bị di động, cho phép người dùng quay lại trạng thái trước đó nếu AI thực hiện sai lệnh.
  3. Giao thức xác thực hai lớp cho AI agent trên di động, yêu cầu xác nhận từ chủ sở hữu thông qua sinh trắc học khi AI muốn thực hiện hành động vượt ra khỏi danh sách các thư mục được phép.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.19211
ArXiv Abstracthttps://arxiv.org/abs/2604.19211
PDF Downloadhttps://arxiv.org/pdf/2604.19211.pdf
Github RepositoryN/A

15. Code-Switching Information Retrieval: Benchmarks, Analysis, and the Limits of Current Retrievers (11 votes)​

Tác giả: Qingcheng Zeng, Yuheng Lu, Zeqi Zhou, Heli Qi, Puxuan Yu, Fuheng Zhao, Hitomi Yanaka, Weihao Xuan, Naoto Yokoya

Xuất bản lúc: 2026-04-19

Tag: Information Retrieval, Code-Switching, Multilingual Embeddings, RAG, Cross-lingual Retrieval

I. Main Problem:​

Các hệ thống truy xuất thông tin (IR) hiện nay chủ yếu được thiết kế cho ngữ cảnh đơn ngữ. Hiện tượng code-switching (trộn nhiều ngôn ngữ trong một câu), vốn rất phổ biến trong giao tiếp toàn cầu, gây ra sự sụt giảm hiệu suất nghiêm trọng cho cả các mô hình truy xuất thống kê, dense retrieval và cross-encoder, tạo ra một lỗ hổng lớn về độ bền vững (robustness) của các hệ thống IR hiện đại.

II. Main Idea:​

Nghiên cứu thực hiện một đánh giá toàn diện về khả năng truy xuất thông tin khi có code-switching thông qua ba giai đoạn: (1) Xây dựng benchmark CSR-L (Code-Switching Retrieval benchmark-Lite) do con người gán nhãn để đánh giá các phương pháp truy xuất; (2) Mở rộng quy mô đánh giá thông qua CS-MTEB, bao gồm 11 tác vụ khác nhau và nhiều cặp ngôn ngữ; (3) Thử nghiệm phương pháp mở rộng từ vựng dựa trên từ điển (lexicon-based vocabulary expansion) để giảm bớt sự phân kỳ trong không gian nhúng (embedding space) giữa văn bản đơn ngữ và văn bản trộn ngôn ngữ.

III. Main Results:​

  • Hiệu suất sụt giảm: Code-switching gây suy giảm hiệu suất đáng kể trên tất cả các kiến trúc IR. Ngay cả các mô hình đa ngôn ngữ mạnh mẽ cũng không miễn nhiễm, mặc dù chúng bền vững hơn các mô hình thuần tiếng Anh.
  • Phân tích không gian nhúng: Đối với các mô hình đơn ngữ, truy vấn code-switching tạo ra các cụm dữ liệu tách biệt hoàn toàn với truy vấn đơn ngữ. Các mô hình đa ngôn ngữ có sự chồng lấp tốt hơn nhưng vẫn tồn tại khoảng cách semantic.
  • CS-MTEB: Kết quả cho thấy sự sụt giảm hiệu suất lên đến 27%, đặc biệt nghiêm trọng trong tác vụ reranking (xếp hạng lại).
  • Mở rộng từ vựng: Việc bổ sung từ vựng từ từ điển song ngữ giúp cải thiện hiệu suất cho các mô hình đơn ngữ nhưng không thể khôi phục hoàn toàn về mức hiệu suất của đơn ngữ, chứng tỏ code-switching là một thách thức về ngữ nghĩa sâu hơn là chỉ thiếu hụt từ vựng.

IV. Conclusion & Future Works:​

Kết luận rằng code-switching là một rào cản cơ bản mà việc tăng quy mô mô hình hoặc tiền huấn luyện đa ngôn ngữ tiêu chuẩn không thể giải quyết triệt để. Hướng phát triển tương lai cần tập trung vào việc coi code-switching như một phương thức ngôn ngữ riêng biệt (distinct linguistic modality) để huấn luyện, thay vì chỉ dựa vào dịch thuật hoặc căn chỉnh ngữ nghĩa bề mặt. Đồng thời, cần mở rộng benchmark cho các hiện tượng như romanization (phiên âm) và biến thể chính tả trong thực tế.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu phát triển phương pháp huấn luyện mô hình nhúng (embedding) bằng cách sử dụng dữ liệu tổng hợp code-switching có cấu trúc để cải thiện độ bền vững cho hệ thống RAG.
  2. Phân tích sâu về sự khác biệt giữa căn chỉnh ngữ nghĩa (semantic alignment) và mức độ liên quan trong truy xuất (retrieval relevance) đối với các truy vấn trộn ngôn ngữ.
  3. Xây dựng framework tự động đánh giá độ tự nhiên của văn bản code-switching để tạo ra các tập dữ liệu huấn luyện chất lượng cao cho IR.

2. Patent:​

  1. Hệ thống tự động tối ưu hóa truy vấn trên điện thoại di động: Khi người dùng nhập câu lệnh trộn ngôn ngữ, hệ thống sẽ sử dụng một lớp chuyển đổi từ vựng nhẹ để chuẩn hóa các thuật ngữ kỹ thuật sang ngôn ngữ chính trước khi gửi đến bộ máy tìm kiếm.
  2. Tính năng bàn phím thông minh hỗ trợ tìm kiếm đa ngôn ngữ: Tích hợp bộ từ điển song ngữ ngay trên thiết bị để gợi ý và chuẩn hóa các từ code-switching trong thời gian thực, giúp tăng độ chính xác cho các ứng dụng tìm kiếm nội bộ trên điện thoại.
  3. Phương pháp nén mô hình nhúng đa ngôn ngữ cho thiết bị di động: Thiết kế một bộ giải mã (decoder) từ vựng linh hoạt cho phép cập nhật nhanh các từ vựng trộn ngôn ngữ phổ biến theo vùng miền mà không cần huấn luyện lại toàn bộ mô hình AI trên điện thoại.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.17632
ArXiv Abstracthttps://arxiv.org/abs/2604.17632
PDF Downloadhttps://arxiv.org/pdf/2604.17632.pdf
Github Repositoryhttps://github.com/paddler2022/Code-Switching-Information-Retrieval

16. Dual-View Training for Instruction-Following Information Retrieval (10 votes)​

Tác giả: Qingcheng Zeng, Puxuan Yu, Aman Mehta, Fuheng Zhao, Rajhans Samdani

Xuất bản lúc: 2026-04-20

Tag: Information Retrieval, LLMs, Instruction Tuning, Contrastive Learning, Data Synthesis

I. Main Problem:​

Các hệ thống truy xuất thông tin (IR) hiện nay thường quá phụ thuộc vào sự tương đồng về ngữ nghĩa giữa truy vấn và tài liệu, dẫn đến việc bỏ qua các ràng buộc cụ thể trong hướng dẫn của người dùng (Instruction-following IR). Điều này khiến mô hình khó phân biệt được tài liệu nào chỉ đúng về chủ đề nhưng lại vi phạm các yêu cầu chi tiết (ví dụ: yêu cầu về định dạng, loại trừ nội dung cụ thể).

II. Main Idea:​

Đề xuất chiến lược tổng hợp dữ liệu 'Dual-View' (Hai góc nhìn) dựa trên việc đảo ngược cực tính (polarity reversal). Cụ thể, với một truy vấn, một tài liệu tích cực (D+D^+) và một tài liệu tiêu cực do vi phạm hướng dẫn (D−D^-), tác giả dùng LLM để tạo ra một hướng dẫn mới sao cho vai trò của D+D^+ và D−D^- bị đảo ngược: D−D^- trở thành tài liệu tích cực và D+D^+ trở thành tài liệu tiêu cực. Việc huấn luyện trên hai góc nhìn đối lập này buộc mô hình phải thực sự phân tích hướng dẫn thay vì chỉ dựa vào các dấu hiệu chủ đề cố định.

III. Main Results:​

Phương pháp Dual-View cải thiện hiệu suất đáng kể trên benchmark FollowIR với chỉ số p-MRR tăng 45% trên encoder 305M tham số, vượt qua cả các mô hình nhúng đa năng có quy mô lớn hơn. Kết quả cho thấy sự đánh đổi giữa độ nhạy với hướng dẫn và chất lượng truy xuất tổng quát; tuy nhiên, việc bổ sung dữ liệu Dual-View giúp giải quyết mâu thuẫn này, cải thiện đồng thời cả hai khả năng mà không cần tăng ngân sách dữ liệu.

IV. Conclusion & Future Works:​

Chiến lược tổng hợp dữ liệu đảo ngược cực tính là một cách hiệu quả để xây dựng hệ thống truy xuất vừa có khả năng tổng quát vừa nhạy bén với hướng dẫn. Các hướng phát triển tương lai bao gồm: áp dụng phương pháp này cho kiến trúc decoder-based hoặc cross-encoder, và mở rộng thử nghiệm sang các ngôn ngữ khác ngoài tiếng Anh.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu khả năng áp dụng chiến lược Dual-View cho các mô hình truy xuất đa phương thức (Multimodal IR), nơi hướng dẫn có thể bao gồm các ràng buộc về hình ảnh hoặc âm thanh.
  2. Phân tích sâu hơn về tác động của độ phức tạp của hướng dẫn (instruction complexity) đối với khả năng đảo ngược cực tính của LLM trong quá trình tổng hợp dữ liệu.
  3. Xây dựng một khung đánh giá tự động để đo lường mức độ 'nhạy cảm với hướng dẫn' của các mô hình Embedding mà không cần dữ liệu gán nhãn thủ công.

2. Patent:​

  1. Hệ thống tìm kiếm tài liệu thông minh trên điện thoại cho phép người dùng lọc kết quả bằng ngôn ngữ tự nhiên (ví dụ: 'Tìm hướng dẫn sử dụng nhưng loại bỏ các phần về lắp đặt'), sử dụng mô hình đã huấn luyện bằng phương pháp đảo ngược cực tính để đảm bảo độ chính xác của bộ lọc.
  2. Tính năng trợ lý ảo cá nhân hóa trên di động có khả năng điều chỉnh kết quả tìm kiếm ứng dụng hoặc tệp tin dựa trên ngữ cảnh thay đổi nhanh (ví dụ: 'Tìm ảnh chụp công việc nhưng chỉ lấy những ảnh có định dạng PDF'), tối ưu hóa việc phân loại tài liệu theo yêu cầu thời gian thực.
  3. Phương pháp tự động tạo dữ liệu huấn luyện cho các bộ máy tìm kiếm nội bộ của doanh nghiệp trên thiết bị di động, giúp mô hình hiểu rõ các quy định nghiêm ngặt về bảo mật hoặc phân loại tài liệu thông qua việc tạo ra các cặp hướng dẫn đối lập.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.18845
ArXiv Abstracthttps://arxiv.org/abs/2604.18845
PDF Downloadhttps://arxiv.org/pdf/2604.18845.pdf
Github RepositoryN/A

17. Speculative Decoding for Autoregressive Video Generation (10 votes)​

Tác giả: Yuezhou Hu, Jintao Zhang

Xuất bản lúc: 2026-04-19

Tag: Speculative Decoding, Autoregressive Video Generation, Diffusion Models, ImageReward, Inference Acceleration

I. Main Problem:​

Việc tạo video tự hồi quy (autoregressive video generation) bằng các mô hình lớn (như 14B tham số) đòi hỏi chi phí tính toán rất cao, gây khó khăn cho việc đạt được tốc độ thời gian thực. Trong khi đó, kỹ thuật Speculative Decoding phổ biến trong LLMs không thể áp dụng trực tiếp cho video vì video là các tensor không gian-thời gian liên tục, không có phân phối cấp độ token để thực hiện lấy mẫu bác bỏ (rejection sampling) chính xác.

II. Main Idea:​

Đề xuất khung làm việc SDVG (Speculative Decoding for Autoregressive Video Generation), một phương pháp không cần huấn luyện lại, sử dụng một mô hình nhỏ (drafter - 1.3B) để đề xuất các khối video ứng viên và một mô hình lớn (target - 14B) để tái tạo khi cần thiết. Thay vì xác minh token, SDVG sử dụng một bộ định tuyến chất lượng hình ảnh (ImageReward) để quyết định chấp nhận hay bác bỏ khối video dựa trên một ngưỡng τ\tau cố định. Ba thiết kế then chốt bao gồm: (1) Luôn bác bỏ khối đầu tiên để cố định bố cục cảnh, (2) Sử dụng điểm số của khung hình tệ nhất (worst-frame aggregation) để phát hiện lỗi, và (3) Sử dụng ngưỡng τ\tau làm nút điều chỉnh linh hoạt giữa chất lượng và tốc độ.

III. Main Results:​

Trên tập dữ liệu MovieGen-VideoBench (độ phân giải 832x480), SDVG đạt được các kết quả ấn tượng:

  • Với τ=−0.7\tau = -0.7, tốc độ tăng 1.59 lần trong khi vẫn giữ được 98.1% chất lượng so với mô hình target đơn thuần.
  • Khi nới lỏng ngưỡng τ=−2.5\tau = -2.5, tốc độ tăng lên 2.09 lần và vẫn duy trì 95.7% chất lượng, vượt xa việc chỉ sử dụng mô hình draft (+17%).
  • Các thử nghiệm ablation cho thấy việc sử dụng điểm số khung hình tệ nhất hiệu quả hơn nhiều so với điểm trung bình, và tín hiệu từ ImageReward là yếu tố quyết định chất lượng so với việc định tuyến ngẫu nhiên.

IV. Conclusion & Future Works:​

SDVG chứng minh rằng một cơ chế định tuyến dựa trên phần thưởng hình ảnh đơn giản là đủ để kết hợp tốc độ của mô hình nhỏ và chất lượng của mô hình lớn mà không cần kỹ thuật phức tạp về quỹ đạo khử nhiễu. Hướng phát triển tương lai bao gồm: giảm thiểu tính toán lãng phí cho các khối bị bác bỏ, phát triển mô hình đánh giá chất lượng dành riêng cho video (thay vì dùng mô hình hình ảnh tĩnh) để cải thiện tính nhất quán về thời gian và chuyển động.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu tích hợp SDVG với các phương pháp chắp nối quỹ đạo (trajectory stitching) như T-Stitch hoặc SRDiffusion để đạt được tốc độ tăng trưởng cộng dồn.
  2. Phát triển một mô hình Reward chuyên biệt cho video-block (Video-Block Reward Model) thay thế ImageReward để đánh giá độ mượt của chuyển động và tính nhất quán thời gian.
  3. Khảo sát khả năng mở rộng của SDVG trên các kiến trúc video diffusion khác nhau ngoài Wan2.1 để chứng minh tính tổng quát của khung làm việc.

2. Patent:​

  1. Hệ thống tạo video thời gian thực trên điện thoại di động: Sử dụng mô hình nhỏ chạy trực tiếp trên NPU của điện thoại để tạo bản nháp video, chỉ gửi yêu cầu lên cloud (mô hình lớn) khi bộ định tuyến chất lượng phát hiện khung hình bị lỗi, giúp giảm băng thông và độ trễ.
  2. Tính năng 'Điều chỉnh chất lượng linh hoạt' cho ứng dụng tạo video: Cung cấp một thanh trượt cho người dùng cuối (tương ứng với ngưỡng τ\tau), cho phép họ chọn ưu tiên 'Tốc độ nhanh' (chấp nhận nhiều bản nháp) hoặc 'Chất lượng cao' (tăng cường tái tạo bằng mô hình lớn).
  3. Phương pháp kiểm soát lỗi hiển thị video streaming: Tích hợp bộ lọc khung hình tệ nhất vào luồng truyền tải video tự hồi quy, tự động yêu cầu máy chủ tính toán lại các đoạn video bị nhiễu hoặc biến dạng trước khi truyền đến thiết bị người dùng.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.17397
ArXiv Abstracthttps://arxiv.org/abs/2604.17397
PDF Downloadhttps://arxiv.org/pdf/2604.17397.pdf
Github RepositoryN/A

18. UniMesh: Unifying 3D Mesh Understanding and Generation (10 votes)​

Tác giả: Peng Huang, Yifeng Chen, Zeyu Zhang, Hao Tang

Xuất bản lúc: 2026-04-19

Tag: 3D Generation, 3D Understanding, Diffusion Models, Multimodal LLMs, Mesh Editing

I. Main Problem:​

Các mô hình thị giác 3D hiện nay thường bị chia tách thành hai hướng chuyên biệt: một bên là hiểu 3D (phân loại, phân đoạn, mô tả) và một bên là tạo 3D (tổng hợp, hoàn thiện, chỉnh sửa). Sự phân mảnh này dẫn đến kiến trúc không đồng nhất, ngăn cản việc chuyển giao tri thức và khiến các mô hình tạo 3D truyền thống thường chỉ hoạt động theo kiểu "một lần chạy" (one-pass), không thể hỗ trợ chỉnh sửa ngữ nghĩa lặp đi lặp lại theo yêu cầu của người dùng.

II. Main Idea:​

Đề xuất UniMesh, một khung làm việc thống nhất kết hợp khả năng hiểu và tạo 3D trong một kiến trúc duy nhất thông qua ba thành phần chính:

  • Mesh Head: Một giao diện kết nối giữa pipeline tạo ảnh dựa trên diffusion của BAGEL và bộ giải mã hình dạng của Hunyuan3D, cho phép chuyển đổi trực tiếp từ latent ảnh sang latent điều kiện hình dạng mà không cần qua bước tái tạo RGB gây mất dữ liệu.
  • Chain-of-Mesh (CoM): Cơ chế suy luận lặp lại cho phép chỉnh sửa mesh 3D thông qua chu trình "latent →\rightarrow prompt →\rightarrow tái tạo". Người dùng có thể cung cấp prompt mới để cập nhật latent ảnh, từ đó tạo ra phiên bản mesh đã chỉnh sửa mà không cần huấn luyện lại.
  • Self-reflection: Cơ chế tự phản hồi dựa trên bộ ba Actor-Evaluator-Self-reflection, giúp mô hình tự chẩn đoán sai sót và cải thiện kết quả trong các tác vụ hiểu 3D (như mô tả 3D captioning).

III. Main Results:​

UniMesh đạt được hiệu suất cạnh tranh trên các benchmark tiêu chuẩn về cả tạo và hiểu 3D. Đặc biệt, mô hình mở khóa các khả năng mới mà các mô hình đơn nhiệm không có: chỉnh sửa mesh lặp lại thông qua CoM, khả năng tự sửa lỗi thông qua self-reflection và sự tăng cường lẫn nhau giữa khả năng hiểu và tạo hình 3D.

IV. Conclusion & Future Works:​

UniMesh đại diện cho một bước tiến hướng tới trí tuệ 3D toàn diện, nơi mô hình không chỉ tạo ra nội dung mà còn có thể hiểu, phê bình và tự cải thiện các sáng tạo 3D của chính mình. Việc kết hợp giữa nhận thức (perception) và sáng tạo (creation) tạo ra một hệ thống khép kín, tối ưu hóa độ chính xác về mặt hình học và ngữ nghĩa.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu tích hợp cơ chế Chain-of-Mesh với các mô hình Video-Language để hỗ trợ chỉnh sửa vật thể 3D thông qua các chỉ dẫn bằng video thực tế.
  2. Phát triển phương pháp huấn luyện Mesh Head bằng dữ liệu tổng hợp (synthetic data) quy mô lớn để tăng cường khả năng tạo hình các vật thể phức tạp hoặc hiếm gặp.
  3. Khám phá việc áp dụng cơ chế Self-reflection vào quá trình tối ưu hóa cấu trúc Mesh để tự động sửa lỗi hình học (như lỗ hổng hoặc đa giác lỗi) dựa trên mô tả văn bản.

2. Patent:​

  1. Hệ thống thiết kế mô hình 3D bằng giọng nói trên điện thoại: Cho phép người dùng tạo vật thể 3D và yêu cầu thay đổi chi tiết (ví dụ: "đổi màu sang đỏ", "thêm cánh") thông qua trợ lý ảo, sử dụng cơ chế latent-prompting để cập nhật mô hình tức thời.
  2. Ứng dụng thực tế ảo tăng cường (AR) cho thương mại điện tử: Tự động tạo mô tả chi tiết cho sản phẩm 3D và cho phép khách hàng tùy chỉnh hình dáng/màu sắc sản phẩm trực tiếp trên màn hình điện thoại thông qua nhập liệu văn bản đơn giản.
  3. Công cụ hỗ trợ thiết kế nhanh cho kiến trúc sư trên thiết bị di động: Tự động chuyển đổi phác thảo hoặc mô tả văn bản thành mô hình 3D sơ bộ, sau đó cho phép tinh chỉnh cấu trúc lặp lại thông qua các lệnh điều hướng ngữ nghĩa.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.17472
ArXiv Abstracthttps://arxiv.org/abs/2604.17472
PDF Downloadhttps://arxiv.org/pdf/2604.17472.pdf
Github Repositoryhttps://github.com/AIGeeksGroup/UniMesh

19. Target-Oriented Pretraining Data Selection via Neuron-Activated Graph (10 votes)​

Tác giả: Zijun Wang, Haoqin Tu, Weidong Zhou, Yiyang Zhou, Xiaohuan Zhou, Bingni Zhang, Weiguo Feng, Taifeng Wang, Cihang Xie, Fengze Liu

Xuất bản lúc: 2026-04-17

Tag: LLMs, Data Selection, Interpretability, Pretraining, Neuron Analysis

I. Main Problem:​

Việc lựa chọn dữ liệu tiền huấn luyện (pretraining) chất lượng cao cho các mô hình ngôn ngữ lớn (LLM) hiện nay thường dựa trên các quy tắc heuristic hoặc các bộ phân loại 'hộp đen', dẫn đến sự thiếu hụt trong việc căn chỉnh (alignment) dữ liệu với các khả năng cụ thể mà mô hình cần đạt được cho một mục tiêu (target) nhất định. Các phương pháp hướng mục tiêu hiện tại thường dựa trên độ tương đồng bề mặt (shallow similarity) thông qua embedding, gây khó khăn trong việc giải thích và tối ưu hóa.

II. Main Idea:​

Đề xuất khung làm việc Neuron-Activated Graph Ranking (NAG-based Ranking), một phương pháp lựa chọn dữ liệu không cần huấn luyện và có khả năng giải thích. Ý tưởng chính là đặc trưng hóa mỗi đầu vào văn bản thông qua một tập hợp thưa các neuron có tác động cao (high-impact neurons) trong LLM. Cụ thể:

  1. Định lượng tác động của neuron dựa trên sự thay đổi đầu ra của lớp khi neuron đó bị vô hiệu hóa.
  2. Xây dựng Neuron-Activated Graph (NAG) bằng cách chọn top-K neuron có tác động lớn nhất trên mỗi lớp.
  3. Xếp hạng dữ liệu ứng viên dựa trên độ tương đồng giữa NAG của chúng với hồ sơ NAG tổng hợp từ các ví dụ mục tiêu (target examples).

III. Main Results:​

Kết quả thực nghiệm trên 6 benchmark cho thấy:

  • Hiệu quả vượt trội: NAG-based Ranking cải thiện hiệu suất tiền huấn luyện hướng mục tiêu trung bình 4.9% so với lấy mẫu ngẫu nhiên và vượt qua các baseline SOTA như BETR (ví dụ: tăng 5.3% độ chính xác trên HellaSwag).
  • Đa mục tiêu: Hoạt động ổn định trong thiết lập đa mục tiêu, vượt qua các baseline từ 1.1% đến 4.1%.
  • Khả năng tích hợp: Khi kết hợp với tín hiệu chất lượng từ FineWeb-Edu, NAG giúp tăng thêm trung bình 1.8% hiệu suất.
  • Tính giải thích: Việc vô hiệu hóa chỉ 0.12% neuron được NAG chọn gây ra sự sụt giảm hiệu suất nghiêm trọng (23.5%), chứng minh NAG đã xác định đúng 'khung xương chức năng' (functional backbone) của mô hình.

IV. Conclusion & Future Works:​

NAG cung cấp một phương pháp lựa chọn dữ liệu hiệu quả, minh bạch bằng cách khai thác tín hiệu tính toán nội bộ của LLM thay vì các biểu diễn hộp đen. Tác giả kết luận rằng các tín hiệu liên quan đến tác vụ phân bố trên nhiều lớp và tập trung ở các neuron thưa, đặc biệt là trong các lớp chiếu lên (up projection) của FFN. Hướng phát triển tương lai bao gồm việc áp dụng cho các mô hình lớn hơn, tập dữ liệu đa ngôn ngữ/chuyên biệt và kết hợp với các chiến lược trộn dữ liệu nâng cao như RegMix hoặc QuaDMix.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về việc sử dụng NAG để phát hiện và loại bỏ dữ liệu gây nhiễu hoặc dữ liệu độc hại bằng cách phân tích các mẫu kích hoạt neuron bất thường.
  2. Khám phá mối liên hệ giữa cấu trúc NAG và sự chuyển đổi khả năng của mô hình trong quá trình huấn luyện liên tục (continual learning) để tối ưu hóa việc chọn dữ liệu cho các tác vụ mới.
  3. Phân tích so sánh sự khác biệt về NAG giữa các kiến trúc LLM khác nhau (ví dụ: Transformer vs Mamba) để tìm ra phương pháp lựa chọn dữ liệu tổng quát cho mọi kiến trúc.

2. Patent:​

  1. Hệ thống tự động tinh chỉnh mô hình AI trên điện thoại: Sử dụng một mô hình nhỏ có sẵn để phân tích các yêu cầu thực tế của người dùng, tạo ra hồ sơ kích hoạt neuron, từ đó tự động lọc và chọn ra các mẫu dữ liệu phù hợp nhất từ bộ nhớ máy để huấn luyện tại chỗ (on-device training) mà không cần gửi dữ liệu lên đám mây.
  2. Ứng dụng cá nhân hóa nội dung học tập: Xây dựng công cụ phân tích mức độ hiểu biết của người dùng thông qua cách họ tương tác với AI, sau đó dùng cơ chế tương đồng neuron để đề xuất các tài liệu học tập có cấu trúc logic tương tự với những phần người dùng còn yếu.
  3. Công cụ chẩn đoán lỗi mô hình AI thời gian thực: Phát triển phần mềm theo dõi các đồ thị kích hoạt neuron khi AI xử lý tác vụ trên thiết bị di động; nếu NAG của đầu vào quá khác biệt với NAG của các tác vụ chuẩn, hệ thống sẽ cảnh báo về khả năng mô hình sẽ đưa ra câu trả lời sai (hallucination).

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.15706
ArXiv Abstracthttps://arxiv.org/abs/2604.15706
PDF Downloadhttps://arxiv.org/pdf/2604.15706.pdf
Github Repositoryhttps://github.com/asillycat/NAG