Chuyển tới nội dung chính

🤗 Daily Hugging Face Paper Digest - 2026-04-27

Báo cáo được tạo tự động vào lúc 2026-05-04 12:30:23 bằng mô hình deepseek-ai/deepseek-v4-flash.

📰 Summary of Papers​

1. Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond (222 votes)​

Tác giả: Meng Chu, Xuan Billy Zhang, Kevin Qinghong Lin, Lingdong Kong, Jize Zhang, Teng Tu, Weijian Ma, Ziqi Huang, Senqiao Yang, Wei Huang, Yeying Jin, Zhefan Rao, Jinhui Ye, Xinyu Lin, Xichen Zhang, Qisheng Hu, Shuai Yang, Leyang Shen, Wei Chow, Yifei Dong, Fengyi Wu, Quanyu Long, Bin Xia, Shaozuo Yu, Mingkang Zhu, Wenhu Zhang, Jiehui Huang, Haokun Gui, Haoxuan Che, Long Chen, Qifeng Chen, Wenxuan Zhang, Wenya Wang, Xiaojuan Qi, Yang Deng, Yanwei Li, Mike Zheng Shou, Zhi-Qi Cheng, See-Kiong Ng, Ziwei Liu, Philip Torr, Jiaya Jia

Xuất bản lúc: 2026-04-24

Tag: World Models, Agentic AI, Capability Hierarchy, Reinforcement Learning, Simulation, Scientific Discovery, Multi-Agent Systems

I. Main Problem:​

Bài báo giải quyết vấn đề khái niệm 'world model' bị phân mảnh và thiếu thống nhất giữa các lĩnh vực nghiên cứu khác nhau như học tăng cường, thị giác máy tính, robot, ngôn ngữ và khoa học. Các nghiên cứu hiện tại thường phân loại theo modality hoặc ứng dụng, dẫn đến thiếu một khung lý thuyết chung để so sánh, đánh giá và phát triển các hệ thống có khả năng mô hình hóa thế giới một cách tổng quát.

II. Main Idea:​

Bài báo đề xuất một hệ thống phân loại hai chiều: (1) Ba cấp độ năng lực (L1 Predictor: dự đoán một bước, L2 Simulator: mô phỏng đa bước có điều kiện hành động, L3 Evolver: tự động sửa đổi mô hình dựa trên bằng chứng mới) và (2) Bốn chế độ luật chi phối (vật lý, kỹ thuật số, xã hội, khoa học). Khung lý thuyết này giúp thống nhất các cộng đồng nghiên cứu, xác định ranh giới rõ ràng giữa các cấp độ và làm nổi bật sự khác biệt về thách thức giữa các lĩnh vực.

III. Main Results:​

Bài báo tổng hợp hơn 400 công trình và tóm tắt hơn 100 hệ thống đại diện, phân tích các phương pháp, chế độ thất bại và thực tiễn đánh giá. Kết quả chính là một lộ trình kết nối các cộng đồng nghiên cứu trước đây bị cô lập, đề xuất các nguyên tắc đánh giá tập trung vào quyết định và một gói đánh giá có thể tái lập tối thiểu.

IV. Conclusion & Future Works:​

Bài báo kết luận rằng việc chuyển từ dự đoán thụ động sang mô hình thế giới có thể mô phỏng và định hình lại môi trường là một bước tiến quan trọng. Các hướng nghiên cứu trong tương lai bao gồm: phát triển L3 Evolver ở quy mô lớn, giải quyết các vấn đề về phân bổ lỗi (Duhem-Quine holism), và mở rộng lên 'meta-world modeling' nơi các luật chi phối tự trở nên có thể học được.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Phát triển một hệ thống L2 Simulator cho các tác vụ phức tạp trên điện thoại di động, ví dụ như mô phỏng tương tác người dùng với giao diện ứng dụng để tối ưu hóa luồng công việc.
  2. Nghiên cứu phương pháp để một L3 Evolver có thể tự động xác định và sửa lỗi mô hình khi dự đoán thất bại trong môi trường kỹ thuật số, chẳng hạn như khi một ứng dụng thay đổi giao diện.
  3. Xây dựng một khung đánh giá mới cho các world model tập trung vào quyết định, áp dụng cho các tác vụ đa dạng từ điều khiển robot đến tương tác web.

2. Patent:​

  1. Phương pháp và hệ thống dự đoán hành vi người dùng trên thiết bị di động: Sử dụng một mô hình thế giới (world model) cấp độ L2 để mô phỏng các chuỗi thao tác khả thi của người dùng trên điện thoại, từ đó dự đoán hành động tiếp theo và đề xuất các tính năng hoặc nội dung phù hợp, giúp cải thiện trải nghiệm người dùng và tăng tương tác.
  2. Thiết bị di động có khả năng tự học và thích nghi với môi trường xung quanh: Thiết bị được trang bị một mô hình thế giới cấp độ L3, có khả năng tự động thu thập dữ liệu từ các cảm biến (máy ảnh, micrô) và điều chỉnh mô hình của nó để dự đoán chính xác hơn về các sự kiện trong môi trường, ví dụ như dự đoán quỹ đạo của một vật thể hoặc thay đổi ánh sáng, từ đó tối ưu hóa cài đặt máy ảnh hoặc cảnh báo người dùng.
  3. Ứng dụng trợ lý ảo trên điện thoại sử dụng mô phỏng thế giới xã hội: Trợ lý ảo sử dụng một mô hình thế giới cấp độ L2 để mô phỏng các tương tác xã hội tiềm năng, giúp người dùng soạn thảo tin nhắn, email hoặc lên kế hoạch cho các cuộc họp một cách hiệu quả hơn bằng cách dự đoán phản ứng của người nhận hoặc các bước tiếp theo trong một cuộc đối thoại.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.22748
ArXiv Abstracthttps://arxiv.org/abs/2604.22748
PDF Downloadhttps://arxiv.org/pdf/2604.22748.pdf
Github Repositoryhttps://github.com/matrix-agent/awesome-agentic-world-modeling

2. Video Analysis and Generation via a Semantic Progress Function (63 votes)​

Tác giả: Gal Metzer, Sagi Polaczek, Ali Mahdavi-Amiri, Raja Giryes, Daniel Cohen-Or

Xuất bản lúc: 2026-04-24

Tag: Semantic Progress Function, Video Generation, Video Analysis, Diffusion Models, Retiming, Temporal Coherence, Image Morphing

I. Main Problem:​

Các mô hình sinh video thường tạo ra các chuỗi biến đổi không đồng đều về mặt ngữ nghĩa: có những khoảng dài nội dung hầu như không thay đổi, sau đó là những bước nhảy đột ngột. Điều này làm giảm tính mạch lạc về mặt nhận thức, khả năng kiểm soát và gây khó khăn cho việc chỉnh sửa. Các phương pháp hiện có tập trung vào độ mượt mà về mặt thời gian hoặc nội suy trong không gian tiềm ẩn, nhưng không định lượng được sự tiến triển về mặt ngữ nghĩa.

II. Main Idea:​

Bài báo giới thiệu Hàm Tiến triển Ngữ nghĩa (Semantic Progress Function - SPF), một biểu diễn một chiều đo lường sự thay đổi ngữ nghĩa tích lũy theo thời gian trong một chuỗi video. SPF được xây dựng bằng cách tính khoảng cách ngữ nghĩa giữa các cặp khung hình (sử dụng SigLIP) và khớp một đường cong mượt để phản ánh sự dịch chuyển ngữ nghĩa tích lũy. Dựa trên SPF, tác giả đề xuất kỹ thuật tuyến tính hóa ngữ nghĩa (semantic linearization) để phân bổ lại thời gian, đảm bảo sự thay đổi ngữ nghĩa diễn ra với tốc độ không đổi. Kỹ thuật này có thể áp dụng trực tiếp trong quá trình sinh video (thông qua việc làm cong các mã hóa vị trí RoPE) hoặc hậu kỳ trên các video có sẵn (thông qua tái tạo từng phân đoạn).

III. Main Results:​

Phương pháp được đánh giá trên nhiều mô hình sinh video (Wan2.2, LTX-2) và video thực tế. Kết quả định lượng trên VBench cho thấy chất lượng video được duy trì (độ lệch chuẩn không đáng kể so với baseline). Kết quả khảo sát người dùng cho thấy 88% người dùng ưu tiên video đã được tinh chỉnh nhịp độ. Thử nghiệm trên video tổng hợp (xoay đối tượng) xác nhận SPF bám sát tốc độ thay đổi thực tế. Các thử nghiệm trên video điện ảnh (Stranger Things) cho thấy khả năng làm mượt các chuyển cảnh đột ngột.

IV. Conclusion & Future Works:​

SPF là một công cụ đơn giản và có thể diễn giải, cho phép đo lường và điều chỉnh nhịp độ ngữ nghĩa trong video. Hướng phát triển trong tương lai bao gồm: kết hợp các embedding nhận biết chuyển động để xử lý các cảnh động mạnh, mở rộng khung phân tích đa chiều ngữ nghĩa (ví dụ: tách biệt danh tính, phong cách, hình học), và ứng dụng SPF vào các tác vụ khác như đánh giá mô hình sinh, tóm tắt video, tạo thumbnail ngữ nghĩa.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Semantic Progress Function cho Video 360 độ: Mở rộng SPF để phân tích và tinh chỉnh nhịp độ ngữ nghĩa cho các video toàn cảnh 360 độ, nơi mà sự thay đổi ngữ nghĩa có thể xảy ra đồng thời ở nhiều hướng nhìn, giúp cải thiện trải nghiệm thực tế ảo.
  2. Điều khiển đa luồng ngữ nghĩa trong sinh video: Phát triển SPF đa chiều để phân tích và điều khiển đồng thời nhiều khía cạnh ngữ nghĩa (ví dụ: sự biến đổi của đối tượng chính và sự thay đổi của nền) trong quá trình sinh video, cho phép tạo ra các hiệu ứng phức tạp và có kiểm soát hơn.
  3. SPF như một công cụ đánh giá mô hình sinh video: Xây dựng một bộ benchmark mới dựa trên SPF để đánh giá tính mạch lạc và nhịp độ ngữ nghĩa của các mô hình sinh video khác nhau, cung cấp một thước đo định lượng bổ sung cho các metric hiện có.

2. Patent:​

  1. Phương pháp và hệ thống làm mượt hiệu ứng chuyển cảnh trên điện thoại thông minh: Một ứng dụng trên điện thoại cho phép người dùng chọn hai bức ảnh (ví dụ: ảnh selfie và ảnh hoạt hình) và tự động tạo ra một video chuyển cảnh mượt mà giữa chúng. Ứng dụng sẽ phân tích sự khác biệt về ngữ nghĩa giữa hai bức ảnh và phân bổ thời gian chuyển đổi một cách đồng đều, tránh hiện tượng giật cục hoặc thay đổi đột ngột.
  2. Ứng dụng chỉnh sửa video thông minh trên thiết bị di động: Một tính năng trong ứng dụng chỉnh sửa video cho phép người dùng chọn một đoạn video có chuyển cảnh nhanh (ví dụ: từ cảnh ngày sang cảnh đêm) và tự động kéo dài hoặc làm chậm đoạn chuyển cảnh đó để tạo hiệu ứng mượt mà hơn. Hệ thống sẽ sử dụng SPF để xác định chính xác vùng chuyển tiếp ngữ nghĩa và điều chỉnh tốc độ khung hình cho phù hợp.
  3. Phương pháp tạo ảnh động (cinemagraph) trên điện thoại: Một ứng dụng cho phép người dùng chụp một loạt ảnh liên tiếp (ví dụ: một bông hoa đang nở) và tự động tạo ra một ảnh động có nhịp độ ngữ nghĩa đồng đều. Ứng dụng sẽ phân tích sự thay đổi ngữ nghĩa giữa các khung hình và loại bỏ các khung hình trùng lặp hoặc thêm các khung hình trung gian để đảm bảo sự tiến triển mượt mà, tránh hiện tượng giật.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.22554
ArXiv Abstracthttps://arxiv.org/abs/2604.22554
PDF Downloadhttps://arxiv.org/pdf/2604.22554.pdf
Github Repositoryhttps://github.com/SagiPolaczek/semantic-progress-function

3. DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction (28 votes)​

Tác giả: Shiyan Su, Ruyi Zha, Danli Shi, Hongdong Li, Xuelian Cheng

Xuất bản lúc: 2026-04-23

Tag: Diffusion Models, Neural Representation, 3D Tomographic Reconstruction, Sparse-View CT, 3D Gaussians, Neural Fields

I. Main Problem:​

Các phương pháp biểu diễn thần kinh (Neural Representations - NR) như neural fields và 3D Gaussians có hiệu quả trong việc mô hình hóa dữ liệu thể tích trong chụp cắt lớp vi tính (CT) nhưng lại tạo ra nhiều hiện tượng giả (artifact) nghiêm trọng khi chỉ sử dụng một số lượng nhỏ các hình chiếu (sparse-view). Các phương pháp dựa trên khuếch tán (diffusion) hiện tại tuy mạnh nhưng lại nhúng các bộ giải CT vào quá trình khử nhiễu lặp đi lặp lại tốn thời gian, dẫn đến chi phí tính toán cao và các vấn đề như giật lát cắt và ảo giác.

II. Main Idea:​

Bài báo đề xuất DiffNR, một khung làm việc mới tăng cường tối ưu hóa biểu diễn thần kinh (NR) bằng các tiên nghiệm khuếch tán (diffusion priors). Cốt lõi của phương pháp là SliceFixer, một mô hình khuếch tán một bước duy nhất được thiết kế để sửa các hiện tượng giả trong các lát cắt CT bị suy giảm chất lượng. SliceFixer được tinh chỉnh trên bộ dữ liệu các cặp lát cắt sạch và bị hỏng, sử dụng các điều kiện đầu vào như hình chiếu hai mặt phẳng (biplanar projections) và văn bản. Trong quá trình tái tạo, SliceFixer định kỳ tạo ra các thể tích tham chiếu giả (pseudo-reference volumes) để cung cấp sự giám sát tri giác 3D phụ trợ nhằm sửa các vùng thiếu ràng buộc. Chiến lược sửa chữa và tăng cường này tránh phải truy vấn mô hình khuếch tán thường xuyên, giúp cải thiện hiệu suất chạy.

III. Main Results:​

DiffNR cải thiện PSNR trung bình 3.99 dB so với các đường cơ sở NR trên các bộ dữ liệu ToothFairy và LUNA16. Cụ thể, nó cải thiện +2.19 dB cho NAF và +5.79 dB cho R2-Gaussian. Phương pháp này tổng quát hóa tốt trên các miền dữ liệu khác nhau, bao gồm cả dữ liệu thực tế, và duy trì thời gian tối ưu hóa hợp lý (nhanh hơn đáng kể so với các phương pháp khuếch tán trước đó như DiffusionMBIR). Kết quả cũng cho thấy DiffNR cải thiện hiệu suất trong các tác vụ hạ nguồn như phân đoạn phổi.

IV. Conclusion & Future Works:​

DiffNR là một khung làm việc tối ưu hóa mới cho tái tạo hình ảnh cắt lớp 3D với số lượng hình chiếu thưa thớt. Sự kết hợp mới lạ giữa mô hình khuếch tán và tối ưu hóa biểu diễn thần kinh mở ra một hướng đi đầy hứa hẹn để giải quyết các lớp bài toán ngược rộng hơn. Các hướng nghiên cứu trong tương lai có thể bao gồm việc mở rộng phương pháp này cho các bài toán ngược khác và cải thiện hơn nữa hiệu quả của SliceFixer.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Áp dụng DiffNR cho các bài toán hình ảnh y tế khác: Nghiên cứu khả năng ứng dụng khung DiffNR (sử dụng diffusion model để sửa lỗi cho neural representation) vào các bài toán tái tạo hình ảnh y tế khác ngoài CT, ví dụ như MRI với số lượng lát cắt thưa, siêu âm 3D, hoặc PET. Mục tiêu là tạo ra một khung làm việc tổng quát cho các bài toán tái tạo thể tích dưới điều kiện dữ liệu hạn chế.
  2. Kết hợp SliceFixer với các kiến trúc Neural Representation mới: Khám phá việc tích hợp SliceFixer với các biểu diễn thần kinh tiên tiến hơn, chẳng hạn như Instant-NGP, TensoRF, hoặc các biến thể mới của 3D Gaussian Splatting. Mục đích là để cải thiện tốc độ tối ưu hóa và chất lượng tái tạo, đồng thời kiểm tra tính tương thích và hiệu quả của phương pháp sửa lỗi trên các kiến trúc khác nhau.
  3. Phát triển SliceFixer đa hướng và tương tác: Nghiên cứu việc mở rộng SliceFixer để sửa lỗi các lát cắt theo nhiều hướng cùng lúc (axial, sagittal, coronal) nhằm tăng cường tính nhất quán thể tích. Ngoài ra, có thể phát triển một phiên bản tương tác cho phép các chuyên gia y tế cung cấp phản hồi để tinh chỉnh quá trình sửa lỗi, từ đó tạo ra các kết quả tái tạo chính xác và đáng tin cậy hơn.

2. Patent:​

  1. Phương pháp và hệ thống tăng cường chất lượng ảnh chụp X-quang trên thiết bị di động: Một ứng dụng trên điện thoại thông minh sử dụng mô hình trí tuệ nhân tạo (dựa trên ý tưởng của SliceFixer) để cải thiện chất lượng ảnh chụp X-quang từ các máy chụp X-quang di động hoặc cầm tay. Hệ thống sẽ nhận đầu vào là ảnh X-quang chất lượng thấp (do số lượng tia X hạn chế hoặc thiết bị yếu), sau đó sử dụng mô hình AI đã được huấn luyện để khử nhiễu, tăng độ nét và tái tạo lại các chi tiết giải phẫu bị mất, giúp bác sĩ có thể chẩn đoán sơ bộ ngay trên điện thoại.
  2. Ứng dụng di động hỗ trợ tái tạo hình ảnh 3D từ ảnh chụp đa góc độ cho mục đích giáo dục và giải trí: Một ứng dụng cho phép người dùng dùng điện thoại chụp ảnh một vật thể từ nhiều góc độ khác nhau. Ứng dụng sẽ sử dụng một mô hình AI nhẹ (dựa trên khung DiffNR) để tái tạo lại mô hình 3D của vật thể đó. Mô hình AI sẽ sử dụng các hình chiếu 2D từ ảnh chụp làm đầu vào và dùng một mạng khuếch tán để sửa các lỗi và tạo ra hình khối 3D mượt mà, phục vụ cho mục đích giáo dục (ví dụ: số hóa mẫu vật) hoặc giải trí (ví dụ: tạo mô hình 3D để chơi game thực tế ảo tăng cường).
  3. Hệ thống và phương pháp tối ưu hóa ảnh chụp cắt lớp vi tính trên thiết bị di động dùng cho an ninh và kiểm tra công nghiệp: Một thiết bị di động (ví dụ: máy quét hành lý cầm tay) kết hợp với một ứng dụng trên điện thoại thông minh. Thiết bị sẽ thu thập một số lượng nhỏ các hình chiếu X-quang của một vật thể (hành lý, kiện hàng). Ứng dụng trên điện thoại sẽ sử dụng thuật toán DiffNR đã được tối ưu hóa để tái tạo nhanh chóng hình ảnh 3D của vật thể, làm nổi bật các vật thể cấm hoặc các cấu trúc bất thường bên trong. Điều này giúp nhân viên an ninh hoặc kiểm tra chất lượng có thể đánh giá nhanh chóng và chính xác ngay tại hiện trường.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.21518
ArXiv Abstracthttps://arxiv.org/abs/2604.21518
PDF Downloadhttps://arxiv.org/pdf/2604.21518.pdf
Github Repositoryhttps://github.com/ooonesevennn/DiffNR

4. LLM Safety From Within: Detecting Harmful Content with Internal Representations (23 votes)​

Tác giả: Difan Jiao, Yilun Liu, Ye Yuan, Zhenwei Tang, Linfeng Du, Haolun Wu, Ashton Anderson

Xuất bản lúc: 2026-04-20

Tag: LLM Safety, Guard Models, Internal Representations, Harmfulness Detection, Linear Probing, Neuron Selection, Streaming Detection

I. Main Problem:​

Các mô hình bảo vệ (guard models) hiện tại chỉ dựa vào biểu diễn ở lớp cuối cùng (terminal layer) của LLM, bỏ qua các đặc trưng giàu thông tin về an toàn được phân bố ở các lớp bên trong. Điều này dẫn đến hiệu suất phát hiện nội dung độc hại chưa tối ưu, đặc biệt là khả năng khái quát hóa kém và chi phí tính toán cao do phải sinh autoregressive.

II. Main Idea:​

Bài báo đề xuất SIREN, một khung làm việc nhẹ (plug-and-play) khai thác các biểu diễn bên trong của LLM. SIREN hoạt động qua hai giai đoạn: (1) Xác định các neuron an toàn (safety neurons) trong mỗi lớp bằng linear probing với L1 regularization; (2) Tổng hợp các neuron này qua các lớp với trọng số thích ứng dựa trên hiệu suất của từng lớp, sau đó huấn luyện một bộ phân loại MLP nhẹ để phát hiện nội dung độc hại.

III. Main Results:​

SIREN vượt trội so với các guard model hiện đại (LlamaGuard3, Qwen3Guard) trên nhiều benchmark, với số tham số huấn luyện ít hơn 250 lần (ví dụ: 14M so với 4B). SIREN đạt F1 trung bình 86.7% so với 83.4% của guard model, cải thiện 15% trên backbone yếu hơn. SIREN cũng khái quát hóa tốt hơn trên benchmark chưa thấy (Think) và phát hiện streaming theo thời gian thực mà không cần huấn luyện thêm, đồng thời giảm 4 lần chi phí tính toán suy luận.

IV. Conclusion & Future Works:​

SIREN chứng minh rằng biểu diễn bên trong của LLM là nền tảng đầy hứa hẹn cho phát hiện nội dung độc hại hiệu quả và thực tế. Hướng phát triển tương lai bao gồm mở rộng sang phân loại đa nhãn (fine-grained safety taxonomies) và thích ứng với các kiến trúc LLM khác biệt.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng SIREN sang phát hiện đa lớp an toàn: Xây dựng một hệ thống phát hiện nội dung độc hại với nhiều cấp độ (ví dụ: bạo lực, ngôn từ thù hận, lừa đảo) bằng cách kết hợp SIREN với các bộ phân loại MLP cho từng lớp, tận dụng các neuron an toàn từ các lớp bên trong.
  2. SIREN cho phát hiện tấn công jailbreak theo thời gian thực: Nghiên cứu khả năng của SIREN trong việc phát hiện các cuộc tấn công jailbreak tinh vi bằng cách theo dõi sự thay đổi của các neuron an toàn trong quá trình sinh văn bản, từ đó phát hiện sớm các ý định xấu.
  3. Kết hợp SIREN với kỹ thuật fine-tuning có hướng dẫn an toàn: Đề xuất một phương pháp kết hợp SIREN với fine-tuning có hướng dẫn (RLHF) để vừa cải thiện khả năng phát hiện nội dung độc hại vừa tăng cường tính an toàn của chính LLM.

2. Patent:​

  1. Phương pháp phát hiện nội dung độc hại trên điện thoại thông minh bằng cách phân tích các lớp bên trong của mô hình ngôn ngữ: Một ứng dụng trên điện thoại sử dụng SIREN để quét nội dung chat hoặc tin nhắn theo thời gian thực, cảnh báo người dùng khi phát hiện ngôn từ độc hại mà không cần gửi dữ liệu lên máy chủ, đảm bảo quyền riêng tư.
  2. Hệ thống kiểm duyệt nội dung trên các ứng dụng mạng xã hội di động sử dụng biểu diễn nội bộ của mô hình ngôn ngữ: Một hệ thống kiểm duyệt trên thiết bị di động, kết hợp SIREN với bộ lọc nội dung để tự động ẩn hoặc gắn cờ các bình luận, bài đăng có nội dung không phù hợp, giúp giảm tải cho máy chủ và tăng tốc độ xử lý.
  3. Phương pháp phát hiện nội dung nguy hiểm trong quá trình sinh văn bản của trợ lý ảo trên điện thoại: Một trợ lý ảo trên điện thoại sử dụng SIREN để giám sát quá trình sinh câu trả lời, tự động dừng và cảnh báo nếu phát hiện nội dung nguy hiểm (ví dụ: hướng dẫn chế tạo vũ khí) trước khi hiển thị cho người dùng.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.18519
ArXiv Abstracthttps://arxiv.org/abs/2604.18519
PDF Downloadhttps://arxiv.org/pdf/2604.18519.pdf
Github Repositoryhttps://github.com/CSSLab/SIREN

5. Contexts are Never Long Enough: Structured Reasoning for Scalable Question Answering over Long Document Sets (16 votes)​

Tác giả: Harshit Joshi, Priyank Shethia, Jadelynn Dao, Monica S. Lam

Xuất bản lúc: 2026-04-24

Tag: LLMs, Question Answering, Long-context, Structured Reasoning, SQL, Data Reconciliation

I. Main Problem:​

Các mô hình ngôn ngữ lớn (LLM) hiện tại, dù có cửa sổ ngữ cảnh lên đến hàng triệu token, vẫn không thể xử lý hiệu quả các bộ tài liệu dài trong thế giới thực. Việc phân chia tài liệu thành các đoạn nhỏ (chunking) và tổng hợp câu trả lời từ các đoạn này gây ra 'nút thắt tổng hợp' (Aggregation Bottleneck): khi số lượng đoạn tăng lên, hệ thống lại phải kết hợp và suy luận trên một khối lượng bằng chứng trích xuất ngày càng lớn, tái tạo lại chính vấn đề ngữ cảnh dài mà nó cố gắng giải quyết. Ngoài ra, đầu ra dạng văn bản tự do khó kiểm tra, gây khó khăn cho việc tuân thủ trong các lĩnh vực quan trọng, và suy luận trên ngữ cảnh cực dài vẫn rất tốn kém về mặt tính toán.

II. Main Idea:​

Bài báo đề xuất SLIDERS, một khung làm việc giải quyết vấn đề hỏi đáp trên các bộ tài liệu dài thông qua suy luận có cấu trúc (structured reasoning). Thay vì để LLM suy luận trên văn bản nối tiếp, SLIDERS trích xuất thông tin nổi bật vào một cơ sở dữ liệu quan hệ (relational database), biến văn bản phi cấu trúc thành trạng thái có cấu trúc, bền vững và có thể truy vấn. Quá trình này gồm 5 bước: (1) Chia tài liệu thành các đoạn có ngữ cảnh; (2) Tạo lược đồ cơ sở dữ liệu từ câu hỏi; (3) Trích xuất thông tin có cấu trúc từ mỗi đoạn, kèm theo nguồn gốc và lý do trích xuất; (4) Hợp nhất dữ liệu (Data Reconciliation) để giải quyết các bản ghi trùng lặp, không nhất quán hoặc không đầy đủ bằng cách sử dụng các tác nhân SQL; (5) Trả lời câu hỏi bằng cách tạo và thực thi các truy vấn SQL trên cơ sở dữ liệu đã được làm sạch, biến việc suy luận ngữ cảnh dài thành suy luận trên cơ sở dữ liệu.

III. Main Results:​

SLIDERS vượt trội hơn tất cả các phương pháp cơ sở trên ba bộ dữ liệu chuẩn về ngữ cảnh dài (FinanceBench, Loong, Oolong), vượt qua GPT-4.1 trung bình 6.6 điểm, mặc dù tất cả các đầu vào đều nằm trong cửa sổ ngữ cảnh của các mô hình mạnh. Trên hai bộ dữ liệu siêu dài mới (WikiCeleb100 với 3.9M token và FinQ100 với 36M token), SLIDERS đạt độ chính xác lần lượt là 78.91% và 55.22%, cải thiện đáng kể so với phương pháp cơ sở tốt nhất tiếp theo (RLM) là ~19 và ~32 điểm. SLIDERS cũng hoạt động hiệu quả với các mô hình nguồn mở như Qwen3.5, cho thấy lợi ích đến từ khung làm việc chứ không phải do phụ thuộc vào mô hình độc quyền.

IV. Conclusion & Future Works:​

SLIDERS chứng minh rằng suy luận có cấu trúc thông qua trích xuất và hợp nhất dữ liệu là một hướng đi đầy hứa hẹn để vượt qua 'nút thắt tổng hợp' trong bài toán hỏi đáp trên bộ tài liệu dài. Hệ thống không chỉ đạt độ chính xác cao mà còn cung cấp khả năng truy xuất nguồn gốc, hỗ trợ kiểm tra lỗi và cho phép con người tham gia vào quy trình (human-in-the-loop) để tăng độ tin cậy. Các hướng phát triển trong tương lai có thể bao gồm: cải thiện khả năng xử lý các câu hỏi mang tính đánh giá chủ quan, khắc phục các lỗi diễn giải thuật ngữ (ví dụ: năm tài chính so với năm dương lịch), và mở rộng khung làm việc cho các loại hình tài liệu và câu hỏi phức tạp hơn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng SLIDERS cho dữ liệu đa phương thức: Nghiên cứu cách mở rộng khung làm việc SLIDERS để xử lý các tài liệu chứa không chỉ văn bản mà còn hình ảnh, bảng biểu phức tạp và mã nguồn. Đề xuất các phương pháp trích xuất thông tin có cấu trúc từ các thành phần đa phương thức này và tích hợp chúng vào cơ sở dữ liệu quan hệ để suy luận.
  2. SLIDERS cho suy luận đa bước và lập kế hoạch: Phát triển một phiên bản SLIDERS có khả năng thực hiện suy luận đa bước (multi-hop reasoning) phức tạp hơn. Thay vì chỉ trả lời một câu hỏi duy nhất, hệ thống có thể tự động phân rã một câu hỏi lớn thành nhiều câu hỏi con, trích xuất thông tin cho từng câu hỏi con, và sau đó kết hợp kết quả để đưa ra câu trả lời cuối cùng.
  3. Học tăng cường cho tác nhân hợp nhất dữ liệu: Nghiên cứu việc sử dụng học tăng cường (Reinforcement Learning) để huấn luyện tác nhân hợp nhất dữ liệu (Reconciliation Agent) trong SLIDERS. Mục tiêu là giúp tác nhân tự động học các chiến lược hợp nhất tối ưu (ví dụ: chọn bản ghi nào khi có xung đột, cách kết hợp thông tin từ nhiều nguồn) dựa trên phản hồi từ độ chính xác của câu trả lời cuối cùng, thay vì phải dựa vào các quy tắc được lập trình sẵn.

2. Patent:​

  1. Phương pháp và hệ thống tìm kiếm và tổng hợp thông tin cá nhân trên thiết bị di động: Một ứng dụng trên điện thoại cho phép người dùng đặt câu hỏi bằng ngôn ngữ tự nhiên về toàn bộ dữ liệu cá nhân của họ (tin nhắn, email, ghi chú, lịch sử duyệt web, ảnh chụp màn hình). Hệ thống sẽ tự động trích xuất thông tin có cấu trúc (sự kiện, địa điểm, ngày tháng, tên người) từ dữ liệu phi cấu trúc này, lưu vào cơ sở dữ liệu quan hệ cục bộ trên thiết bị, và trả lời các câu hỏi phức tạp như 'Tôi đã ăn món gì ở nhà hàng đó vào tháng trước?' hay 'Cuộc họp nào có nhiều người tham gia nhất trong tuần này?'.
  2. Hệ thống hỗ trợ phân tích tài chính cá nhân trên thiết bị di động: Một ứng dụng giúp người dùng phân tích các báo cáo tài chính dài (ví dụ: bản cáo bạch, báo cáo thường niên) mà họ tải về điện thoại. Ứng dụng sử dụng SLIDERS để trích xuất các chỉ số tài chính quan trọng (doanh thu, lợi nhuận, nợ) vào một bảng dữ liệu. Người dùng sau đó có thể đặt các câu hỏi so sánh như 'Công ty nào có tỷ lệ nợ trên vốn chủ sở hữu thấp nhất?' và nhận được câu trả lời kèm theo đường dẫn đến đoạn văn bản gốc để kiểm chứng.
  3. Trợ lý ảo đọc và phân tích tài liệu học thuật trên điện thoại: Một ứng dụng trợ lý ảo cho sinh viên và nhà nghiên cứu, cho phép họ tải lên một bộ sưu tập các bài báo khoa học (dạng PDF) và đặt các câu hỏi tổng hợp. Ví dụ: 'Tóm tắt các phương pháp thí nghiệm phổ biến được sử dụng trong các bài báo này' hoặc 'Tác giả nào được trích dẫn nhiều nhất trong các bài báo về chủ đề này?'. Hệ thống sẽ trích xuất thông tin (phương pháp, kết quả, tác giả) từ mỗi bài báo, lưu vào cơ sở dữ liệu và trả lời câu hỏi một cách có cấu trúc, giúp người dùng nhanh chóng nắm bắt tổng quan về một lĩnh vực nghiên cứu.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.22294
ArXiv Abstracthttps://arxiv.org/abs/2604.22294
PDF Downloadhttps://arxiv.org/pdf/2604.22294.pdf
Github Repositoryhttps://github.com/stanford-oval/sliders

6. FlowAnchor: Stabilizing the Editing Signal for Inversion-Free Video Editing (16 votes)​

Tác giả: Ze Chen, Lan Chen, Yuanhang Li, Qi Mao

Xuất bản lúc: 2026-04-24

Tag: Inversion-free Video Editing, Diffusion Models, Flow Matching, Rectified Flow, Attention Refinement, Video Editing

I. Main Problem:​

Các phương pháp chỉnh sửa video dựa trên diffusion model hiện tại gặp phải hai vấn đề chính: (1) Các phương pháp dựa trên 'inversion' có chi phí tính toán cao và tích lũy lỗi tái tạo theo thời gian, dẫn đến trôi dạt tạm thời. (2) Khi mở rộng các phương pháp 'inversion-free' (vốn hiệu quả trên ảnh) sang video, tín hiệu chỉnh sửa (editing signal) trở nên mất ổn định, biểu hiện qua hai dạng: định vị không chính xác (tín hiệu lan sang vùng không mong muốn) và suy yếu cường độ (tín hiệu yếu dần khi số lượng khung hình tăng lên). Điều này đặc biệt nghiêm trọng trong các cảnh có nhiều đối tượng, chuyển động nhanh hoặc số lượng khung hình lớn.

II. Main Idea:​

Bài báo đề xuất FlowAnchor, một khung làm việc không cần huấn luyện (training-free), ổn định tín hiệu chỉnh sửa bằng cách neo giữ rõ ràng vị trí cần chỉnh sửa (where to edit) và mức độ chỉnh sửa (how strongly to edit). Hai cơ chế chính được giới thiệu: (1) Spatial-aware Attention Refinement (SAR): Tinh chỉnh bản đồ cross-attention trong quá trình dự đoán vận tốc, sử dụng mặt nạ không gian để đảm bảo sự liên kết nhất quán giữa hướng dẫn văn bản và vùng không gian mục tiêu. (2) Adaptive Magnitude Modulation (AMM): Tự động khuếch đại tín hiệu chỉnh sửa dựa trên cường độ nội tại của tín hiệu và số lượng khung hình, bù đắp cho sự suy yếu do độ dài video gây ra. Hai cơ chế này kết hợp tạo ra một quỹ đạo chỉnh sửa ổn định, dẫn đến kết quả chỉnh sửa trung thực hơn, nhất quán về mặt thời gian và hiệu quả về mặt tính toán.

III. Main Results:​

FlowAnchor đạt được kết quả vượt trội so với bảy phương pháp hiện đại khác trên hai bộ dữ liệu benchmark (FiVE-Bench và Anchor-Bench do nhóm tác giả đề xuất). Cụ thể: (1) Điểm L.CLIP-T (đo độ chính xác ngữ nghĩa cục bộ) cao nhất trên cả hai benchmark, cho thấy khả năng chỉnh sửa tập trung chính xác vào vùng mục tiêu. (2) Duy trì độ trung thực cao với nguồn gốc và sự nhất quán về thời gian, thể hiện qua các chỉ số M.PSNR, L.DINO và CLIP-F tốt nhất. (3) Đạt thời gian suy luận thấp nhất trong số các phương pháp so sánh, chứng tỏ tính hiệu quả thực tế. (4) Khảo sát người dùng cho thấy FlowAnchor được ưa chuộng hơn các phương pháp khác ở mọi khía cạnh (độ chính xác văn bản, độ trung thực, tính nhất quán thời gian và ưu tiên tổng thể).

IV. Conclusion & Future Works:​

FlowAnchor, với hai cơ chế SAR và AMM, đã chứng minh hiệu quả trong việc ổn định tín hiệu chỉnh sửa, cho phép chỉnh sửa video 'inversion-free' một cách trung thực và nhất quán. Tuy nhiên, phương pháp này vẫn gặp khó khăn với các biến đổi phong cách toàn cục (global style transformation) và các thay đổi chuyển động lớn (substantial motion changes). Đây là những hướng phát triển quan trọng cho các nghiên cứu trong tương lai.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng SAR cho các tác vụ chỉnh sửa đa đối tượng phức tạp hơn: Nghiên cứu cách SAR có thể được mở rộng để xử lý các tình huống có nhiều hơn một vùng chỉnh sửa, mỗi vùng gắn với một mô tả văn bản khác nhau, đồng thời đảm bảo sự tương tác hài hòa giữa chúng. Hướng này có thể đặt nền móng cho các công cụ chỉnh sửa video chuyên nghiệp cho phép thay đổi nhiều đối tượng cùng lúc.
  2. Tích hợp AMM với các cơ chế kiểm soát chuyển động: Phát triển một phiên bản AMM có khả năng nhận biết chuyển động, không chỉ khuếch đại tín hiệu dựa trên cường độ và độ dài video, mà còn dựa trên bản đồ chuyển động quang học (optical flow). Điều này giúp tăng cường tín hiệu chỉnh sửa một cách thông minh hơn, tránh làm nhiễu các vùng có chuyển động phức tạp, từ đó cải thiện chất lượng cho các video có chuyển động nhanh và mạnh.
  3. Áp dụng khung 'editing signal stabilization' cho các mô hình sinh đa phương thức khác: Khám phá việc áp dụng ý tưởng ổn định tín hiệu chỉnh sửa (anchor) cho các tác vụ sinh và chỉnh sửa nội dung đa phương thức khác, chẳng hạn như sinh ảnh từ âm thanh, chỉnh sửa video dựa trên chuyển động cơ thể người, hoặc tạo nội dung 3D từ văn bản. Điều này mở ra một hướng nghiên cứu mới về việc kiểm soát và ổn định các quỹ đạo sinh trong không gian tiềm ẩn phức tạp.

2. Patent:​

  1. Phương pháp và hệ thống chỉnh sửa video trên thiết bị di động thông minh dựa trên văn bản: Một ứng dụng trên điện thoại cho phép người dùng khoanh vùng một đối tượng trong video (bằng cách vẽ hoặc chạm) và nhập mô tả văn bản để thay đổi đối tượng đó (ví dụ: đổi màu áo, thay đổi kiểu tóc). Hệ thống sử dụng kỹ thuật 'Spatial-aware Attention Refinement' để đảm bảo chỉ phần được chọn mới bị thay đổi, giúp việc chỉnh sửa diễn ra chính xác và tự nhiên ngay cả trên các thiết bị có cấu hình thấp nhờ cơ chế 'inversion-free' tiết kiệm tài nguyên.
  2. Công cụ tạo hiệu ứng đặc biệt cho video ngắn trên mạng xã hội: Một tính năng trong ứng dụng quay video cho phép người dùng áp dụng các hiệu ứng động (ví dụ: biến một chiếc ô tô thành 'holographic', thêm hiệu ứng 'watercolor' cho một bông hoa) một cách mượt mà và ổn định. Cơ chế 'Adaptive Magnitude Modulation' đảm bảo hiệu ứng không bị mờ nhạt khi video dài, và kỹ thuật SAR giúp hiệu ứng chỉ xuất hiện đúng trên đối tượng mong muốn, tạo ra các video ngắn ấn tượng mà không cần kỹ năng chỉnh sửa chuyên nghiệp.
  3. Hệ thống hỗ trợ thiết kế thời trang và nội thất trên di động: Một ứng dụng cho phép người dùng chụp một video ngắn về một người mẫu hoặc một căn phòng, sau đó sử dụng văn bản để thay đổi màu sắc hoặc chất liệu của quần áo, đồ nội thất trong video. Nhờ khả năng 'Spatial-aware Attention Refinement', hệ thống có thể phân biệt chính xác các đối tượng khác nhau (ví dụ: phân biệt áo và quần) và chỉ thay đổi đúng đối tượng được mô tả, cung cấp một công cụ trực quan và mạnh mẽ cho việc lên ý tưởng thiết kế.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.22586
ArXiv Abstracthttps://arxiv.org/abs/2604.22586
PDF Downloadhttps://arxiv.org/pdf/2604.22586.pdf
Github Repositoryhttps://github.com/CUC-MIPG/FlowAnchor

7. Building a Precise Video Language with Human-AI Oversight (15 votes)​

Tác giả: Zhiqiu Lin, Chancharik Mitra, Siyuan Cen, Isaac Li, Yuhan Huang, Yu Tong Tiffany Ling, Hewei Wang, Irene Pi, Shihang Zhu, Ryan Rao, George Liu, Jiaxi Li, Ruojin Li, Yili Han, Yilun Du, Deva Ramanan

Xuất bản lúc: 2026-04-22

Tag: Video-Language Models, Video Captioning, Human-AI Collaboration, Scalable Oversight, Post-Training, DPO, SFT, Reward Modeling, Critique Generation, Text-to-Video Generation

I. Main Problem:​

Các mô hình video-ngôn ngữ (VLM) hiện tại gặp khó khăn trong việc tạo ra các chú thích video chính xác và chi tiết. Các tập dữ liệu video-văn bản phổ biến thường thiếu một đặc tả rõ ràng về nội dung cần mô tả, dẫn đến các chú thích không nhất quán, thiếu thông tin quan trọng, sử dụng thuật ngữ không chính xác, hoặc chứa các mô tả chủ quan. Ngoài ra, việc viết chú thích video chi tiết rất tốn kém về mặt nhận thức và dễ mắc lỗi, cả khi thực hiện bởi con người (lỗi chính tả, ngữ pháp) lẫn mô hình (ảo giác thị giác, thiếu chi tiết tinh vi).

II. Main Idea:​

Bài báo giới thiệu một bộ công cụ mở bao gồm đặc tả, khung giám sát và chiến lược hậu huấn luyện để xây dựng ngôn ngữ video chính xác. (1) Đặc tả chính xác: Hợp tác với hơn 100 nhà sáng tạo nội dung chuyên nghiệp để xây dựng một đặc tả có cấu trúc bao gồm năm khía cạnh chính: chủ thể, cảnh, chuyển động, không gian và máy quay, dựa trên hàng trăm nguyên thủy thị giác được định nghĩa cẩn thận. (2) Khung giám sát CHAI (Critique-based Human–AI Oversight): Một quy trình cộng tác giữa con người và AI, nơi mô hình tạo ra bản nháp chú thích (pre-caption), sau đó các chuyên gia được đào tạo sẽ viết phê bình chỉnh sửa (critique) để mô hình tạo ra chú thích hoàn thiện (post-caption). Sự phân công lao động này giúp con người tập trung vào việc xác minh thay vì viết lách, nâng cao độ chính xác và hiệu quả. (3) Chiến lược hậu huấn luyện: Các bộ ba (pre-caption, critique, post-caption) được sử dụng để huấn luyện các mô hình nguồn mở (Qwen3-VL) thông qua SFT, DPO và scaling thời gian suy luận, giúp cải thiện khả năng tạo chú thích, mô hình hóa phần thưởng và tạo phê bình.

III. Main Results:​

Bài báo công bố benchmark thống nhất đầu tiên đánh giá ba tác vụ: tạo chú thích, mô hình hóa phần thưởng và tạo phê bình. Các kết quả chính: (1) Các mô hình hiện tại hoạt động tốt trên khía cạnh chủ thể và cảnh nhưng gặp khó khăn với chuyển động và máy quay. (2) Mô hình Qwen3-VL được huấn luyện hậu với đầy đủ dữ liệu (phê bình và ưu tiên) vượt trội so với các mô hình nguồn đóng như Gemini-3.1-Pro trên tất cả các tác vụ. (3) Chất lượng phê bình (chính xác, đầy đủ, mang tính xây dựng) là yếu tố then chốt quyết định sự thành công của hậu huấn luyện. (4) Việc áp dụng mô hình đã huấn luyện để tái chú thích các video chuyên nghiệp quy mô lớn và tinh chỉnh mô hình sinh video Wan2.2 giúp cải thiện đáng kể khả năng làm theo các prompt chi tiết lên đến 400 từ, cho phép kiểm soát tinh vi hơn các yếu tố quay phim.

IV. Conclusion & Future Works:​

Bài báo kết luận rằng đặc tả chính xác, giám sát hiệu quả và hậu huấn luyện phù hợp là chìa khóa để xây dựng ngôn ngữ video chính xác. Hạn chế và hướng phát triển trong tương lai bao gồm: (1) Mở rộng quy mô quy trình CHAI bằng cách sử dụng các mô hình phê bình mạnh hơn để hỗ trợ người chú thích. (2) Xây dựng các benchmark cho sinh video như một bước tiếp theo tự nhiên. (3) Nghiên cứu thêm về cách giám sát có thể mở rộng cho các tác vụ video khác.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu 1: Mở rộng khung giám sát CHAI cho các tác vụ video khác. Áp dụng quy trình con người-AI tương tự (mô hình tạo bản nháp, con người phê bình) cho các tác vụ như phân đoạn video, phát hiện sự kiện hoặc tóm tắt video. Mục tiêu là chứng minh tính tổng quát của phương pháp và tạo ra các tập dữ liệu chất lượng cao cho các bài toán khác nhau.
  2. Nghiên cứu 2: Tự động hóa quy trình tạo phê bình để giảm sự phụ thuộc vào con người. Phát triển các mô hình phê bình mạnh mẽ hơn có thể tự động tạo ra các phê bình chính xác, đầy đủ và mang tính xây dựng cho các chú thích video, từ đó giảm bớt khối lượng công việc của con người trong quy trình CHAI. Nghiên cứu này có thể khám phá các kiến trúc mô hình hoặc chiến lược huấn luyện mới.
  3. Nghiên cứu 3: Xây dựng benchmark toàn diện cho sinh video với ngôn ngữ chính xác. Sử dụng đặc tả và dữ liệu từ bài báo này để tạo ra một benchmark đánh giá khả năng của các mô hình sinh video trong việc làm theo các prompt chi tiết về bố cục, chuyển động máy quay và kỹ xảo điện ảnh. Benchmark này sẽ thúc đẩy sự phát triển của các mô hình sinh video chuyên nghiệp.

2. Patent:​

  1. Ý tưởng sáng chế 1: Ứng dụng chỉnh sửa video trên điện thoại thông minh sử dụng ngôn ngữ tự nhiên. Một ứng dụng di động cho phép người dùng nhập các mô tả bằng ngôn ngữ tự nhiên (ví dụ: 'làm chậm chuyển động ở cuối video', 'thêm hiệu ứng xoay camera từ trái sang phải') để tự động chỉnh sửa video. Ứng dụng này sử dụng các mô hình đã được huấn luyện trên các chú thích video chính xác để hiểu ý định của người dùng và áp dụng các hiệu ứng tương ứng, giúp việc chỉnh sửa video chuyên nghiệp trở nên dễ dàng hơn trên thiết bị di động.
  2. Ý tưởng sáng chế 2: Hệ thống gợi ý bố cục và chuyển động máy quay cho người dùng quay video trên điện thoại. Một hệ thống chạy trên điện thoại thông minh, sử dụng camera để phân tích cảnh quay theo thời gian thực và đưa ra các gợi ý về bố cục (như quay cận cảnh, toàn cảnh) và chuyển động máy quay (như lia máy, xoay góc) dựa trên các nguyên tắc quay phim chuyên nghiệp đã được mã hóa. Hệ thống này giúp người dùng phổ thông quay được những thước phim đẹp hơn mà không cần kiến thức chuyên môn.
  3. Ý tưởng sáng chế 3: Công cụ tạo phụ đề mô tả chi tiết cho video trên mạng xã hội. Một tính năng tích hợp trong các ứng dụng mạng xã hội, tự động tạo ra các phụ đề mô tả chi tiết về nội dung video (như chủ thể, hành động, chuyển động máy quay) để hỗ trợ người khiếm thị hoặc cải thiện khả năng tìm kiếm video. Tính năng này sử dụng các mô hình đã được tinh chỉnh để đảm bảo độ chính xác và chi tiết của mô tả, vượt xa các phụ đề tự động hiện tại vốn chỉ tập trung vào lời nói.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.21718
ArXiv Abstracthttps://arxiv.org/abs/2604.21718
PDF Downloadhttps://arxiv.org/pdf/2604.21718.pdf
Github Repositoryhttps://github.com/chancharikmitra/CHAI

8. AgentSearchBench: A Benchmark for AI Agent Search in the Wild (13 votes)​

Tác giả: Bin Wu, Arastun Mammadli, Xiaoyu Zhang, Emine Yilmaz

Xuất bản lúc: 2026-04-24

Tag: Agent Search, Benchmark, Retrieval, Reranking, Execution-Grounded Evaluation, LLM-as-Judge, Semantic-Performance Gap, Agent Ecosystem

I. Main Problem:​

Với sự phát triển nhanh chóng của các hệ thống AI agent, việc tìm kiếm agent phù hợp cho một tác vụ cụ thể trở nên khó khăn. Không giống như các công cụ truyền thống, năng lực của agent thường mang tính tổng hợp và phụ thuộc vào quá trình thực thi, khiến việc đánh giá chỉ dựa trên mô tả văn bản là không đầy đủ. Các nghiên cứu và benchmark hiện tại thường giả định chức năng được xác định rõ ràng, tập ứng viên được kiểm soát, hoặc chỉ có các truy vấn tác vụ có thể thực thi được, bỏ qua các kịch bản tìm kiếm agent thực tế.

II. Main Idea:​

Bài báo giới thiệu AgentSearchBench, một benchmark quy mô lớn cho bài toán tìm kiếm agent trong môi trường thực tế, được xây dựng từ gần 10.000 agent thực tế từ nhiều nhà cung cấp khác nhau. Benchmark chính thức hóa bài toán tìm kiếm agent thành các bài toán truy xuất và xếp hạng lại dựa trên cả truy vấn tác vụ có thể thực thi và mô tả tác vụ cấp cao. Điểm mấu chốt là mức độ liên quan của agent được xác định bằng các tín hiệu hiệu suất dựa trên thực thi, thay vì độ tương đồng văn bản. Bài báo cũng đề xuất sử dụng các tín hiệu hành vi nhẹ (execution-aware probing) để cải thiện chất lượng xếp hạng.

III. Main Results:​

Các thí nghiệm benchmark cho thấy một khoảng cách nhất quán giữa độ tương đồng ngữ nghĩa và hiệu suất tác vụ thực tế. Các phương pháp truy xuất và xếp hạng lại dựa trên mô tả văn bản thường thất bại trong việc tìm ra các agent có hiệu suất cao nhất, đặc biệt là với các mô tả tác vụ cấp cao. Việc sử dụng các tín hiệu hành vi nhẹ, chẳng hạn như lập chỉ mục phong phú hơn hoặc thăm dò nhận biết thực thi (execution-aware probing), có thể cải thiện đáng kể chất lượng xếp hạng. Cụ thể, ToolRet đạt hiệu suất truy xuất tốt nhất trên Task Query (NDCG@5: 37.52), trong khi BGE Reranker v2 và Tool-Rank cho thấy hiệu quả trong xếp hạng lại.

IV. Conclusion & Future Works:​

AgentSearchBench là một benchmark thực tế cho bài toán tìm kiếm agent dựa trên hiệu suất thực thi. Kết quả nhấn mạnh tầm quan trọng của các phương pháp nhận biết thực thi, vì các phương pháp dựa trên độ tương đồng văn bản thường không nắm bắt được năng lực phụ thuộc vào thực thi của agent. Các hướng nghiên cứu trong tương lai có thể bao gồm phát triển các phương pháp tìm kiếm agent hiệu quả hơn, kết hợp cả tín hiệu văn bản và hành vi, cũng như mở rộng benchmark sang các lĩnh vực và loại agent khác.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Truy xuất Agent theo Ngữ cảnh Động (Context-Aware Agent Retrieval): Nghiên cứu các phương pháp kết hợp thông tin ngữ cảnh của người dùng, như lịch sử tác vụ và sở thích cá nhân, vào quá trình truy xuất agent để cải thiện độ chính xác và cá nhân hóa kết quả.
  2. Xếp hạng Agent Đa phương thức (Multimodal Agent Ranking): Phát triển các mô hình xếp hạng có khả năng xử lý đồng thời nhiều loại dữ liệu đầu vào khác nhau, bao gồm văn bản, mã nguồn, và kết quả thực thi từ agent, để đánh giá năng lực tổng thể một cách toàn diện hơn.
  3. Học Tăng cường cho Tìm kiếm Agent (Reinforcement Learning for Agent Search): Ứng dụng các kỹ thuật học tăng cường để tối ưu hóa chiến lược tìm kiếm agent dựa trên phản hồi từ người dùng và hiệu suất thực thi, cho phép hệ thống tự động thích nghi và cải thiện theo thời gian.

2. Patent:​

  1. Phương pháp và hệ thống đề xuất ứng dụng AI trên điện thoại thông minh: Hệ thống này phân tích mô tả tác vụ của người dùng (ví dụ: 'Tôi muốn tạo một bài thuyết trình về chủ đề này') và tự động truy xuất, xếp hạng các ứng dụng AI có sẵn trên kho ứng dụng (như GPT Store) dựa trên khả năng thực thi tác vụ đó, thay vì chỉ dựa vào mô tả văn bản hoặc đánh giá sao. Hệ thống có thể chạy thử một tác vụ mẫu nhỏ trên các ứng dụng tiềm năng để đánh giá hiệu suất thực tế trước khi đề xuất cho người dùng.
  2. Công cụ tìm kiếm agent thông minh cho trợ lý ảo trên thiết bị di động: Trợ lý ảo trên điện thoại có thể hiểu các yêu cầu phức tạp của người dùng (ví dụ: 'Lên kế hoạch cho một chuyến du lịch cuối tuần đến Đà Lạt') và tự động tìm kiếm, kết hợp các agent chuyên biệt (agent đặt vé máy bay, agent đặt khách sạn, agent lên lịch trình) từ một kho agent trên đám mây. Quá trình tìm kiếm không chỉ dựa trên mô tả mà còn dựa trên lịch sử thành công của các agent đó trong các tác vụ tương tự.
  3. Phương pháp đánh giá nhanh năng lực agent trên thiết bị di động: Một hệ thống trên điện thoại có thể gửi một 'bài kiểm tra' ngắn (gồm 1-2 tác vụ con) đến một agent mới để đánh giá nhanh năng lực thực thi của nó trước khi cho phép agent đó tham gia vào một quy trình làm việc phức tạp. Kết quả bài kiểm tra này được sử dụng làm tín hiệu bổ sung, cùng với mô tả văn bản, để quyết định có nên tin tưởng giao phó tác vụ cho agent đó hay không, giúp người dùng tránh được các agent kém chất lượng.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.22436
ArXiv Abstracthttps://arxiv.org/abs/2604.22436
PDF Downloadhttps://arxiv.org/pdf/2604.22436.pdf
Github Repositoryhttps://github.com/Bingo-W/AgentSearchBench

9. Sessa: Selective State Space Attention (11 votes)​

Tác giả: Liubomyr Horbatko

Xuất bản lúc: 2026-04-21

Tag: State Space Models, Attention, Recurrent Neural Networks, Long-Context, Memory, Sequence Modeling, Transformer

I. Main Problem:​

Các mô hình chuỗi hiện đại, bao gồm Transformer và các mô hình không gian trạng thái có cấu trúc (SSM), đều gặp khó khăn trong việc bảo toàn và truy xuất thông tin một cách chọn lọc trên các ngữ cảnh dài. Transformer bị pha loãng sự chú ý (attention dilution) khi khối lượng chú ý trải rộng trên nhiều token, làm giảm ảnh hưởng của từng token riêng lẻ. Trong khi đó, các SSM, dù có khả năng lan truyền thông tin qua trạng thái tiềm ẩn, lại có thể mất độ nhạy với các phụ thuộc xa do cơ chế quên theo cấp số nhân (exponential forgetting), và cơ chế 'đóng băng thời gian' (freeze time) của chúng có thể thất bại khi các token liên quan và không liên quan có biểu diễn tương tự nhau.

II. Main Idea:​

Bài báo đề xuất Sessa, một kiến trúc bộ giải mã mới kết hợp cơ chế chú ý (attention) vào trong một đường hồi tiếp (feedback path) có trạng thái. Cụ thể, Sessa đặt một cơ chế chú ý nhân quả (causal attention) bên trong một vòng lặp hồi tiếp. Điều này tạo ra nhiều đường dẫn dựa trên sự chú ý (attention-based paths) để các token trong quá khứ có thể ảnh hưởng đến các trạng thái tương lai, thay vì chỉ dựa vào một lần đọc chú ý duy nhất (single attention read) hoặc một chuỗi hồi tiếp duy nhất (single recurrent chain). Về mặt toán học, đầu ra của Sessa được tính bằng cách giải một hệ phương trình tam giác dưới (lower-triangular solve), tương đương với việc tổng hợp các đóng góp từ nhiều bước định tuyến (multi-hop routing).

III. Main Results:​

Bài báo chứng minh về mặt lý thuyết rằng, trong các điều kiện và chế độ phù hợp, Sessa có khả năng ghi nhớ với đuôi phân bố theo lũy thừa (power-law memory tails) O(ℓ^{-β}) với 0 < β < 1, chậm hơn so với sự suy giảm theo cấp số nhân của các mô hình Transformer và Mamba. Sessa cũng là lớp mô hình duy nhất có thể thực hiện truy xuất chọn lọc linh hoạt (flexible selective retrieval), bao gồm cả các cấu hình mà ảnh hưởng không suy giảm theo khoảng cách. Trong các thí nghiệm thực nghiệm, Sessa đạt hiệu suất mạnh nhất trên các benchmark ngữ cảnh dài, đồng thời vẫn cạnh tranh với Transformer và Mamba trên các tác vụ mô hình hóa ngôn ngữ ngữ cảnh ngắn.

IV. Conclusion & Future Works:​

Sessa là một kiến trúc mới kết hợp thành công ưu điểm của cả cơ chế chú ý (attention) và mô hình không gian trạng thái hồi tiếp (recurrent state-space models), mang lại khả năng ghi nhớ dài hạn vượt trội và truy xuất chọn lọc linh hoạt. Các kết quả lý thuyết và thực nghiệm đều cho thấy tiềm năng của Sessa trong việc xử lý các ngữ cảnh rất dài. Các hướng phát triển trong tương lai có thể bao gồm việc mở rộng kiến trúc này cho các tác vụ đa phương thức (đa phương thức) và tối ưu hóa hiệu quả tính toán để triển khai trên quy mô lớn.

V. Brainstorming Space:​

1. Publish Papers:​

    1. Mở rộng Sessa cho dữ liệu đa phương thức (Multimodal Sessa): Nghiên cứu cách tích hợp Sessa để xử lý đồng thời văn bản, hình ảnh và âm thanh. Kiến trúc hồi tiếp có thể giúp mô hình duy trì ngữ cảnh dài và mối quan hệ phức tạp giữa các luồng thông tin khác nhau, ví dụ như trong video hoặc sách nói có hình ảnh minh họa.
    1. Tối ưu hóa hiệu quả tính toán của Sessa (Efficient Sessa): Mặc dù Sessa có ưu điểm về mặt lý thuyết, việc giải hệ phương trình tam giác dưới có thể gây tốn kém về mặt tính toán. Hướng nghiên cứu này tập trung vào việc phát triển các thuật toán xấp xỉ, kỹ thuật sparse attention hoặc tận dụng các kiến trúc phần cứng chuyên dụng để giảm độ phức tạp tính toán và bộ nhớ, giúp Sessa có thể mở rộng quy mô hiệu quả hơn.
    1. Phân tích khả năng diễn giải của Sessa (Interpreting Sessa's Memory): Nghiên cứu sâu hơn về các cơ chế bên trong của Sessa, đặc biệt là cách các đường dẫn hồi tiếp (feedback paths) và sự chú ý (attention) tương tác để tạo ra trí nhớ dài hạn. Điều này có thể bao gồm việc trực quan hóa các trọng số hồi tiếp (feedback weights) và sự chú ý (attention) để hiểu rõ hơn về cách mô hình 'quyết định' thông tin nào cần lưu giữ và truy xuất.

2. Patent:​

    1. Phương pháp và hệ thống tóm tắt văn bản dài trên thiết bị di động sử dụng mô hình ngôn ngữ có kiến trúc hồi tiếp chú ý (Sessa): Mô hình Sessa có khả năng duy trì ngữ cảnh rất dài mà không bị suy giảm hiệu suất. Phát minh này mô tả một ứng dụng trên điện thoại thông minh có thể tóm tắt các cuộc hội thoại dài, toàn bộ cuốn sách hoặc các tài liệu pháp lý đồ sộ một cách chính xác, nhờ vào cơ chế ghi nhớ dạng lũy thừa của Sessa, vượt trội so với các mô hình hiện tại bị giới hạn bởi độ dài ngữ cảnh.
    1. Phương pháp tạo đề xuất nội dung cá nhân hóa liên tục dựa trên lịch sử tương tác lâu dài trên thiết bị di động: Thay vì chỉ dựa vào các tương tác gần đây, phát minh này sử dụng kiến trúc Sessa để xây dựng một mô hình trên điện thoại có thể 'nhớ' sở thích và thói quen của người dùng trong một khoảng thời gian rất dài (ví dụ: hàng tháng). Mô hình này sẽ liên tục cập nhật trạng thái nội tại của nó dựa trên mọi tương tác (xem video, nghe nhạc, đọc báo) để đưa ra các đề xuất chính xác và phù hợp hơn, ngay cả khi sở thích của người dùng thay đổi một cách tinh vi theo thời gian.
    1. Hệ thống trợ lý ảo trên thiết bị di động có khả năng duy trì ngữ cảnh hội thoại xuyên suốt nhiều phiên làm việc: Các trợ lý ảo hiện tại thường 'quên' ngữ cảnh sau khi kết thúc một phiên làm việc. Phát minh này sử dụng kiến trúc Sessa để tạo ra một trợ lý ảo có một bộ nhớ dài hạn được lưu trữ dưới dạng trạng thái hồi tiếp. Điều này cho phép trợ lý nhớ lại các cuộc trò chuyện trước đó, các nhiệm vụ đang dang dở, và các ưu tiên của người dùng từ nhiều ngày hoặc nhiều tuần trước, mang lại trải nghiệm liền mạch và thông minh hơn.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.18580
ArXiv Abstracthttps://arxiv.org/abs/2604.18580
PDF Downloadhttps://arxiv.org/pdf/2604.18580.pdf
Github Repositoryhttps://github.com/LibratioAI/sessa

10. Memanto: Typed Semantic Memory with Information-Theoretic Retrieval for Long-Horizon Agents (10 votes)​

Tác giả: Seyed Moein Abtahi, Rasa Rahnema, Hetkumar Patel, Neel Patel, Majid Fekri, Tara Khani

Xuất bản lúc: 2026-04-23

Tag: Agentic AI, Long-Term Memory, Semantic Memory, Information Theory, Vector Search, Retrieval-Augmented Generation, Autonomous Agents

I. Main Problem:​

Các hệ thống tác tử (agent) AI hiện tại thiếu bộ nhớ bền vững qua nhiều phiên làm việc, gây khó khăn cho các tác vụ dài hạn. Các giải pháp hiện có như đồ thị tri thức lai (hybrid graph) gây ra chi phí tính toán và vận hành lớn (Memory Tax) do phải trích xuất thực thể qua LLM, duy trì schema đồ thị và sử dụng pipeline truy vấn đa tầng, dẫn đến độ trễ cao và chi phí tốn kém.

II. Main Idea:​

Memanto giới thiệu một lớp bộ nhớ phổ quát cho tác tử AI, tích hợp lược đồ bộ nhớ ngữ nghĩa có kiểu (typed semantic memory) gồm 13 danh mục, cơ chế giải quyết xung đột tự động, và phiên bản thời gian (temporal versioning). Hệ thống sử dụng công cụ Tìm kiếm Lý thuyết Thông tin (ITS) của Moorcheh - một cơ sở dữ liệu ngữ nghĩa không cần lập chỉ mục, cho phép truy xuất tất định với độ trễ dưới 90 mili giây mà không có chi phí nạp dữ liệu (ingestion delay). Memanto chỉ cần một truy vấn duy nhất để truy xuất, loại bỏ nhu cầu về đồ thị tri thức, trích xuất qua LLM, và quản lý schema phức tạp.

III. Main Results:​

Trên bộ đánh giá LongMemEval và LoCoMo, Memanto đạt độ chính xác lần lượt là 89.8% và 87.1%, vượt qua tất cả các hệ thống dựa trên đồ thị lai và vector hiện có. Nghiên cứu cắt bỏ (ablation study) 5 giai đoạn cho thấy việc mở rộng truy xuất (recall expansion) là yếu tố then chốt, mang lại mức cải thiện lớn nhất (+20.4 điểm phần trăm trên LongMemEval). Memanto hoạt động với chi phí thấp hơn đáng kể: 0 cuộc gọi LLM khi ghi, 1 truy vấn khi đọc, và chi phí vận hành ước tính chỉ 0.50/ngaˋycho10Kthaotaˊc,sovới0.50/ngày cho 10K thao tác, so với 2.32 của Mem0-Graph.

IV. Conclusion & Future Works:​

Memanto chứng minh rằng một kiến trúc vector đơn giản, được tối ưu hóa với truy xuất ngữ nghĩa có cấu trúc và giải quyết xung đột, có thể đạt và vượt hiệu năng của các hệ thống đồ thị lai phức tạp. Các hướng nghiên cứu tương lai bao gồm phát triển các giao thức đánh giá tập trung hơn vào kiến trúc bộ nhớ thay vì khả năng suy luận của LLM, và mở rộng cơ chế bộ nhớ có kiểu cho các miền ứng dụng cụ thể.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng lược đồ bộ nhớ có kiểu cho tác tử đa phương thức: Nghiên cứu việc tích hợp thêm các danh mục bộ nhớ cho dữ liệu hình ảnh và âm thanh, cùng với cơ chế suy luận xung đột đa phương thức, nhằm nâng cao khả năng nhận thức ngữ cảnh phong phú hơn cho tác tử.
  2. Giảm thiểu 'Memory Tax' thông qua tối ưu hóa truy xuất thích ứng: Phát triển một thuật toán tự động điều chỉnh ngưỡng tương đồng và giới hạn truy xuất dựa trên độ phức tạp của truy vấn, nhằm cân bằng giữa độ chính xác và chi phí tính toán trong các hệ thống tác tử quy mô lớn.
  3. Tích hợp cơ chế 'quên' có chủ đích (forgetting) cho bộ nhớ tác tử: Nghiên cứu các chiến lược suy giảm (decay) và loại bỏ thông tin không còn phù hợp dựa trên tần suất sử dụng và mức độ liên quan, giúp tối ưu hóa không gian lưu trữ và tăng tốc độ truy xuất.

2. Patent:​

  1. Phương pháp và hệ thống quản lý bộ nhớ ngữ nghĩa cho trợ lý ảo trên điện thoại thông minh: Hệ thống tự động phân loại và lưu trữ các tương tác của người dùng (cuộc gọi, tin nhắn, lịch hẹn) vào các danh mục bộ nhớ định sẵn (ví dụ: sở thích, cam kết, sự kiện). Khi người dùng hỏi, hệ thống truy xuất thông tin liên quan chỉ với một truy vấn duy nhất, không cần lập chỉ mục phức tạp, giúp trợ lý ảo phản hồi nhanh và chính xác mà không tiêu tốn nhiều pin hay tài nguyên.
  2. Cơ chế phát hiện và giải quyết xung đột thông tin trên thiết bị di động: Khi người dùng cập nhật thông tin mới (ví dụ: đổi mật khẩu email) mâu thuẫn với thông tin cũ, hệ thống sẽ tự động phát hiện và hiển thị thông báo trên màn hình điện thoại, đề xuất các tùy chọn như 'giữ lại', 'thay thế' hoặc 'ghi chú xung đột'. Điều này giúp tránh nhầm lẫn khi trợ lý ảo đưa ra lời khuyên hoặc thực hiện tác vụ dựa trên dữ liệu cũ.
  3. Hệ thống truy xuất bộ nhớ theo thời gian (temporal versioning) cho ứng dụng ghi chú và nhắc việc trên điện thoại: Cho phép người dùng xem lại trạng thái của một dự án hoặc danh sách việc cần làm tại một thời điểm cụ thể trong quá khứ (ví dụ: 'tuần trước mình đã lên kế hoạch gì cho dự án này?'). Hệ thống lưu trữ lịch sử thay đổi mà không xóa dữ liệu cũ, giúp người dùng dễ dàng theo dõi tiến độ và khôi phục thông tin khi cần.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2604.22085
ArXiv Abstracthttps://arxiv.org/abs/2604.22085
PDF Downloadhttps://arxiv.org/pdf/2604.22085.pdf
Github Repositoryhttps://github.com/moorcheh-ai/memanto