Chuyển tới nội dung chính

🤗 Daily Hugging Face Paper Digest - 2026-06-24

Báo cáo được tạo tự động vào lúc 2026-06-30 20:59:51 bằng mô hình deepseek-ai/deepseek-v4-flash.

📰 Summary of Papers​

1. Qwen-AgentWorld: Language World Models for General Agents (140 votes)​

Tác giả: Yuxin Zuo, Zikai Xiao, Li Sheng, Fei Huang, Jianhong Tu, et al.

Xuất bản lúc: 2026-06-23

Tag: World Model, Language World Model, LLM Agents, Reinforcement Learning, Agentic RL, Simulation, Multi-domain

I. Main Problem:​

Các tác nhân LLM hiện nay hầu như chỉ tập trung vào policy (từ trạng thái đến hành động), thiếu một world model tổng quát để dự đoán trạng thái môi trường tiếp theo. Thiếu thành phần này, tác nhân không thể suy luận, lập kế hoạch hay tổng quát hóa hiệu quả trong nhiều tác vụ. Chưa có mô hình ngôn ngữ nào có khả năng mô phỏng môi trường tác nhân một cách thống nhất trên nhiều lĩnh vực.

II. Main Idea:​

Bài báo giới thiệu Qwen-AgentWorld, một Language World Model (LWM) native được huấn luyện qua ba giai đoạn: CPT (Continual Pre-Training) tiêm tri thức động lực môi trường, SFT (Supervised Fine-Tuning) kích hoạt suy luận dự đoán trạng thái kế tiếp, RL (Reinforcement Learning) với phần thưởng hybrid rubric-and-rule tăng độ trung thực mô phỏng. Mô hình thống nhất bảy lĩnh vực tác nhân (MCP, Search, Terminal, SWE, Android, Web, OS) dưới một schema chung. Hai ứng dụng chính: dùng LWM như môi trường mô phỏng tách rời để huấn luyện RL quy mô lớn, và dùng world model làm nền tảng cho tác nhân thống nhất giúp bootstrapping hiệu suất.

III. Main Results:​

  • Qwen-AgentWorld vượt trội hơn các frontier model hiện có trên benchmark AgentWorldBench.
  • Dùng LWM làm môi trường mô phỏng, huấn luyện RL cho agent đạt hiệu suất vượt trội so với chỉ huấn luyện trên môi trường thật: cải thiện +9.0% trên Claw-Eval.
  • Huấn luyện world model như giai đoạn warm-up giúp cải thiện hiệu suất agent trên 7 benchmark tác nhân, ví dụ +12.3% trên Terminal-Bench 2.0.
  • Tính điều khiển được của LWM cho phép tạo các kịch bản thử thách có chủ đích, giúp agent xử lý các tình huống hiếm gặp mà môi trường thật không có.
  • Mô hình có khả năng tổng quát hóa cross-domain: mô phỏng môi trường mới ngoài bảy lĩnh vực huấn luyện.

IV. Conclusion & Future Works:​

Qwen-AgentWorld chứng minh world model ngôn ngữ là thành phần thiết yếu cho tác nhân đa năng, vừa có thể làm môi trường mô phỏng vừa là nền tảng huấn luyện. Hướng tương lai bao gồm mở rộng lĩnh vực mô phỏng và cải thiện khả năng suy luận world model cho các tác vụ dài hạn phức tạp.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Xây dựng môi trường mô phỏng tương tác đa người dùng dựa trên LWM, cho phép nghiên cứu hành vi hợp tác và cạnh tranh giữa nhiều tác nhân AI.
  2. Nghiên cứu cách tích hợp thông tin pixel (hình ảnh GUI thực tế) vào world model hiện tại để tăng độ trung thực mô phỏng môi trường đồ họa.
  3. Khám phá cơ chế active learning cho LWM: tự động đề xuất các hành động thăm dò để thu thập dữ liệu huấn luyện hiệu quả hơn ở các vùng không gian trạng thái chưa được khám phá.

2. Patent:​

  1. Hệ thống mô phỏng ảo cho huấn luyện robot gia dụng: thay vì robot thật, điện thoại dùng LWM để mô phỏng phản hồi từ các thao tác chạm/kéo trên màn hình, giúp huấn luyện thuật toán điều khiển an toàn và tiết kiệm.
  2. Ứng dụng LWM để kiểm thử tự động giao diện ứng dụng di động: với cùng đầu vào thao tác, mô phỏng nhanh trạng thái màn hình tiếp theo để phát hiện lỗi layout, treo ứng dụng trước khi deploy.
  3. Công cụ sinh dữ liệu huấn luyện cho trợ lý giọng nói: dùng LWM làm môi trường mô phỏng thiết bị (điều hòa, đèn, khóa cửa) để trợ lý AI tập phản hồi lệnh điều khiển nhà thông minh mà không cần thiết bị thật.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.24597
ArXiv Abstracthttps://arxiv.org/abs/2606.24597
PDF Downloadhttps://arxiv.org/pdf/2606.24597.pdf
Github Repositoryhttps://github.com/QwenLM/Qwen-AgentWorld

2. NatureBench: Can Coding Agents Match the Published SOTA of Nature-Family Papers? (61 votes)​

Tác giả: Yuru Wang, Lejun Cheng, Yuxin Zuo, Sihang Zeng, Bingxiang He, et al.

Xuất bản lúc: 2026-06-23

Tag: AI for Science, Coding Agents, Benchmark, NatureGym, Scientific Discovery, LLMs

I. Main Problem:​

Các benchmark hiện tại cho coding agent trong nghiên cứu khoa học chủ yếu đánh giá khả năng tái tạo (reproduction) hoặc tối ưu hóa kỹ thuật trên các bài toán Kaggle/ML engineering. Chúng chưa kiểm tra được câu hỏi quan trọng hơn: liệu agent có thể tự khám phá ra phương pháp cạnh tranh, vượt qua công bố SOTA trên các bài toán khoa học thực tế hay không. Ngoài ra, vấn đề phân mảnh môi trường (environment fragmentation) khiến việc tái chạy độc lập trở nên khó khăn.

II. Main Idea:​

NatureBench là benchmark liên ngành gồm 90 tác vụ được chưng cất từ các bài báo Nature-family có phản biện, thiết kế để đánh giá coding agent ở khía cạnh khám phá (discovery) thay vì chỉ tái tạo. Nó được xây dựng trên NatureGym, một pipeline tự động hóa chuyển đổi một bài báo thành gói tác vụ container hóa, bao gồm bản tóm tắt tác vụ, tập dữ liệu, bộ kiểm tra ẩn và bộ đánh giá tự động. Một tường lửa thông tin (information firewall) loại bỏ phương pháp gốc khỏi mỗi gói, buộc agent phải tự khám phá giải pháp.

III. Main Results:​

  • Agent mạnh nhất (Claude Opus 4.7) chỉ vượt SOTA công bố (𝑔 > 0.1) trên 17.8% tác vụ.
  • 45.5% thành công đến từ phương pháp chuyển đổi (methodological translation), biến bài toán khoa học thành bài toán supervised prediction quen thuộc, không phải phát minh khoa học thực sự.
  • 45.1% thất bại do chọn sai phương pháp, 24.4% do không đủ tài nguyên tính toán.
  • Benchmark bao phủ 6 lĩnh vực: omics tế bào (31 task), protein (16), mô hình y sinh (14), mô hình vật lý (13), thiết kế phân tử (11), suy luận quan hệ (5).

IV. Conclusion & Future Works:​

NatureBench cho thấy coding agent hiện tại vượt SOTA trên tỷ lệ rất nhỏ và chủ yếu dựa vào chuyển đổi phương pháp, không phải phát minh. Hướng phát triển bao gồm mở rộng benchmark sang nhiều lĩnh vực hơn, cải thiện khả năng tìm kiếm và kết hợp phương pháp của agent, cũng như nâng cấp pipeline để hỗ trợ các bài toán yêu cầu tương tác vật lý hoặc dữ liệu lớn hơn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu chi tiết các cơ chế thất bại của coding agent (ví dụ: chọn sai phương pháp) để xây dựng các chiến lược gợi ý phương pháp hiệu quả hơn, giúp agent không chỉ áp dụng supervised learning đơn thuần.
  2. Mở rộng NatureGym sang các tạp chí phi Nature-family (ví dụ: Cell, Physical Review Letters) để kiểm tra tính tổng quát của pipeline và benchmark, đồng thời xác định các dạng bài toán khoa học mới mà coding agent chưa xử lý được.
  3. Phát triển một agent chuyên biệt cho khoa học, kết hợp LLM với các công cụ mô phỏng chuyên ngành và kho tri thức, được đánh giá trực tiếp trên NatureBench để đo lường tiến bộ hướng tới khám phá khoa học tự động.

2. Patent:​

  1. Hệ thống tự động chuyển đổi bài báo khoa học thành bộ dữ liệu và bài kiểm tra cho agent AI, giúp các phòng thí nghiệm nhanh chóng đánh giá năng lực của các mô hình ngôn ngữ lớn trên các bài toán chuyên ngành mà không cần can thiệp thủ công.
  2. Phương pháp kiểm tra tính toàn vẹn của tường lửa thông tin trong benchmark: dùng một agent 'giám sát' để dò tìm rò rỉ dữ liệu từ phương pháp gốc vào môi trường tác vụ, đảm bảo đánh giá khám phá là công bằng.
  3. Nền tảng đám mây cho phép nhiều coding agent cạnh tranh trên cùng một tác vụ NatureBench, ghi lại toàn bộ quá trình (trajectory) và so sánh tự động các chiến lược giải quyết vấn đề, phục vụ cho việc huấn luyện và cải thiện agent.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.24530
ArXiv Abstracthttps://arxiv.org/abs/2606.24530
PDF Downloadhttps://arxiv.org/pdf/2606.24530.pdf
Github Repositoryhttps://github.com/FrontisAI/NatureBench

3. Escaping the Self-Confirmation Trap: An Execute-Distill-Verify Paradigm for Agentic Experience Learning (51 votes)​

Tác giả: Shiding Zhu, Yudi Qi, Yajie Wang, Jiaze Li, Chao Song, et al.

Xuất bản lúc: 2026-06-23

Tag: LLM Agents, Experience Learning, Multi-Agent Systems, Self-Confirmation Trap, Memory, Execution-Distill-Verify

I. Main Problem:​

Các phương pháp học từ kinh nghiệm hiện tại cho LLM agent thường dùng vòng lặp đơn agent, nơi cùng một agent vừa thực thi, vừa tự đánh giá và quyết định ghi gì vào bộ nhớ. Trong môi trường không có ground-truth rõ ràng, điều này dẫn đến 'Bẫy tự xác nhận' (Self-Confirmation Trap): các quỹ đạo sai nhưng tự nhất quán bị nhầm là thành công và được lưu vào bộ nhớ, gây tích lũy lỗi khi truy xuất lại.

II. Main Idea:​

Bài báo đề xuất EDV (Execute-Distill-Verify), một khung làm việc tách biệt ba giai đoạn: (1) Execute: nhiều agent không đồng nhất (heterogeneous) song song thực hiện cùng một tác vụ để tạo quỹ đạo đa dạng. (2) Distill: một agent bên thứ ba phân tích so sánh các quỹ đạo này, rút ra kinh nghiệm ứng viên, giảm thiên lệch agent thực thi. (3) Verify: nhóm thực thi cùng xác thực kinh nghiệm ứng viên theo cơ chế đồng thuận; chỉ kinh nghiệm được phê duyệt mới được ghi vào bộ nhớ dùng chung hoặc riêng. Cơ chế này biến học từ kinh nghiệm thành quá trình xây dựng và lọc kinh nghiệm hợp tác, ngăn thông tin nhiễu và sai lệch trước khi vào bộ nhớ dài hạn.

III. Main Results:​

  • EDV đạt Pass@1 trung bình 86.6 trên τ2-bench, vượt trội so với Router (83.5) và Judge (81.5).
  • Kiểm toán bộ nhớ người cho thấy EDV cải thiện đáng kể tính đúng đắn (3.72→4.41/5), giảm ảo giác (1.21→0.63) và tác hại tiềm tàng (1.08→0.51).
  • Nhiễm 10% kinh nghiệm sai vào bộ nhớ ReasoningBank khiến Pass@1 giảm từ 82.5 xuống 77.2, xác nhận tác hại của Bẫy tự xác nhận.
  • Ablation cho thấy mỗi thành phần của EDV đều quan trọng: loại bỏ ma trận năng lực giảm 2.0 điểm, loại bỏ phân cấp bộ nhớ giảm 2.7-2.9 điểm.
  • EDV giảm 24.5% số token suy luận so với ReasoningBank nhờ bộ nhớ chất lượng cao hơn.

IV. Conclusion & Future Works:​

EDV chứng minh rằng tự tiến hóa agent hiệu quả phụ thuộc không chỉ vào lượng kinh nghiệm mà vào chất lượng xây dựng kinh nghiệm trước khi đưa vào bộ nhớ. Hướng tương lai có thể khám phá cơ chế xác thực động và mở rộng sang các môi trường phức tạp hơn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu mở rộng EDV cho các tác vụ có phản hồi thưa thớt, nơi việc xác định thành công/thất bại khó khăn hơn, và đề xuất cơ chế xác thực dựa trên phần thưởng suy luận.
  2. Khám phá việc sử dụng đa dạng agent lớn hơn (nhiều mô hình kiến trúc khác nhau) để tăng tính đa dạng quỹ đạo và chất lượng chưng cất so sánh.
  3. Phát triển cơ chế cập nhật bộ nhớ thích ứng, cho phép agent điều chỉnh động mức độ nghiêm ngặt của xác thực dựa trên độ tin cậy của kinh nghiệm hiện có.

2. Patent:​

  1. Hệ thống hỗ trợ khách hàng trên điện thoại: nhiều agent khác nhau song song xử lý yêu cầu; một agent trung gian tổng hợp kinh nghiệm thành công vào bộ nhớ chung, và chỉ kinh nghiệm được tất cả agent đồng thuận mới được dùng cho các yêu cầu tương tự sau.
  2. Ứng dụng đặt vé tái sử dụng kinh nghiệm: khi người dùng gặp lỗi phức tạp (ví dụ: không thể dùng chứng từ du lịch cho đổi vé), hệ thống có nhiều agent dùng chiến lược khác nhau thử nghiệm; kinh nghiệm giải quyết thành công được lưu và dùng cho tình huống sau.
  3. Tính năng gợi ý trên trình duyệt di động: agent duyệt web học từ các lần người dùng hoàn thành tác vụ (ví dụ: điền form); nhiều agent khác nhau ghi nhận, và một agent bên thứ ba đối chiếu để tạo mẫu (template) đáng tin cậy giúp tự động hóa các lần sau.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.24428
ArXiv Abstracthttps://arxiv.org/abs/2606.24428
PDF Downloadhttps://arxiv.org/pdf/2606.24428.pdf
Github RepositoryN/A

4. OpenThoughts-Agent: Data Recipes for Agentic Models (46 votes)​

Tác giả: Negin Raoof, Richard Zhuang, Marianna Nezhurina, Etash Guha, Atula Tejaswi, et al.

Xuất bản lúc: 2026-06-23

Tag: Agentic Models, Data Curation, Supervised Fine-Tuning, Reinforcement Learning, SWE-Bench, Terminal-Bench, Open-Source, Large Language Models

I. Main Problem:​

Hiện tại có rất ít thông tin công khai về cách xây dựng dữ liệu huấn luyện cho các mô hình ngôn ngữ có khả năng tác nhân (agentic). Các nỗ lực mã nguồn mở hiện hữu thường chỉ tập trung vào một benchmark cụ thể, không giúp mô hình tổng quát hóa trên nhiều tác vụ tác nhân khác nhau.

II. Main Idea:​

OpenThoughts-Agent (OT-Agent) giới thiệu một pipeline mở, toàn diện cho việc quản lý dữ liệu huấn luyện tác nhân, bao gồm 6 giai đoạn từ tạo mô tả tác vụ đến lọc quỹ đạo. Hơn 100 thí nghiệm ablation được thực hiện để đánh giá từng giai đoạn. Dựa trên kết quả, một bộ dữ liệu 100K mẫu được xây dựng và fine-tune trên Qwen3-32B, đạt hiệu suất cao trên 7 benchmark. Nghiên cứu cũng khảo sát dữ liệu cho Reinforcement Learning (RL) với một bộ dữ liệu mới.

III. Main Results:​

  • Mô hình OpenThinkerAgent-32B đạt trung bình 44.8% trên 7 benchmark tác nhân, vượt 3.9 điểm phần trăm so với mô hình mạnh nhất trước đó (Nemotron-Terminal-32B, 40.9%).
  • Đạt 54.0% trên SWE-Bench Verified và 26.2% trên Terminal-Bench 2.0, so với 41.9% và 25.1% của Nemotron-Terminal-32B.
  • Dữ liệu huấn luyện thể hiện tính mở rộng mạnh mẽ khi vượt trội so với các bộ dữ liệu mở khác ở mọi kích thước.
  • Việc lọc quỹ đạo tác nhân (giữ lại chuỗi hành động dài hơn 5 bước) và tăng cường dữ liệu tổng hợp là yếu tố then chốt.
  • Kết hợp SFT và RL trên mô hình 8B cải thiện đáng kể hiệu suất so với chỉ SFT hoặc chỉ RL.

IV. Conclusion & Future Works:​

OT-Agent cung cấp một pipeline mở và các hiểu biết có giá trị cho việc huấn luyện mô hình tác nhân. Công việc tương lai nên mở rộng sang các mô hình nền tảng mới hơn (ví dụ Qwen-3.5) và nghiên cứu sâu hơn về sự tương tác giữa dữ liệu SFT và RL.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng pipeline OT-Agent để huấn luyện mô hình trên các phiên bản ngôn ngữ mới hơn (ví dụ Qwen-3.5) nhằm đánh giá tác động của mô hình nền tảng đến hiệu quả của dữ liệu SFT/RL.
  2. Nghiên cứu tác động của việc kết hợp nhiều chiến lược mô tả tác vụ tổng hợp và nhân tạo khác nhau, đo lường sự đóng góp của từng loại vào khả năng tổng quát hóa trên benchmark mới.
  3. Phát triển một phương pháp RL thích ứng với nhiều nguồn dữ liệu khác nhau, giúp mô hình tự động lựa chọn chiến lược huấn luyện tối ưu dựa trên đặc điểm của từng bộ dữ liệu, thay vì chọn thủ công.

2. Patent:​

  1. Hệ thống tự động hóa kiểm thử phần mềm: dùng mô hình tác nhân được huấn luyện theo pipeline mở để tự động sinh ra các bài test và sửa lỗi trên mã nguồn, giúp giảm thời gian kiểm thử thủ công cho lập trình viên.
  2. Trợ lý ảo trên điện thoại thông minh có khả năng thao tác hệ thống: người dùng ra lệnh bằng giọng nói, mô hình tác nhân thực hiện các chuỗi thao tác phức tạp (mở file, chỉnh sửa, gửi email) thông qua giao diện dòng lệnh ảo, phù hợp cho người không rành công nghệ.
  3. Công cụ quản lý server từ xa tích hợp AI: quản trị viên dùng câu lệnh tự nhiên để yêu cầu mô hình tác nhân chuẩn đoán và khắc phục sự cố hệ thống, dựa trên dữ liệu terminal huấn luyện từ các tác vụ quản trị thực tế, giảm thời gian xử lý lỗi.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.24855
ArXiv Abstracthttps://arxiv.org/abs/2606.24855
PDF Downloadhttps://arxiv.org/pdf/2606.24855.pdf
Github RepositoryN/A

5. MobileForge: Annotation-Free Adaptation for Mobile GUI Agents with Hierarchical Feedback-Guided Policy Optimization (43 votes)​

Tác giả: Guangyi Liu, Pengxiang Zhao, Gao Wu, Yiwen Yin, Mading Li, et al.

Xuất bản lúc: 2026-06-18

Tag: GUI Agent, MLLM, Policy Optimization, GRPO, Annotation-Free, Reinforcement Learning, Curriculum Learning

I. Main Problem:​

Việc thích ứng các GUI agent trên điện thoại với ứng dụng thực tế rất tốn kém vì ứng dụng thường xuyên thay đổi, khó có dữ liệu gán nhãn bằng tay. Các phương pháp không cần chú thích hiện tại thiếu một nền tảng thống nhất để kết nối khám phá ứng dụng, sinh tác vụ, thực thi và đánh giá. Chính sách tối ưu hóa thường chỉ dùng phần thưởng thưa thớt, khó chuyển thành tín hiệu cải thiện đáng tin cậy.

II. Main Idea:​

MobileForge gồm hai thành phần chính: MobileGym làm nền tảng tương tác và đánh giá, tự động khám phá ứng dụng, sinh tác vụ có thể thực thi, và đánh giá rollout theo ba cấp (kết quả, quy trình, gợi ý sửa lỗi). HiFPO là thuật toán tối ưu hóa chính sách: nó chạy nhiều lần thử có hướng dẫn từ gợi ý, lọc tác vụ và bước hợp lý, rồi huấn luyện mô hình với GRPO có ngữ cảnh gợi ý ở từng bước. Nhờ vậy, các kinh nghiệm thất bại được tái sử dụng làm tín hiệu cải thiện.

III. Main Results:​

  • Qwen3-VL-8B thích ứng không cần chú thích đạt 67,2% Pass@3 trên AndroidWorld, gần bằng GUI-Owl-1.5-8B chuyên biệt (69,0%).
  • ForgeOwl-8B (cải tiến từ GUI-Owl) đạt 77,6% Pass@3 trên AndroidWorld, cao nhất trong các agent mã nguồn mở.
  • Trên MobileWorld (miền ngoài), ForgeOwl-8B đạt 41,0% thành công, chứng tỏ khả năng chuyển giao.
  • HiFPO giúp tận dụng ngay cả tác vụ thất bại hoàn toàn nếu vẫn có bước hợp lý.
  • Hệ thống mở rộng quy mô tốt: thêm tác vụ sinh tự động giúp cải thiện hiệu suất.

IV. Conclusion & Future Works:​

MobileForge chứng minh có thể thích ứng GUI agent mạnh mẽ mà không cần dữ liệu con người, nhờ kết hợp nền tảng tương tác thực tế và tối ưu hóa chính sách dùng phản hồi đa cấp. Hướng phát triển: mở rộng cho nhiều nền tảng hơn, cải thiện chiến lược khám phá tự động, và giảm thời gian huấn luyện.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu cách mở rộng MobileForge cho nhiều loại ứng dụng và hệ điều hành khác nhau (ví dụ iOS, Windows) để kiểm tra tính tổng quát của cơ chế không cần chú thích.
  2. Phát triển phương pháp sinh gợi ý sửa lỗi hiệu quả hơn bằng cách kết hợp suy luận ngữ nghĩa từ VLM, nhằm giảm số lần thử cần thiết khi huấn luyện.
  3. Kết hợp MobileForge với kỹ thuật học tăng cường dựa trên mô hình thế giới (world model) để cải thiện khả năng lập kế hoạch dài hạn cho GUI agent.

2. Patent:​

  1. Hệ thống tự động kiểm thử ứng dụng di động: dùng MobileForge để khám phá giao diện, sinh tác vụ kiểm thử và tự sửa lỗi dựa trên phản hồi từ nhiều lần chạy, không cần viết test case thủ công.
  2. Trợ lý ảo trên điện thoại có khả năng tự học cách điều khiển ứng dụng mới: người dùng chỉ cần cài app, hệ thống tự khám phá chức năng và đưa ra hướng dẫn thông minh mà không cần cập nhật từ nhà phát triển.
  3. Công cụ hỗ trợ người khiếm thị dùng điện thoại: MobileForge tự động tìm hiểu giao diện app, sinh mô tả bằng giọng nói cho từng bước thao tác, và tự sửa nếu thao tác sai dựa trên phản hồi từ màn hình.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.19930
ArXiv Abstracthttps://arxiv.org/abs/2606.19930
PDF Downloadhttps://arxiv.org/pdf/2606.19930.pdf
Github Repositoryhttps://github.com/kwai/MobileForge

6. MemGUI-Agent: An End-to-End Long-Horizon Mobile GUI Agent with Proactive Context Management (42 votes)​

Tác giả: Guangyi Liu, Gao Wu, Congxiao Liu, Pengxiang Zhao, Liang Liu, et al.

Xuất bản lúc: 2026-06-18

Tag: MLLM, Mobile GUI Agent, Long-Horizon Task, Context Management, Memory, MLLM, Dataset

I. Main Problem:​

Các tác nhân GUI di động dựa trên MLLM hiện đại xử lý tốt tác vụ ngắn nhưng thất bại với tác vụ dài hơi yêu cầu ghi nhớ thông tin trung gian qua nhiều bước và chuyển đổi ứng dụng. Nguyên nhân chính là cách quản lý ngữ cảnh thụ động kiểu ReAct gây ra hiện tượng prompt bùng nổ và làm loãng thông tin quan trọng, khiến hiệu suất giảm mạnh.

II. Main Idea:​

Bài báo giới thiệu MemGUI-Agent, tác nhân GUI di động đầu cuối với quản lý ngữ cảnh chủ động dựa trên cơ chế Context-as-Action (ConAct). ConAct coi quản lý ngữ cảnh như các hành động ưu tiên ngang hàng với thao tác UI, duy trì ba trường có cấu trúc: lịch sử hành động đã gấp, trạng thái UI đã bộ nhớ và bản ghi bước gần nhất. Để dạy cơ chế này, tác giả xây dựng MemGUI-3K, tập dữ liệu 2.956 quỹ đạo có chú thích ConAct đầy đủ, và huấn luyện MemGUI-8B-SFT chỉ với 8B tham số.

III. Main Results:​

  • MemGUI-Agent-235B (zero-shot) đạt Pass@1 37.5%, Pass@3 62.5% trên MemGUI-Bench, vượt M3A trên Gemini-2.5-Pro với +13.3 Pass@1.
  • Tỉ lệ thành công (SR) trên MobileWorld GUI-Only đạt 29.1% (+14.6 so với backbone).
  • MemGUI-8B-SFT đạt 23.4% Pass@1 trên MemGUI-Bench, cải thiện +14.0 so với baseline 8B.
  • ConAct giảm 41% tổng số lỗi (99→58) so với ReAct, chủ yếu giảm hallucinations quy trình và đầu ra.
  • Tiết kiệm ~1.5k token đầu vào ở bước 150 so với ReAct.

IV. Conclusion & Future Works:​

MemGUI-Agent chứng minh việc tích hợp quản lý ngữ cảnh vào chính sách hành động giúp cải thiện hiệu suất tác vụ dài hơi. Hướng tới mở rộng ConAct sang iOS, desktop và giao diện web.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng ConAct cho tác vụ web trên desktop như điền form, so sánh giá; mỗi tab là một ứng dụng, yêu cầu ghi nhớ thông tin xuyên tab.
  2. Kết hợp ConAct với multi-agent (mỗi agent quản lý một app) để phân rã tác vụ phức tạp, đồng thời duy trì ngữ cảnh dùng chung qua memory module.
  3. Nghiên cứu chính sách học tăng cường (RL) cho ConAct để tối ưu quyết định gấp lịch sử và ghi nhớ tự động mà không cần dữ liệu giám sát đắt đỏ.

2. Patent:​

  1. Phần mềm tự động thanh toán trên điện thoại: agent ghi nhớ tổng tiền và mã QR từ app mua sắm, sau đó gọi app ngân hàng mà không cần quay lại xem lại ảnh chụp.
  2. Trợ lý du lịch đa ứng dụng: agent lấy thông tin chuyến bay từ app hãng bay, ghi nhớ giờ khởi hành và mã đặt chỗ, sau đó tự động thêm vào lịch và nhắc nhở.
  3. Công cụ đồng bộ hóa công việc từ app note sang email: agent ghi nhớ danh sách việc, gấp lịch sử chat, rồi gửi email tóm tắt có chứa các mục chi tiết.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.19926
ArXiv Abstracthttps://arxiv.org/abs/2606.19926
PDF Downloadhttps://arxiv.org/pdf/2606.19926.pdf
Github Repositoryhttps://github.com/kwai/MemGUI-Agent

7. AOHP: An Open-Source OS-Level Agent Harness for Personalized, Efficient and Secure Interaction (32 votes)​

Tác giả: Shanhui Zhao, Jiacheng Liu, Guohong Liu, Jichao Yan, Jialei Ye, et al.

Xuất bản lúc: 2026-06-22

Tag: AI Agent, Operating System, Android, Personalization, Information Flow Security, Service Composition, Agent-native OS

I. Main Problem:​

Hệ điều hành hiện tại được thiết kế theo hướng ứng dụng (app-centric), không hỗ trợ tốt cho các AI agent vận hành ở cấp OS. Điều này gây ra chi phí thực thi cao, thiếu hiệu quả và rủi ro bảo mật khi agent phải tương tác qua giao diện đồ họa và vượt rào cản giữa các ứng dụng. Cộng đồng nghiên cứu thiếu một testbed mở để khám phá các cấu trúc hệ thống hỗ trợ agent.

II. Main Idea:​

AOHP (Android Open Harness Project) xây dựng một 'dây cương' (harness) cho agent ở cấp độ OS trên nền AOSP, coi agent như một thực thể hệ thống hạng nhất. Nó giới thiệu ba cơ chế: (1) tổng hợp dịch vụ cá nhân hóa cho phép OS tạo giao diện động theo ý định người dùng, (2) giao diện agent hiệu quả hỗ trợ thực thi nền, UI có cấu trúc và luồng sự kiện, và (3) luồng thông tin an toàn cách ly dữ liệu nhạy cảm bằng placeholder và theo dõi taint.

III. Main Results:​

  • Trên 30 tác vụ di động thực tế, AOHP nâng tỷ lệ hoàn thành trung bình từ 54.44% lên 75.56% (+21.12%).
  • Chi phí token giảm 51.55% (từ 7.1M xuống 3.44M) và số lần gọi LLM giảm 47.62% trên tập tác vụ cả hai giải được.
  • Thời gian thực thi giảm 44.21% (từ 33.94 phút xuống 18.93 phút) nhờ giao diện agent-native.
  • Agent-native interfaces giảm 44.64% số lần gọi tool.
  • Các kiểm tra bảo mật xác nhận AOHP che chắn dữ liệu nhạy cảm và yêu cầu phê duyệt cho hành động nhạy cảm.

IV. Conclusion & Future Works:​

AOHP chứng minh rằng việc thiết kế lại OS với agent là trung tâm giúp tăng hiệu quả, hiệu suất và bảo mật cho tương tác agent. Hướng tương lai có thể mở rộng sang các nền tảng khác như Windows/Linux và tối ưu hóa cơ chế phát hiện tài nguyên dịch vụ.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng khung AOHP cho desktop Linux, nghiên cứu cách các cơ chế tương tự (service composition, event stream) có thể giúp agent tự động hóa workflow văn phòng phức tạp.
  2. Xây dựng hệ thống đánh giá tự động cho OS agent, với các benchmark chuyên sâu về bảo mật luồng thông tin và khả năng cá nhân hóa.
  3. Kết hợp AOHP với học tăng cường để agent tự động học cách tạo service graph tối ưu cho từng người dùng dựa trên phản hồi.

2. Patent:​

  1. Phương pháp tạo giao diện mua sắm tổng hợp trên điện thoại: agent OS tự động phát hiện các ứng dụng thương mại điện tử đã cài, tổng hợp tìm kiếm sản phẩm và so sánh giá mà không cần người dùng chuyển đổi app.
  2. Cơ chế bảo vệ quyền riêng tư khi agent xử lý tin nhắn hoặc email trên điện thoại: thông tin nhạy cảm (số thẻ, địa chỉ) được thay bằng placeholder, agent chỉ thao tác qua vault tin cậy.
  3. Hệ thống tự động hóa tác vụ đa ứng dụng trên điện thoại: người dùng đưa ra mục tiêu (ví dụ: 'đặt vé máy bay'), agent sử dụng event stream để theo dõi thông báo và hoàn thành workflow mà không cần can thiệp thủ công.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.23449
ArXiv Abstracthttps://arxiv.org/abs/2606.23449
PDF Downloadhttps://arxiv.org/pdf/2606.23449.pdf
Github Repositoryhttps://github.com/aohp-os/aohp

8. LingxiDiagBench: A Multi-Agent Framework for Benchmarking LLMs in Chinese Psychiatric Consultation and Diagnosis (23 votes)​

Tác giả: Shihao Xu, Tiancheng Zhou, Jiatong Ma, Yanli Ding, Yiming Yan, et al.

Xuất bản lúc: 2026-06-11

Tag: LLM Evaluation, Multi-Agent Framework, Psychiatric Diagnosis, Clinical Dialogue, Mental Health, Chinese NLP, ICD-10, Benchmark

I. Main Problem:​

Việc chẩn đoán rối loạn tâm thần dựa trên phỏng vấn lâm sàng còn mang tính chủ quan và thiếu bác sĩ chuyên khoa. Các benchmark AI hiện tại thiếu dữ liệu mô phỏng bệnh nhân thực tế, nhãn chẩn đoán do chuyên gia xác thực, và khả năng đánh giá hội thoại đa lượt động.

II. Main Idea:​

LingxiDiagBench là một framework đa tác tử đánh giá LLM trên hai chế độ: tĩnh (dựa trên hội thoại cố định) và động (tương tác thời gian thực với Patient Agent). Cốt lõi là LingxiDiag-16K, bộ 16.000 hội thoại tổng hợp bám sát phân bố nhân khẩu học và chẩn đoán của 12 nhóm ICD-10 từ hồ sơ bệnh án thực. Framework gồm Patient Agent mô phỏng bệnh nhân thực tế, Doctor Agent với bốn chiến lược hỏi (kể cả hướng dẫn APA và RAG), và Diagnosis Agent thực hiện chẩn đoán dựa trên bằng chứng.

III. Main Results:​

  • Trên phân loại nhị phân trầm cảm–lo âu, mô hình đạt độ chính xác đến 92,3% (DeepSeek-V3.2).
  • Hiệu suất giảm mạnh ở bài toán đồng mắc trầm cảm–lo âu (43,0%) và chẩn đoán 12 lớp (28,5% cao nhất).
  • Đánh giá động thường kém hơn đánh giá tĩnh, cho thấy chiến lược thu thập thông tin kém hiệu quả.
  • Điểm hội thoại cao không đồng nghĩa với chẩn đoán chính xác (tương quan vừa r = 0.43).
  • LingxiDiag-Patient vượt trội so với MDD-5K-Patient ở mọi tiêu chí mô phỏng.

IV. Conclusion & Future Works:​

LingxiDiagBench là nền tảng chuẩn hóa đầu tiên cho chẩn đoán tâm thần bằng AI kết hợp dữ liệu thực và tổng hợp. Kết quả cho thấy cần tối ưu riêng kỹ năng hỏi và suy luận chẩn đoán. Hướng tới: mở rộng benchmark cho nhiều ngôn ngữ, giai đoạn theo dõi dài hạn và kế hoạch điều trị.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu ảnh hưởng của chiến lược hỏi của Doctor Agent đến chẩn đoán cuối cùng, kiểm tra hiệu quả của từng chiến lược trên nhiều kiểu bệnh nhân khác nhau.
  2. Phát triển Patient Agent cá nhân hóa hơn bằng cách tích hợp hồ sơ tâm lý chi tiết và phong cách giao tiếp đa dạng, nâng cao tính chân thực của mô phỏng.
  3. Mở rộng benchmark sang các ngôn ngữ và nền văn hóa khác, điều chỉnh tiêu chuẩn chẩn đoán địa phương (ví dụ ICD-11) để đánh giá tính khả chuyển của mô hình.

2. Patent:​

  1. Ứng dụng chatbot hỗ trợ sàng lọc sức khỏe tâm thần trên điện thoại: người dùng trả lời các câu hỏi theo kịch bản APA, hệ thống phân tích hội thoại và đưa ra chẩn đoán sơ bộ cùng khuyến nghị gặp bác sĩ.
  2. Hệ thống đào tạo bác sĩ nội trú tâm thần qua mô phỏng: bác sĩ tập trả lời với Patient Agent AI; hệ thống chấm điểm chất lượng hội thoại và độ chính xác chẩn đoán, cải thiện kỹ năng lâm sàng.
  3. Công cụ hỗ trợ chẩn đoán từ xa tích hợp vào nền tảng telehealth: bác sĩ nhập hội thoại với bệnh nhân, hệ thống đề xuất chẩn đoán phân biệt dựa trên ICD-10, giúp giảm thiểu sai sót do thiếu chuyên môn.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2602.09379
ArXiv Abstracthttps://arxiv.org/abs/2602.09379
PDF Downloadhttps://arxiv.org/pdf/2602.09379.pdf
Github Repositoryhttps://github.com/Lingxi-mental-health/LingxiDiagBench

9. FLAT: Feedforward Latent Triangle Splatting for Geometrically Accurate Scene Generation (22 votes)​

Tác giả: Orest Kupyn, Goutam Bhat, Philipp Henzler, Fabian Manhardt, Christian Rupprecht, et al.

Xuất bản lúc: 2026-06-23

Tag: 3D Scene Generation, Triangle Splatting, Video Diffusion, Feedforward Decoding, Differentiable Rendering, Novel View Synthesis

I. Main Problem:​

Các phương pháp sinh cảnh 3D từ một ảnh hiện tại dùng Gaussian Splatting (3DGS) đạt chất lượng hình ảnh cao nhưng lại cho ra các đám mây điểm khối, mờ, không có bề mặt rõ ràng—không tương thích với các pipeline đồ họa tiêu chuẩn. Việc giải mã trực tiếp các primitive phẳng (như tam giác) từ latent của mô hình diffusion là rất khó do độ nhạy cao với hướng primitive và gradient yếu.

II. Main Idea:​

FLAT là mô hình feedforward đầu tiên giải mã trực tiếp triangle splats (tam giác mềm) từ latent của một video diffusion model đã đóng băng. Mô hình dùng hai cải tiến chính: (1) tham số hóa tam giác cục bộ theo tia (ray-centered) với biến dạng Cholesky 2D và góc xoay dư quanh khung tia, giúp tránh tam giác suy biến và ổn định huấn luyện; (2) một hàm cửa sổ product mới cải thiện dòng gradient qua các cạnh tam giác trong quá trình kết xuất vi phân. Đầu ra là tập tam giác bán trong suốt, có thể chuyển thành lưới đục hoàn toàn để dùng trong game engine chỉ qua vài bước hậu xử lý nhẹ.

III. Main Results:​

  • So với 2DGS, triangle splat đạt độ chính xác hình học cao hơn rõ rệt: cosine similarity 0.853 so với 0.587 (trung bình RealEstate10K & DL3DV).
  • Chất lượng ảnh (PSNR 21.45 trên RealEstate10K) tương đương các phương pháp dùng 3DGS tốt nhất.
  • Khi chuyển thành lưới đục, mô hình đạt PSNR 21.23 (RealEstate10K)—cao hơn 7 dB so với GS2Mesh từ 3DGS.
  • Huấn luyện ổn định trên 8 GPU H100 trong 200k iteration, bốn giai đoạn phân giải từ 320p đến 768p.

IV. Conclusion & Future Works:​

FLAT chứng minh có thể giải mã trực tiếp primitive phẳng từ latent video diffusion, mang lại hình học chính xác và khả năng tương thích với pipeline đồ họa. Hướng tương lai: cải thiện tham số hóa rotation, mở rộng sang 3D động, và tích hợp sâu hơn với mô hình diffusion để sinh cấu trúc phức tạp hơn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng FLAT cho sinh cảnh 3D động (video) bằng cách thêm chiều thời gian vào decoder và cho phép tam giác biến dạng theo thời gian.
  2. Kết hợp triangle splatting với NeRF hiện trường (scene-level) để sinh mesh có độ chi tiết cao hơn cho các vật thể nhỏ.
  3. Phát triển phương pháp sinh camera tự động (active camera) dùng độ bất định của decoder để chọn góc nhìn tối ưu cho việc tái tạo bề mặt.

2. Patent:​

  1. Ứng dụng trên điện thoại: chụp 1 ảnh phòng; mô hình FLAT sinh ngay lưới 3D tương tác, cho phép người dùng xoay, di chuyển 'ảo' qua cảnh—dùng để mua sắm nội thất hoặc trang trí nhà.
  2. Trong game, khi người chơi chụp màn hình (screenshot), hệ thống sinh ngay mô hình 3D của cảnh đó, có thể dùng làm vật thể trong engine game mà không cần phần mềm dựng hình phức tạp.
  3. Công cụ thiết kế nội thất AR trên điện thoại: chụp ảnh phòng, mô hình trích lưới tam giác đục, nhập vào công cụ AR để thử đồ nội thất ảo với va chạm và đổ bóng chính xác.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.24876
ArXiv Abstracthttps://arxiv.org/abs/2606.24876
PDF Downloadhttps://arxiv.org/pdf/2606.24876.pdf
Github RepositoryN/A

10. Critique of Agent Model (21 votes)​

Tác giả: Eric Xing, Mingkai Deng, Jinyu Hou

Xuất bản lúc: 2026-06-22

Tag: Agent Model, Agency, Large Language Models, Autonomous Systems, Goal Decomposition, Self-Regulation, Continual Learning, World Model

I. Main Problem:​

Các hệ thống hiện tại gắn mác 'agent' thực chất là pipeline phần mềm tinh vi: mọi hành vi được quyết định bởi công cụ và quy trình bên ngoài, không phải bởi chính mô hình. Thiếu vắng một định nghĩa rõ ràng về 'agency' thực sự—khả năng nội sinh về mục tiêu, bản sắc, ra quyết định, tự điều chỉnh và học tập—khiến việc so sánh, thiết kế và đảm bảo an toàn các hệ thống tự trị trở nên khó khăn.

II. Main Idea:​

Bài báo phân biệt hai kiểu hệ thống: 'agentic' (năng lực nằm ở khung ngoài) và 'agentive' (năng lực phát sinh từ bên trong mô hình). Tác giả đề xuất kiến trúc Goal-Identity-Configurator (GIC) cho một agent model tổng quát, gồm: (1) phân rã mục tiêu phân cấp với mục tiêu bền vững; (2) bản sắc tiến hóa mà không cần huấn luyện lại; (3) lập kế hoạch mô phỏng qua world model riêng (Hệ thống II) song song với hành động phản xạ (Hệ thống I); (4) tự điều chỉnh mức độ suy luận qua bộ cấu hình (Hệ thống III); và (5) tự học từ trải nghiệm thực và mô phỏng. Một nguyên tắc cốt lõi là giữ agent model và world model tách biệt về chức năng.

III. Main Results:​

  • Phân loại hệ thống 'agent' hiện tại thành 5 nhóm: program-based, LLM wrapper, LLM-centered, model-less physical, embodied-model—tất cả đều thiếu nội sinh hóa hoàn chỉnh.
  • Xác định 5 chiều kích của agency (mục tiêu, bản sắc, ra quyết định, tự điều chỉnh, học tập) và chỉ ra rằng các hệ thống đỉnh cao chỉ giải quyết một phần.
  • Agentic vs. agentive: hầu hết hệ thống hiện nay là agentic; agent đích thực cần nội sinh hóa mọi chiều kích.
  • Đề xuất GIC architecture tích hợp 5 thành phần trên thành một hệ thống thích ứng duy nhất, với world model tách biệt để hỗ trợ lập kế hoạch mô phỏng.
  • Nhấn mạnh tính kiểm soát, kiểm toán và an toàn của hệ agentive vẫn nằm dưới sự giám sát của con người.

IV. Conclusion & Future Works:​

Bài báo đặt nền tảng cho việc thiết kế agent model thực thụ bằng cách phân biệt agentic và agentive, đồng thời đề xuất kiến trúc GIC làm lộ trình xây dựng. Hướng tương lai gồm hiện thực hóa GIC, phát triển cơ chế tự học liên tục từ cả trải nghiệm thực và mô phỏng, và mở rộng khả năng phối hợp xã hội nội sinh giữa nhiều agent.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng kiến trúc GIC cho các tác vụ đa tác nhân, nơi mỗi agent tự hình thành và điều chỉnh vai trò, luồng giao tiếp và liên minh hợp tác mà không cần người thiết kế can thiệp.
  2. Xây dựng world model riêng cho agent model GIC và nghiên cứu cơ chế huấn luyện phân biệt: agent model học từ phản hồi mục tiêu, world model học từ lỗi dự đoán trạng thái kế tiếp.
  3. Phát triển bộ cấu hình (configurator) tự điều chỉnh mức độ suy luận (System I/II/III) dựa trên độ bất định, khẩn cấp và chi phí tính toán trong thời gian thực.

2. Patent:​

  1. Trợ lý điện thoại có bản sắc tiến hóa: dựa trên lịch sử tương tác, điện thoại tự cập nhật 'bản sắc' của trợ lý (giọng nói, phong cách, ưu tiên) mà không cần người dùng cấu hình lại, giúp trải nghiệm ngày càng cá nhân hóa.
  2. Hệ thống an toàn cho xe tự lái dùng bộ cấu hình: khi phát hiện tình huống nguy hiểm, hệ thống tự chuyển từ chế độ lái tiết kiệm sang chế độ phòng thủ tăng cường tính toán quỹ đạo, cho phép ưu tiên an toàn hơn hiệu suất.
  3. Ứng dụng quản lý sức khỏe cá nhân trên smartphone: agent model tự học để phân rã mục tiêu dài hạn (giảm cân) thành các tiểu mục tiêu hàng ngày, đồng thời tự điều chỉnh kế hoạch khi phát hiện sai lệch (bỏ tập, ăn quá nhiều) mà không cần người dùng nhập lại mục tiêu.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.23991
ArXiv Abstracthttps://arxiv.org/abs/2606.23991
PDF Downloadhttps://arxiv.org/pdf/2606.23991.pdf
Github RepositoryN/A

11. Semantic Browsing: Controllable Diversity for Image Generation (20 votes)​

Tác giả: Sara Dorfman, Maya Vishnevsky, Omer Dahary, Or Patashnik, Daniel Cohen-Or

Xuất bản lúc: 2026-06-22

Tag: Semantic Diversity, Text-to-Image Generation, Vision Language Model (VLM), Multi-Agent System, Hierarchical Generation, Controllable Synthesis

I. Main Problem:​

Các mô hình text-to-image hiện tại tập trung vào độ trung thực và bám sát prompt, dẫn đến sự sụp đổ đa dạng: các mẫu sinh ra từ cùng một prompt thường hội tụ về cùng một diễn giải trực quan, chỉ khác nhau ở chi tiết ngẫu nhiên. Người dùng không thể khám phá có chủ đích các phương án thiết kế thay thế có ý nghĩa.

II. Main Idea:​

Bài báo đề xuất Semantic Browsing, một khung làm việc đa tác tử (multi-agent) cho phép điều khiển đa dạng có cấu trúc. Thay vì dùng biến thiên ngẫu nhiên trong không gian tiềm ẩn, phương pháp này tác động trực tiếp lên cấp độ văn bản: một VLM mở rộng prompt gốc thành biểu diễn JSON chi tiết, sau đó một workflow gồm bốn tác tử (Context Analyst, Brainstormer, Decision Maker, Critic) làm việc tuần tự để xác định các khía cạnh ngữ nghĩa có thể thay đổi và tạo ra các biến thể prompt có chủ đích. Kết quả là một cây phân cấp các diễn giải cảnh, trong đó mỗi nhánh tương ứng với một quyết định ngữ nghĩa cụ thể và dễ hiểu.

III. Main Results:​

  • Đạt Vendi Score cao nhất (3.34) và DINO Similarity thấp nhất (0.61), vượt trội so với các baseline về đa dạng.
  • Duy trì điểm Aesthetic (6.52) và VQAScore (0.90) cạnh tranh, chứng tỏ không hy sinh chất lượng ảnh.
  • Khảo sát người dùng: Semantic Browsing thắng áp đảo ở cả tiêu chí đa dạng và ưa thích tổng thể trước mọi baseline.
  • Cấu trúc cây có tương quan dương mạnh giữa khoảng cách đồ thị và khoảng cách ngữ nghĩa giữa các ảnh (DINO distance từ 0.168 ở 1 bước nhảy đến 0.452 ở 5 bước).
  • Tính nhất quán phân cấp (Hierarchical Consistency) đạt 0.87/1.0, cho thấy các ràng buộc ngữ nghĩa được kế thừa chặt chẽ.

IV. Conclusion & Future Works:​

Phương pháp chứng minh rằng đa dạng có cấu trúc dựa trên quyết định ngữ nghĩa rõ ràng là khả thi và hữu ích. Hướng tương lai gồm mở rộng sang các miền sinh khác như video, nội dung 3D hoặc đa phương thức, cũng như cải thiện khả năng đề xuất biến thể phong phú của các tác tử VLM.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Kết hợp Semantic Browsing với các mô hình chuyển đổi văn bản thành 3D (text-to-3D) để tạo ra các biến thể hình học có chủ đích, mỗi nhánh thay đổi một khía cạnh như tư thế, tỷ lệ hoặc chất liệu.
  2. Áp dụng workflow đa tác tử vào sinh video: thay vì sinh một video duy nhất, mỗi tác tử đề xuất thay đổi pha hành động hoặc bối cảnh, tạo ra một cây các cốt truyện thay thế từ một prompt mô tả ngắn.
  3. Nghiên cứu khả năng mở rộng của cây ngữ nghĩa đến hàng trăm nút bằng cách giới thiệu cơ chế 'tổng hợp kinh nghiệm' giữa các tác tử để giảm chi phí tính toán và tránh lặp lại biến thể vô nghĩa.

2. Patent:​

  1. Ứng dụng tạo ảnh sản phẩm thương mại: người dùng nhập mô tả sơ lược về sản phẩm; hệ thống tự động sinh nhiều biến thể trực quan có chủ đích (thay đổi màu sắc, bố cục, phông nền) giúp nhà thiết kế chọn phương án ưng ý mà không cần chỉnh sửa thủ công.
  2. Tính năng 'khám phá phong cách' trên ứng dụng chỉnh ảnh di động: từ một ảnh gốc, điện thoại sinh vài biến thể thay đổi một yếu tố (ánh sáng, tông màu, khung cảnh) và sắp xếp theo cây để người dùng chạm vào từng nhánh xem trước và chọn hướng phát triển ý tưởng.
  3. Công cụ hỗ trợ giáo dục sinh động: giáo viên nhập mô tả một khái niệm khoa học; hệ thống sinh ra cây ảnh minh họa các diễn giải khác nhau của cùng khái niệm, giúp học sinh thấy được sự đa dạng của hiện tượng mà vẫn bám sát nội dung bài học.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.23679
ArXiv Abstracthttps://arxiv.org/abs/2606.23679
PDF Downloadhttps://arxiv.org/pdf/2606.23679.pdf
Github RepositoryN/A

12. Holistic Data Scheduler for LLM Pre-training via Multi-Objective Reinforcement Learning (11 votes)​

Tác giả: Chenhao Dang, Jing Ma, Mingjie Liao

Xuất bản lúc: 2026-06-23

Tag: LLM Pre-training, Online Data Mixing, Reinforcement Learning, Soft Actor-Critic (SAC), Multi-Objective Optimization, Data-Centric AI, Reward Shaping

I. Main Problem:​

Các phương pháp Online Data Mixing (ODM) hiện tại cho LLM pre-training chỉ tối ưu từ một góc nhìn duy nhất (ví dụ: chất lượng dữ liệu, độ mất mát, hoặc ảnh hưởng giữa các miền), bỏ qua tính đa chiều phức tạp của quá trình huấn luyện. Điều này hạn chế hiệu quả và sự ổn định khi học trên tập dữ liệu đa miền quy mô lớn.

II. Main Idea:​

HDS định hình bài toán điều phối dữ liệu như một tác vụ reinforcement learning trong không gian điều khiển liên tục, sử dụng thuật toán Soft Actor-Critic (SAC) nhờ tính ổn định và hiệu quả mẫu. Cốt lõi là hàm thưởng tổng thể (holistic reward) kết hợp ba thành phần: (1) thưởng can thiệp giữa các miền, định lượng sự đồng thuận gradient; (2) thưởng đa dạng từ vựng theo lịch trình, tạo chương trình học từ đơn giản đến phức tạp; (3) thưởng ổn định mô hình, dựa trên biến thiên chuẩn trọng số. Trạng thái (state) bao gồm vector tổng hợp về tiến độ, hiệu suất và độ ổn định của LLM. Tác tử SAC sử dụng mạng Transformer nhỏ gọn để quyết định trọng số các miền dữ liệu cho batch tiếp theo.

III. Main Results:​

  • HDS đạt perplexity cuối cùng của phương pháp tốt nhất trước đó với ít hơn 44% số bước huấn luyện.
  • Cải thiện 7.2% độ chính xác 0-shot trên MMLU so với baseline mạnh nhất.
  • Giảm 13.6% perplexity so với baseline tĩnh The Pile Weights (TPW).
  • Tốc độ tường (wall-clock) nhanh gấp 2.21 lần so với TPW, với chi phí tính toán thêm dưới 1%.
  • Với mô hình 12B, HDS đạt perplexity 4.89 so với 7.32 của ODM (cải thiện 33%).

IV. Conclusion & Future Works:​

HDS chứng minh hiệu quả của việc tối ưu đa mục tiêu trong điều phối dữ liệu online cho LLM pre-training, mang lại cả tăng tốc hội tụ và chất lượng mô hình cuối tốt hơn. Nghiên cứu tương lai có thể mở rộng khung này cho các kiến trúc mô hình khác và tối ưu hóa thêm chiến lược khám phá của tác tử RL.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng HDS với hàm thưởng kết hợp thêm yếu tố ngữ nghĩa (ví dụ: độ khó ngữ pháp, tính đa dạng ngữ nghĩa) để tinh chỉnh chương trình học tự động cho LLM trên dữ liệu đa miền chuyên biệt.
  2. Kết hợp HDS với kỹ thuật scaling law động, cho phép tác tử RL tự động điều chỉnh tỷ lệ pha trộn dữ liệu dựa trên tốc độ học của mô hình và kích thước tập dữ liệu.
  3. Áp dụng tư tưởng HDS cho fine-tuning instruction hoặc RLHF, nơi tác tử SAC có thể động điều phối tỷ lệ các loại dữ liệu huấn luyện (ví dụ: ưu tiên dữ liệu có độ khó phù hợp) để tối ưu hiệu suất downstream.

2. Patent:​

  1. Hệ thống tối ưu hóa dữ liệu huấn luyện cho chatbot trên điện thoại: dựa trên lịch sử tương tác và phản hồi người dùng, tác tử RL điều chỉnh tỷ lệ các chủ đề dữ liệu (ví dụ: ưu tiên chủ đề người dùng hay hỏi) để cải thiện chất lượng hội thoại.
  2. Phần mềm quản lý tài nguyên đám mây cho huấn luyện mô hình ngôn ngữ: tác tử SAC liên tục giám sát tiến độ huấn luyện trên nhiều node và động cân bằng tỷ lệ các loại dữ liệu (ví dụ: văn bản pháp lý, khoa học) để tối ưu hóa tốc độ hội tụ và giảm chi phí tính toán.
  3. Công cụ hỗ trợ giáo dục thông minh: khi dạy ngôn ngữ cho học sinh, hệ thống sử dụng RL để tự động điều chỉnh tỷ lệ các bài đọc (từ đơn giản đến phức tạp) dựa trên tốc độ tiến bộ của từng học sinh, tạo chương trình học cá nhân hóa.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.24133
ArXiv Abstracthttps://arxiv.org/abs/2606.24133
PDF Downloadhttps://arxiv.org/pdf/2606.24133.pdf
Github Repositoryhttps://github.com/DANG-ai/LLM-Training-Holistic-Data-Schedule

13. DiffusionBench: On Holistic Evaluation of Diffusion Transformers (11 votes)​

Tác giả: Xingjian Leng, Jaskirat Singh, Zhanhao Liang, Ethan Smith, Martin Bell, et al.

Xuất bản lúc: 2026-06-23

Tag: Diffusion Transformers, ImageNet, Text-to-Image, Benchmark, NANOGEN, DiT, Evaluation

I. Main Problem:​

Nghiên cứu Diffusion Transformer (DiT) hiện nay chủ yếu đánh giá trên một băng thử nghiệm duy nhất là ImageNet có điều kiện lớp. Tuy nhiên, việc cải thiện điểm FID trên ImageNet không đảm bảo mang lại cải tiến tương ứng trên tác vụ sinh ảnh từ văn bản (T2I) vốn là ứng dụng quan trọng. Việc thiếu một khuôn khổ đánh giá toàn diện khiến tiến bộ thực sự trong mô hình sinh khó được phản ánh chính xác.

II. Main Idea:​

Bài báo giới thiệu NANOGEN, một framework thống nhất để huấn luyện và đánh giá DiT cho cả ImageNet và T2I. NANOGEN sử dụng cùng backbone, optimizer, và quy trình huấn luyện, chỉ thay đổi khoảng 12 dòng cấu hình để chuyển đổi giữa hai tác vụ. Với NANOGEN, tác giả huấn luyện 21 mô hình latent diffusion và phát hiện tương quan rất yếu giữa xếp hạng trên ImageNet và hiệu năng T2I (Pearson từ -0.377 đến -0.580). Từ đó, họ đề xuất DIFFUSIONBENCH, một benchmark tổng thể kết hợp cả hai tác vụ, khuyến khích các nghiên cứu về DiT báo cáo kết quả trên cả ImageNet lẫn T2I thay vì chỉ ImageNet.

III. Main Results:​

  • Phát hiện tương quan yếu giữa ImageNet FID và các chỉ số T2I như GenEval, DPG-Bench, và GenAIBench (r từ -0.377 đến -0.580).
  • FLUX.2-VAE đạt FID tốt nhất trên ImageNet (1.37), nhưng không phải là tốt nhất trên T2I.
  • Các phương pháp latent-space (RAE, FLUX.2-VAE, REPA-E) nói chung vượt trội so với pixel-space và MeanFlow trên cả hai tác vụ.
  • NANOGEN tái tạo hoặc cải thiện kết quả ImageNet của 6 phương pháp đã công bố, xác nhận tính tin cậy của framework.
  • Huấn luyện T2I với NANOGEN chỉ mất ~10 giờ trên 32 GPU H200, chi phí tương đương với ImageNet.

IV. Conclusion & Future Works:​

Nghiên cứu này khẳng định đánh giá đơn trên ImageNet là không đủ cho DiT, và khuyến nghị sử dụng DIFFUSIONBENCH như chuẩn mặc định. Framework NANOGEN giúp việc đánh giá toàn diện trở nên rẻ và dễ dàng. Hướng phát triển tương lai là làm mới benchmark khi các phương pháp bắt đầu bão hòa.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng DIFFUSIONBENCH cho các tác vụ sinh ảnh khác như sinh video hoặc 3D, với cùng tinh thần thống nhất và chi phí thấp.
  2. Nghiên cứu tác động của các chiến lược representation learning khác nhau (ví dụ: các vision encoder) đến sự tương quan giữa ImageNet và T2I, nhằm tìm ra hướng cải thiện toàn diện.
  3. Phát triển các chỉ số đánh giá T2I mới ít bị 'metric hacking' hơn, dựa trên phản hồi của con người hoặc các mô hình thị giác-ngôn ngữ tiên tiến.

2. Patent:​

  1. Hệ thống tạo ảnh trên điện thoại: người dùng nhập văn bản mô tả, hệ thống chạy nhanh nhiều phương pháp latent diffusion khác nhau và tự động chọn kết quả tốt nhất dựa trên điểm tổng hợp từ DIFFUSIONBENCH, mà không cần can thiệp thủ công.
  2. Công cụ chỉnh sửa ảnh chuyên nghiệp cho ứng dụng di động: cho phép người dùng chọn giữa hai 'phong cách' sinh ảnh (ví dụ: ưu tiên độ trung thực hay độ sáng tạo) dựa trên bộ chỉ số DIFFUSIONBENCH đã được cài sẵn cho từng mô hình.
  3. Module nâng cấp cho máy ảnh thông minh: khi chụp trong điều kiện thiếu sáng, điện thoại sử dụng mô hình DiT đã được tối ưu trên cả ImageNet và T2I để sinh lại ảnh chất lượng cao, với thông số được tinh chỉnh dựa trên benchmark tổng thể.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.24888
ArXiv Abstracthttps://arxiv.org/abs/2606.24888
PDF Downloadhttps://arxiv.org/pdf/2606.24888.pdf
Github Repositoryhttps://github.com/End2End-Diffusion/diffusion-bench

14. FedOT: Ownership Verification and Leakage Tracing via Watermarks for Federated LDMs (11 votes)​

Tác giả: Wenlong Cheng, Yuan Gan, Yunqiu Xu, Jiaxu Miao

Xuất bản lúc: 2026-06-22

Tag: Federated Learning, Latent Diffusion Models, Model Watermarking, Ownership Verification, Leakage Tracing, VAE, Intellectual Property Protection

I. Main Problem:​

Trong huấn luyện Latent Diffusion Models theo Federated Learning, các mô hình toàn cục được chia sẻ cho nhiều client, dễ bị client độc hại rò rỉ hoặc bán lại trái phép. Các giải pháp watermark hiện tại chỉ xác minh quyền sở hữu mà không truy vết được client rò rỉ, và dễ bị vô hiệu hóa bằng cách thay thế VAE sạch.

II. Main Idea:​

FedOT đề xuất cơ chế chunked watermark: phần đầu (r bit) xác minh quyền sở hữu, phần sau (n-r bit) nhận diện client rò rỉ. Để chống tấn công thay thế VAE, FedOT dùng Latent Vector Transformation (LVT) – biến đổi phân phối latent của VAE (ví dụ: dịch chuyển, lật, hoặc nghịch đảo pixel) buộc U-Net thích nghi với latent mới. Kẻ tấn công thay VAE sẽ làm suy giảm nghiêm trọng chất lượng ảnh, vô hiệu hóa mô hình.

III. Main Results:​

  • FedOTneg duy trì chất lượng tạo ảnh tốt (FID: 20.367) và bit accuracy cao (0.922) trước tấn công thay thế VAE.
  • Sau tấn công thay thế VAE, FedOTneg làm FID tăng mạnh (+20.170) so với baseline, chứng tỏ khả năng chống tấn công tốt.
  • FedOTtran tăng FID +70.070 sau tấn công nhưng chất lượng ảnh ban đầu kém hơn (FID: 22.427).
  • Stable Signature* và FedOT không LVT bị mất watermark hoàn toàn sau tấn công thay thế VAE.
  • LVT chiến lược Negative (nghịch đảo pixel) cho cân bằng tốt nhất giữa chất lượng và khả năng chống tấn công.

IV. Conclusion & Future Works:​

FedOT là framework đầu tiên cho phép vừa xác minh quyền sở hữu vừa truy vết rò rỉ trong FedLDMs. LVT tạo ràng buộc mạnh giữa VAE và U-Net, ngăn chặn hiệu quả tấn công thay thế VAE. Hướng tương lai: mở rộng LVT cho các phép biến đổi không gian khác và tối ưu hóa tham số tự động.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng FedOT cho các mô hình khuếch tán video trong FL, gắn watermark vào từng khung hình để truy vết đồng thời client và thời điểm rò rỉ.
  2. Nghiên cứu biến đổi latent thích ứng theo từng client (personalized LVT) để tăng cường bảo vệ IP mà không ảnh hưởng đến chất lượng sinh cục bộ.
  3. Kết hợp FedOT với kỹ thuật chống adversarial training để chống tấn công tinh chỉnh watermark bằng các phương pháp học đối nghịch mới.

2. Patent:​

  1. Ứng dụng watermark phân đoạn trong ứng dụng tạo ảnh di động: mỗi người dùng nhận mô hình có watermark riêng, nếu ảnh bị rò rỉ thì dễ dàng xác định người dùng nguồn qua phần watermark truy vết.
  2. Dùng LVT trong ứng dụng chỉnh sửa ảnh đám mây: máy chủ biến đổi latent không gian để bảo vệ mô hình gốc, ngăn kẻ tấn công trích xuất mô hình bằng cách thay thế decoder.
  3. Hệ thống bảo vệ bản quyền cho các ứng dụng AI di động: mỗi lần cập nhật, máy chủ gán watermark mới cho từng client; ảnh sinh ra luôn chứa thông tin định danh, phát hiện rò rỉ tức thì.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.22875
ArXiv Abstracthttps://arxiv.org/abs/2606.22875
PDF Downloadhttps://arxiv.org/pdf/2606.22875.pdf
Github RepositoryN/A