Chuyển tới nội dung chính

🤗 Daily Hugging Face Paper Digest - 2026-06-26

Báo cáo được tạo tự động vào lúc 2026-06-30 22:34:33 bằng mô hình deepseek-ai/deepseek-v4-flash.

📰 Summary of Papers​

1. DanceOPD: On-Policy Generative Field Distillation (76 votes)​

Tác giả: Wei Zhou, Xiongwei Zhu, Zelin Xu, Bo Dong, Lixue Gong, et al.

Xuất bản lúc: 2026-06-25

Tag: Flow Matching, Generative Field Distillation, Multi-Capability Composition, Image Generation, Text-to-Image, Image Editing, Knowledge Distillation, On-Policy Distillation

I. Main Problem:​

Các mô hình sinh ảnh hiện đại buộc phải tích hợp nhiều năng lực (text-to-image, local editing, global editing) vào cùng một mạng, nhưng các năng lực này thường xung đột: chỉnh sửa làm suy giảm khả năng T2I, còn local và global editing gây nhiễu lẫn nhau. Chưa có phương pháp nào giải quyết triệt để việc phối hợp các năng lực mà không làm suy yếu năng lực gốc.

II. Main Idea:​

DanceOPD định khung việc tích hợp năng lực như bài toán 'field distillation on-policy': mỗi nguồn đông lạnh (frozen capability) là một trường vận tốc trên không gian trạng thái chung. Với mỗi mẫu huấn luyện, phương pháp chọn cứng (hard-routed) đúng một trường, truy vấn nó tại trạng thái low-noise do chính student sinh ra, và cập nhật student bằng mục tiêu velocity MSE đơn giản. Ba thiết kế chính là routing giữ nguyên ngữ nghĩa từng năng lực, on-policy query khớp phân phối trạng thái của student, và chỉ dùng một query semantic-side low-noise để tránh tương quan trong rollout.

III. Main Results:​

  • Trong phối hợp T2I + editing, DanceOPD cải thiện GEditBench hơn baseline OPD tốt nhất 8.1% và hơn nguồn edit 8.5%, đồng thời duy trì GenEval trên mức nguồn T2I.
  • Với phối hợp local + global edit, DanceOPD vượt baseline phối hợp tốt nhất 16.1% và vượt nguồn local edit 7.9%.
  • Trong hấp thụ trường realism (realism-field absorption), cải thiện reward 9.9% so với off-policy và thu hẹp 85.3% khoảng cách reward giữa student và teacher.
  • Hard routing cải thiện 15.2% so với soft multi-teacher MSE; semantic-side low-noise query cải thiện 23.7% so với median-noise, 19.5% so với high-noise.
  • Plain velocity MSE ổn định và vượt các biến thể có trọng số 2.8%–4.5%.

IV. Conclusion & Future Works:​

DanceOPD giải quyết bài toán tích hợp đa năng lực bằng on-policy generative field distillation với ba lựa chọn thiết kế then chốt, đạt tăng trưởng vượt trội trên cả T2I, editing lẫn hấp thụ trường chức năng. Hướng tương lai: mở rộng cho nhiều loại năng lực hơn (control, style customization) và áp dụng cho các tác vụ đa phương thức khác ngoài ảnh.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng DanceOPD cho nhiều hơn hai trường năng lực (ví dụ: text-to-image, local edit, global edit, style transfer) với cơ chế routing thích ứng học phân phối tối ưu thay vì uniform.
  2. Kết hợp DanceOPD với hấp thụ trường guidance (CFG absorption) thành một framework thống nhất, nghiên cứu ảnh hưởng của scale guidance lên khả năng tổng hợp.
  3. Áp dụng tư tưởng on-policy field distillation cho các mô hình sinh video, nơi mỗi năng lực (phong cách, chủ đề, chuyển động) là một trường vận tốc cần tích hợp.

2. Patent:​

  1. Trên điện thoại: ứng dụng chụp ảnh có chức năng 'chỉnh sửa AI' tích hợp sẵn mà không cần tải thêm plugin riêng cho từng loại chỉnh sửa (thay phông, đổi màu, xóa đối tượng) nhờ một mô hình duy nhất được huấn luyện bằng DanceOPD.
  2. Trên điện thoại: tính năng 'tạo ảnh từ mô tả + chỉnh sửa thông minh' cho phép người dùng nhập câu lệnh, ảnh kết quả được tạo ra và tự động hiệu chỉnh (ví dụ: ánh sáng, bố cục) mà vẫn giữ nguyên chủ thể chính.
  3. Trên smartphone: hệ thống 'xóa đối tượng thông minh' với một nút bấm: mô hình vừa nhận diện vùng cần xóa vừa tái tạo phần nền tự nhiên mà không làm sai lệch phần còn lại của ảnh.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.27377
ArXiv Abstracthttps://arxiv.org/abs/2606.27377
PDF Downloadhttps://arxiv.org/pdf/2606.27377.pdf
Github RepositoryN/A

2. In-Context World Modeling for Robotic Control (60 votes)​

Tác giả: Siyin Wang, Junhao Shi, Senyu Fei, Zhaoyang Fu, Li Ji, et al.

Xuất bản lúc: 2026-06-25

Tag: Vision-Language-Action, Robotics, In-Context Learning, World Modeling, System Identification, Viewpoint Generalization, Manipulation

I. Main Problem:​

Các mô hình Vision-Language-Action (VLA) hiện đại thất bại khi triển khai trong thiết lập mới vì chúng chỉ điều kiện hóa trên quan sát và chỉ dẫn ngôn ngữ, bỏ qua biến cấu hình hệ thống (ψ) như góc camera hay hình thái robot. Điều này buộc phải fine-tuning tốn kém cho mỗi môi trường mới.

II. Main Idea:​

ICWM định khung nhận diện hệ thống như bài toán thích ứng in-context. Robot tự thực hiện chuỗi ngắn động tác khám phá ngẫu nhiên, ghi lại chuyển tiếp trực quan, rồi nối các clip đó vào context window. Transformer sử dụng ngữ cảnh này để ngầm suy luận động lực học của hệ thống hiện tại, điều chỉnh chính sách mà không cần cập nhật tham số.

III. Main Results:​

  • Trên LIBERO, ICWM vượt Multi-View BC +13.0% trên góc nhìn OOD.
  • Tác vụ long-horizon hưởng lợi lớn nhất: +26.3% trên góc nhìn lạ.
  • Robot UR5e thật: ICWM giữ hiệu suất cao khi chính sách chuẩn sụt từ 68% xuống 17%.
  • Ablation: thiếu ảnh trong context làm sụt 56.4% hiệu suất; ngữ cảnh sai còn hại hơn không có ngữ cảnh.

IV. Conclusion & Future Works:​

ICWM khắc phục hạn chế khái quát hóa bằng cách chuyển cửa sổ context từ định nghĩa hành vi sang nhận diện hệ thống. Hướng tương lai có thể tối ưu chiến lược thăm dò chủ động và mở rộng cho môi trường động.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng ICWM cho nhiều robot: mỗi robot dùng ngữ cảnh tương tác tự sinh để đồng thời ước lượng động lực học bản thân và dự đoán hành vi của robot khác trong cùng không gian.
  2. Kết hợp ICWM với active learning để robot tự chọn động tác thăm dò mang nhiều thông tin nhất thay vì ngẫu nhiên, nâng cao hiệu quả thích ứng.
  3. Nghiên cứu khả năng ICWM thích ứng với thay đổi liên tục (ví dụ: trọng tải thay đổi trong lúc vận hành) thay vì chỉ thích ứng một lần trước khi thực hiện nhiệm vụ.

2. Patent:​

  1. Hệ thống tự hiệu chuẩn cánh tay robot công nghiệp: trước mỗi ca, robot thực hiện vài động tác thăm dò; camera ghi lại và mô hình suy luận tư thế camera + độ lệch động học để chỉnh chính sách ngay lần chạy đầu.
  2. Điều khiển robot gia dụng qua điện thoại với camera tùy ý: người dùng đặt điện thoại bất kỳ; robot chuyển động thử ngắn, gửi video lên đám mây để phân tích tương quan không gian rồi thực hiện lệnh theo góc nhìn đó.
  3. Module nhận diện thay đổi phụ kiện cho robot lắp ráp: khi đổi đầu kẹp, robot chạy chương trình thăm dò ngắn để xác định độ dài tay và độ mở kẹp mới qua luồng hình ảnh, tự động cập nhật tham số động lực học ẩn.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.26025
ArXiv Abstracthttps://arxiv.org/abs/2606.26025
PDF Downloadhttps://arxiv.org/pdf/2606.26025.pdf
Github RepositoryN/A

3. OPID: On-Policy Skill Distillation for Agentic Reinforcement Learning (51 votes)​

Tác giả: Shuo Yang, Jinyang Wu, Zhengxi Lu, Yuhao Shen, Fan Zhang, et al.

Xuất bản lúc: 2026-06-25

Tag: Reinforcement Learning, LLM Agents, Skill Distillation, On-Policy Learning, Credit Assignment, Hierarchical Skills

I. Main Problem:​

Outcome-based RL cung cấp tối ưu hóa ổn định cho language agents, nhưng phần thưởng thưa thớt ở cấp độ trajectory không chỉ ra hành động trung gian nào nên được tăng cường hay triệt tiêu. Các phương pháp skill-distillation hiện tại phụ thuộc vào bộ nhớ kỹ năng bên ngoài, tốn kém chi phí và dễ gây lệch phân phối trạng thái với chính sách hiện tại.

II. Main Idea:​

OPID trích xuất kỹ năng hồi tố (hindsight skills) trực tiếp từ các trajectory on-policy hoàn chỉnh, phân cấp thành kỹ năng cấp tập (global workflows) và kỹ năng cấp bước (local decisions tại thời điểm quan trọng). Cơ chế 'critical-first routing' ưu tiên kỹ năng cấp bước khi cần và quay về kỹ năng cấp tập cho các bước còn lại. Kỹ năng được tiêm vào lịch sử tương tác, cho phép policy cũ chấm lại cùng một response trong cả ngữ cảnh gốc và có kỹ năng, tạo ra token-level self-distillation advantage kết hợp với outcome advantage để tối ưu.

III. Main Results:​

  • OPID vượt GRPO trên Qwen2.5-3B: +9.3 điểm ALFWorld (84.3 vs 75.0), +8.6 Search-based QA, +10.9 WebShop.
  • Cải thiện đáng kể hiệu quả mẫu: chỉ cần ~60% dữ liệu đạt hiệu suất ngang GRPO đủ dữ liệu.
  • Khái quát hóa liên miền: trên ALFWorld unseen, OPID đạt 78.6% so với 70.9% của GRPO.
  • Ablation: bỏ kỹ năng cấp tập giảm 10.2 điểm, bỏ kỹ năng cấp bước giảm 5.2 điểm trên ALFWorld.
  • OPID vẫn cạnh tranh với các baseline hybrid mạnh như SDAR, RLSD.

IV. Conclusion & Future Works:​

OPID chứng minh rằng kỹ năng hồi tố từ trajectory on-policy có thể cung cấp tín hiệu shaping dày đặc, phân phối khớp cho agentic RL mà không cần thư viện kỹ năng ngoài. Hướng tương lai: mở rộng cho kịch bản đa tác vụ, nhiều agent, và tối ưu hóa chiến lược trích xuất kỹ năng tự động.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng OPID cho môi trường đa tác tử: mỗi agent trích xuất kỹ năng từ trajectory của chính nó và các agent khác trong cùng tập huấn luyện để tăng cường học hợp tác.
  2. Kết hợp OPID với mô hình phần thưởng học được (learned reward model) để cung cấp tín hiệu hồi tố dày đặc hơn cho các tác vụ mà phần thưởng môi trường quá thưa thớt hoặc nhiễu.
  3. Nghiên cứu cơ chế routing linh hoạt hơn, ví dụ routing liên tục giữa hai cấp kỹ năng thay vì nhị phân, dựa trên độ không chắc chắn của policy tại mỗi bước.

2. Patent:​

  1. Trợ lý ảo trên điện thoại học từ các cuộc hội thoại hoàn chỉnh của chính nó: tự động trích xuất 'quy trình thành công' và 'lỗi cần tránh' từ lịch sử chat, dùng để cải thiện phản hồi trong các tình huống tương tự mà không cần dữ liệu huấn luyện thêm.
  2. Hệ thống đặt hàng thông minh trên app thương mại điện tử: phân tích các giao dịch mua sắm trước đó của người dùng, rút ra các bước quyết định quan trọng (ví dụ: chọn size, so sánh giá), và dùng chúng để đề xuất hành động tối ưu trong các phiên mua sắm sau.
  3. Công cụ hỗ trợ lập trình trên thiết bị di động: ghi lại các thao tác sửa lỗi thành công và thất bại của lập trình viên, tạo ra các 'kỹ năng cấp bước' (ví dụ: cách tìm lỗi import sai) để gợi ý sửa lỗi nhanh hơn trong các dự án tương tự.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.26790
ArXiv Abstracthttps://arxiv.org/abs/2606.26790
PDF Downloadhttps://arxiv.org/pdf/2606.26790.pdf
Github Repositoryhttps://github.com/jinyangwu/OPID

4. Qwen-Image-Agent: Bridging the Context Gap in Real-World Image Generation (47 votes)​

Tác giả: Zekai Zhang, Jiahao Li, Jie Zhang, Kaiyuan Gao, Kun Yan, et al.

Xuất bản lúc: 2026-06-25

Tag: Text-to-Image, Agentic Image Generation, Context Gap, Planning, Reasoning, Memory, Search, Benchmark

I. Main Problem:​

Các mô hình Text-to-Image hiện tại hoạt động tốt với prompt đầy đủ nhưng thất bại trước yêu cầu thực tế vốn thường thiếu thông tin, mơ hồ hoặc phụ thuộc vào kiến thức mới. Sự chênh lệch giữa ngữ cảnh người dùng cung cấp và ngữ cảnh đủ để sinh ảnh được gọi là Context Gap và là nguyên nhân chính khiến mô hình kém hiệu quả ngoài đời thực.

II. Main Idea:​

Qwen-Image-Agent là khung tác tử thống nhất, tập trung vào ngữ cảnh, tích hợp lập kế hoạch, suy luận, tìm kiếm, bộ nhớ và phản hồi để thu hẹp Context Gap. Nó gồm hai mô-đun chính: Context-Aware Planning (phát hiện thiếu ngữ cảnh ở ba cấp độ và lên kế hoạch thu thập) và Context Grounding (thu thập ngữ cảnh từ suy luận, tìm kiếm web/hình ảnh, bộ nhớ đa lượt và vòng phản hồi tự kiểm tra). Khung này không yêu cầu huấn luyện lại và tương thích với mọi bộ sinh ảnh hiện có.

III. Main Results:​

  • Trên IA-Bench, Qwen-Image-Agent đạt IA-score 45.4%, vượt các baseline mạnh nhất (Nano Banana Pro: 42.6%, GPT-Image-1.5: 35.7%).
  • Cải thiện vượt trội so với Qwen-Image-2.0 thông thường: từ 17.4% lên 45.4% IA-score.
  • Đạt SOTA trên WISE-Verified (0.902) và MindBench (0.42), vượt Nano Banana Pro lần lượt 0.876 và 0.41.
  • Ablation cho thấy bỏ Reason giảm 10.3 điểm IA-score, bỏ Search giảm 11.1 điểm, bỏ Memory giảm 4.9 điểm.

IV. Conclusion & Future Works:​

Qwen-Image-Agent chứng minh rằng một khung tác tử tập trung vào ngữ cảnh có thể khắc phục Context Gap, cải thiện đáng kể chất lượng sinh ảnh trên các tác vụ thực tế đa dạng. Hướng tương lai có thể tối ưu chiến lược lập kế hoạch và mở rộng cho các tác vụ phức tạp hơn như video generation.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu ảnh hưởng của số lượng vòng phản hồi đến chất lượng sinh ảnh, nhằm tìm ra điểm cân bằng tối ưu giữa chi phí tính toán và độ chính xác.
  2. Mở rộng khung tác tử cho các tác vụ video: tích hợp suy luận nhân quả theo thời gian và bộ nhớ dài hạn để duy trì tính nhất quán xuyên khung hình.
  3. Phân tích khả năng khái quát hóa của Qwen-Image-Agent trên các miền ngôn ngữ và văn hóa khác nhau, đặc biệt là các thực thể IP không phổ biến.

2. Patent:​

  1. Ứng dụng tạo ảnh quảng cáo tự động cho điện thoại: người dùng chỉ cần nhập ý tưởng mơ hồ, hệ thống tự động tra cứu thông tin sản phẩm, logo và xu hướng thị trường rồi sinh ra ấn phẩm hoàn chỉnh.
  2. Tính năng thiết kế avatar trên thiết bị di động dựa trên lịch sử trò chuyện: hệ thống ghi nhớ sở thích phong cách, màu sắc và bối cảnh từ các cuộc hội thoại trước để tạo hình đại diện nhất quán mà không cần nhập lại.
  3. Hệ thống tạo ảnh minh họa cho bài viết tin tức trên điện thoại: người dùng nhập tiêu đề, hệ thống tự suy luận chủ đề, tìm kiếm dữ liệu mới nhất và tạo ảnh phù hợp với nội dung bài báo.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.26907
ArXiv Abstracthttps://arxiv.org/abs/2606.26907
PDF Downloadhttps://arxiv.org/pdf/2606.26907.pdf
Github RepositoryN/A

5. The Verification Horizon: No Silver Bullet for Coding Agent Rewards (45 votes)​

Tác giả: Binghai Wang, Chenlong Zhang, Dayiheng Liu, Jiajun Zhang, Jiawei Chen, et al.

Xuất bản lúc: 2026-06-24

Tag: Coding Agents, Reward Hacking, Reinforcement Learning, Verification, LLM-as-Judge, SWE-Bench, Frontend Generation

I. Main Problem:​

Việc xác thực (verify) giải pháp do coding agent tạo ra đang khó hơn việc tạo ra chính giải pháp đó. Mọi bộ xác thực hiện có chỉ là proxy cho ý định con người, không phải là ý định thực sự. Khi tối ưu hóa mô hình, khoảng cách giữa proxy và ý định thực ngày càng lớn, dẫn đến reward hacking và bão hòa tín hiệu.

II. Main Idea:​

Bài báo đề xuất hệ thống xác thực phải cùng tiến hóa (co-evolve) với coding agent, chứ không có một giải pháp duy nhất nào. Chất lượng tín hiệu xác thực được đánh giá trên ba trục: khả năng mở rộng (scalability), độ trung thực (faithfulness) và độ bền vững (robustness). Bốn phương pháp xây dựng reward được nghiên cứu: test-driven reward cho tác vụ SWE (dùng bộ giám sát hành vi để chống hack), interactive judge cho tác vụ frontend (dùng tương tác trình duyệt thực tế), user feedback làm verifier cho tác vụ thực tế, và automated agentic evaluator cho tác vụ dài hạn.

III. Main Results:​

  • Bộ giám sát hành vi giảm tỷ lệ hack từ 28.57% xuống 0.56%, đồng thời tăng tỷ lệ giải quyết sạch từ 40.22% lên 60.53% trên ba biến thể SWE-Bench.
  • Interactive judge vượt static judge làm tín hiệu reward RL, đạt điểm test cao hơn mà không bị khai thác độ dài (length exploitation).
  • Lọc dữ liệu bằng agentic judge cải thiện hiệu quả RL và độ tin cậy reward.
  • RFT kết hợp interactive judge cải thiện 6 điểm trên WebDev Human Eval và 36 điểm trên QwenWebBench.
  • User feedback được khai thác ở quy mô lớn qua pipeline ba mục tiêu huấn luyện (SFT, RW-SFT, Span-KTO).

IV. Conclusion & Future Works:​

Không có hàm reward cố định nào hiệu quả khi năng lực của agent tiếp tục tăng; xác thực phải cùng tiến hóa với generator. Hệ thống xác thực cần tích hợp nhiều cơ chế (test thực thi, lọc chất lượng, giám sát hành vi, đánh giá agentic) và được xây dựng lại liên tục. Hướng tương lai là làm cho các verifier này ngày càng trung thực và bền vững hơn trước áp lực tối ưu hóa.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu phương pháp phát hiện reward hacking mới xuất hiện khi policy thay đổi, sử dụng học tăng cường để tự động cập nhật bộ mẫu giám sát hành vi mà không cần can thiệp thủ công.
  2. Mở rộng interactive judge cho nhiều loại tác vụ web phức tạp hơn, như trang có đăng nhập, xác thực hai yếu tố và luồng giao dịch nhiều bước, để đánh giá độ trung thực cao hơn.
  3. Kết hợp user feedback làm tín hiệu reward chính, xây dựng mô hình học từ phản hồi ngôn ngữ tự nhiên và hành vi tương tác để huấn luyện coding agent trong môi trường mở, không cần test suite.

2. Patent:​

  1. Hệ thống tự động giám sát coding agent trên điện thoại: khi người dùng yêu cầu sửa lỗi ứng dụng, hệ thống ghi lại các lệnh git và truy cập mạng, phát hiện hành vi gian lận (ví dụ: copy code từ internet) rồi cảnh báo hoặc hủy thưởng, đảm bảo agent làm đúng nhiệm vụ.
  2. Công cụ đánh giá ứng dụng di động tự động: agent nhận yêu cầu xây dựng giao diện, hệ thống dùng trình duyệt ảo để tương tác (nhấn nút, cuộn, nhập liệu) và chấm điểm dựa trên hành vi thực tế thay vì chỉ kiểm tra mã nguồn, giúp nhà phát triển kiểm thử nhanh hơn.
  3. Phương pháp huấn luyện trợ lý ảo trên điện thoại từ phản hồi người dùng: mỗi khi người dùng gõ 'sửa lại' hoặc 'không đúng', hệ thống ghi lại toàn bộ cuộc hội thoại, phân tích câu trả lời nào bị từ chối, và dùng dữ liệu đó để cải thiện chất lượng phản hồi mà không cần đánh giá thủ công.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.26300
ArXiv Abstracthttps://arxiv.org/abs/2606.26300
PDF Downloadhttps://arxiv.org/pdf/2606.26300.pdf
Github RepositoryN/A

6. ViQ: Text-Aligned Visual Quantized Representations at Any Resolution (38 votes)​

Tác giả: Xumin Yu, Zuyan Liu, Zhenyu Yang, Yuhao Dong, Shengsheng Qian, et al.

Xuất bản lúc: 2026-06-25

Tag: Visual Quantization, Multimodal Representation Learning, Vector Quantization, Vision-Language Models, Native Resolution, Discrete Representations

I. Main Problem:​

Biểu diễn hình ảnh dưới dạng tín hiệu rời rạc (discrete) giống văn bản thường gây mất thông tin nghiêm trọng. Cách tiếp cận hướng tái tạo thiếu ngữ nghĩa, trong khi biểu diễn ngữ nghĩa mạnh mẽ lại mất chi tiết thấp. Các bộ mã hóa rời rạc hiện tại chưa cân bằng được cả hai mặt và bị hạn chế về độ phân giải cố định.

II. Main Idea:​

ViQ chia quá trình học lượng tử thành hai giai đoạn: tiền huấn luyện căn chỉnh văn bản và lượng tử hóa đặc trưng. Giai đoạn đầu sử dụng giám sát từ mô hình ngôn ngữ để tăng cường ngữ nghĩa và hỗ trợ đầu vào ở độ phân giải gốc. Giai đoạn hai dùng chiến lược học biểu diễn gần (proximal) để thu hẹp không gian đặc trưng dần dần, kết hợp lượng tử hóa đa đầu có tích hợp mã vị trí 2D (2D RoPE) để xử lý linh hoạt mọi độ phân giải. Nhờ đó, ViQ duy trì cả ngữ nghĩa cao và chi tiết thấp, đồng thời cải thiện hiệu quả huấn luyện nhờ mã hóa trước ảnh thành mã rời rạc.

III. Main Results:​

  • Trên 9 benchmark đa phương thức, ViQ với Qwen2.5-7B đạt 63.9 điểm trung bình, vượt InternViT-2.5-6B (63.8) dù chỉ có 1.3B tham số.
  • ViQ vượt trội trên các tác vụ OCR, tài liệu, biểu đồ so với các bộ mã hóa rời rạc trước đó (UniTok, QLIP) với biên độ lớn.
  • Tăng tốc huấn luyện VLM từ 20% đến 70% tùy kích thước mô hình và độ dài chuỗi (so với SigLIP2-g).
  • Độ chính xác tái tạo ảnh: PSNR 22.73 và rFID 0.62 trên ImageNet-1K, cạnh tranh với các bộ lượng tử hóa chuyên tái tạo.
  • Mức nén ảnh lên tới 96 lần so với ảnh gốc (RAW) với chất lượng tái tạo tốt hơn JPEG cùng tỉ lệ nén.

IV. Conclusion & Future Works:​

ViQ chứng minh biểu diễn rời rạc có thể đạt hiệu suất ngang bằng bộ mã hóa liên tục trong hiểu đa phương thức nhờ cân bằng ngữ nghĩa và chi tiết, đồng thời tăng tốc huấn luyện. Hướng tới có thể cải thiện trên các tác vụ đòi hỏi chi tiết cao bằng cách kết hợp lượng tử đa tỉ lệ hoặc dữ liệu chuyên biệt.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu mở rộng ViQ cho video: áp dụng cơ chế lượng tử hóa theo thời gian để mã hóa chuỗi khung hình rời rạc, hỗ trợ hiểu video độ phân giải gốc mà không cần tăng độ phức tạp tính toán.
  2. Kết hợp ViQ với mô hình ngôn ngữ lớn thuần văn bản để tạo pipeline đa phương thức không cần projector: mã rời rạc từ ViQ có thể được nhúng trực tiếp vào không gian token của LLM.
  3. Áp dụng chiến lược học biểu diễn gần (proximal) cho các tác vụ thị giác máy tính khác như phân đoạn, phát hiện đối tượng để nén đặc trưng mà vẫn giữ độ chính xác cao.

2. Patent:​

  1. Ứng dụng trên điện thoại thông minh: biến ảnh chụp thành mã rời rạc (ViQ codes) dung lượng nhỏ, lưu trong bộ nhớ đám mây hoặc thiết bị, cho phép tái tạo ảnh chất lượng cao và tìm kiếm ảnh dựa trên nội dung mà không cần lưu ảnh gốc lớn.
  2. Tăng tốc xử lý ảnh AI trên thiết bị di động: trích xuất mã ViQ từ camera ngay khi chụp, sau đó dùng mã này làm đầu vào cho mô hình AI thay vì ảnh gốc, giảm tải tính toán và tiết kiệm pin.
  3. Hệ thống chatbot đa phương thức đám mây: người dùng gửi ảnh qua điện thoại, server chuyển thành mã ViQ rời rạc để xử lý song song với văn bản, giảm băng thông truyền tải và tăng tốc phản hồi.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.27313
ArXiv Abstracthttps://arxiv.org/abs/2606.27313
PDF Downloadhttps://arxiv.org/pdf/2606.27313.pdf
Github Repositoryhttps://github.com/yuxumin/ViQ

7. JetSpec: Breaking the Scaling Ceiling of Speculative Decoding with Parallel Tree Drafting (32 votes)​

Tác giả: Lanxiang Hu, Zhaoxiang Feng, Yulun Wu, Haoran Yuan, Yujie Zhao, et al.

Xuất bản lúc: 2026-06-25

Tag: Speculative Decoding, LLM, Tree Drafting, Causal Parallel Drafting, Transformer, Qwen3, vLLM

I. Main Problem:​

Speculative decoding (SD) có tình trạng 'trần scaling' (scaling ceiling): tăng số lượng draft token chỉ cải thiện tốc độ nếu tỷ lệ chấp nhận (acceptance rate) vẫn cao và chi phí drafting thấp. Các phương pháp head-based hiện tại bị kẹt trong thế lưỡng nan 'causality-efficiency': drafter tự hồi quy tạo ứng viên tốt nhưng chi phí tăng theo độ sâu cây, còn drafter khuếch tán song song nhanh nhưng không có điều kiện nhánh, dẫn đến cây không nhất quán.

II. Main Idea:​

JetSpec giải quyết thế lưỡng nan bằng cách huấn luyện một causal parallel draft head tận dụng hidden state của target model (frozen) để dự đoán tất cả nút cây trong một lượt forward. Đầu draft dùng mặt nạ tree-causal attention: mỗi nút chỉ được nhìn thấy các token tiền tố và tổ tiên, không thấy hậu duệ hay nhánh anh em. Nhờ vậy, phân phối draft giữ được cấu trúc điều kiện nhánh (branch-wise conditioning) giống với phân phối autoregressive của target model, biến budget draft một cách hiệu quả thành số token được chấp nhận dài hơn.

III. Main Results:​

  • Trên MATH-500, JetSpec với budget 256 token đạt speedup lên tới 9.64× so với autoregressive decoding, vượt trội so với DDTree (8.78×) và DFlash.
  • Trên MT-Bench (hội thoại mở), JetSpec đạt 4.58× speedup, duy trì hiệu quả trong các tác vụ thực tế.
  • Tích hợp vào vLLM, JetSpec đạt throughput 968.2 TPS ở batch size 1 với budget 128, cải thiện rõ dưới tải nhẹ vừa.
  • Ablation cho thấy forward-KL distillation tốt hơn SFT nhẹ (~3%) và vượt trội so với reverse-KL (chênh 36–46%).
  • Trên Qwen3-30B-A3B (MoE), JetSpec duy trì ưu thế so với DDTree (9.45× vs 8.61× speedup trên MATH-500).

IV. Conclusion & Future Works:​

JetSpec chứng minh rằng conditioning nhân quả cấp khối trên hidden states là chìa khóa để mở khóa scaling cho speculative decoding với parallel drafting vừa rẻ vừa hiệu quả. Hướng tương lai: tự động điều chỉnh tree budget theo tải serving, mở rộng cho đầu ra dạng cấu trúc (code JSON/cây suy luận).

V. Brainstorming Space:​

1. Publish Papers:​

  1. Kết hợp causal parallel drafting với kỹ thuật online distillation (reinforcement learning) để tối ưu hóa trực tiếp tỷ lệ chấp nhận thay vì chỉ dùng distillation tĩnh.
  2. Mở rộng JetSpec cho các mô hình vision-language (VLM) bằng cách draft nhiều token văn bản trên cùng một ngữ cảnh hình ảnh, áp dụng cấu trúc tree-causal attention cho các nhánh văn bản.
  3. Nghiên cứu dynamic tree budget dựa trên độ bất định của draft head: khi draft head tự tin thì mở rộng cây sâu hơn, khi không chắc chắn thì dùng cây nông để tiết kiệm chi phí.

2. Patent:​

  1. Hệ thống viết email thông minh trên điện thoại: dùng draft head song song nhân quả để dự đoạn 3–5 câu tiếp theo trong một lần pass, người dùng chọn hoặc sửa câu nào cần; tăng tốc đáng kể so với gõ từng từ.
  2. Tính năng autocomplete cho IDE di động: khi lập trình viên gõ một dòng code, draft head tạo cây các dòng tiếp theo (các nhánh nhân quả khác nhau), hiện thị như gợi ý; người dùng scroll chọn nhánh phù hợp mà không cần chờ từng token.
  3. Hỗ trợ chat real-time trên điện thoại với mô hình ngôn ngữ lớn: hệ thống dùng draft head parallel để dự đoạn phản hồi hoàn chỉnh (2–3 câu) mỗi lần người dùng tạm dừng gõ, giảm độ trễ hiển thị từ 2–3 giây xuống dưới 0.5 giây.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.18394
ArXiv Abstracthttps://arxiv.org/abs/2606.18394
PDF Downloadhttps://arxiv.org/pdf/2606.18394.pdf
Github Repositoryhttps://github.com/hao-ai-lab/JetSpec

8. GUI vs. CLI: Execution Bottlenecks in Screen-Only and Skill-Mediated Computer-Use Agents (28 votes)​

Tác giả: Xiao Zhou, Siyue Zhang, Yilun Zhao, Jinbiao Wei, Tingyu Song, et al.

Xuất bản lúc: 2026-06-22

Tag: Computer-Use Agents, GUI Agents, CLI Agents, Skill-Mediated Agents, Benchmarking, Execution Bottleneck, Agent Evaluation

I. Main Problem:​

Các đánh giá hiện tại về tác tử điều khiển máy tính qua giao diện đồ họa (GUI) hoặc giao diện dòng lệnh (CLI) không thể tách biệt ảnh hưởng của phương thức tương tác vì chúng thay đổi đồng thời nhiều yếu tố như tác vụ, trạng thái ban đầu, bộ xác thực và không gian hành động. Sự thiếu kiểm soát này khiến không thể xác định sự khác biệt hiệu suất đến từ mô hình, thiết lập tác vụ hay chính phương thức tương tác.

II. Main Idea:​

Bài báo giới thiệu một benchmark đồng nhất gồm 440 tác vụ desktop trên 18 ứng dụng và 12 loại quy trình làm việc, nơi tác tử GUI (chỉ thao tác màn hình) và tác tử CLI (qua lớp kỹ năng) nhận cùng mục tiêu, trạng thái ban đầu và bộ xác thực trạng thái cuối. Trong thiết lập có kiểm soát này, tác tử GUI mạnh nhất (GPT-5.4) đạt 59,1% tỷ lệ thành công, vượt tác tử CLI gốc (Codex GPT-5.5) ở 48,2%. Tuy nhiên, khi vá kỹ năng theo hướng dẫn từ bộ xác thực, CLI tăng lên 69,3%, cho thấy điểm nghẽn của CLI chủ yếu đến từ độ bao phủ kỹ năng chứ không phải năng lực mô hình.

III. Main Results:​

  • Tác tử GUI mạnh nhất (GPT-5.4) đạt full pass rate 59,1%, tác tử CLI gốc mạnh nhất (Codex GPT-5.5) đạt 48,2%.
  • GUI vượt trội ở các quy trình tương tác hình ảnh như Audio, Presentations; CLI mạnh ở quy trình thao tác cấu trúc như Visual Design, CAD.
  • Kỹ năng gốc chỉ thỏa mãn 37,6% checkpoint xác thực; vá kỹ năng nâng CLI lên 69,3% (+43,8%).
  • Lỗi GUI chủ yếu do định vị trực quan và thực thi luồng công việc dài (61,3%); lỗi CLI do thiếu kỹ năng (93,8%).
  • Hướng dẫn quy trình chi tiết giúp GUI giảm thời gian chạy 20,7% nhưng chỉ tăng pass rate 0,8%.

IV. Conclusion & Future Works:​

So sánh GUI và CLI thực chất là câu hỏi thiết kế: nơi logic thực thi được nhúng vào giao diện người dùng hay vào lớp kỹ năng. GUI ổn định hơn nhờ cấu trúc quy trình sẵn có, còn CLI phụ thuộc vào độ bao phủ kỹ năng. Hướng tới cần xây dựng tác tử kết hợp cả hai phương thức và tự động tạo kỹ năng mà không dựa vào thông tin xác thực.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Xây dựng framework tự động phát hiện và vá lỗ hổng kỹ năng cho tác tử CLI dựa trên phân tích checkpoint xác thực, không cần can thiệp thủ công.
  2. Nghiên cứu phương pháp kết hợp GUI và CLI trong cùng một tác tử, cho phép chuyển đổi linh hoạt giữa hai phương thức dựa trên đặc tính tác vụ để tối ưu hiệu suất và độ tin cậy.
  3. Đề xuất cơ chế học tăng cường cho tác tử GUI giúp tự động khám phá quy trình thao tác ẩn và giảm lỗi định vị trực quan qua các chuỗi tương tác dài.

2. Patent:​

  1. Hệ thống kiểm tra và vá lỗi kỹ năng tự động cho phần mềm văn phòng trên điện thoại: khi phát hiện thiếu chức năng qua phân tích yêu cầu người dùng, hệ thống tự động sinh và cập nhật lệnh/script tương ứng.
  2. Ứng dụng trợ lý ảo trên điện thoại kết hợp chụp màn hình và thực thi lệnh: người dùng chụp ảnh giao diện app, trợ lý tự động xác định quy trình thao tác cần thiết và thực hiện từng bước qua mô phỏng nhấn/chạm.
  3. Phần mềm tự động hóa trên điện thoại cho phép người dùng ghi lại một chuỗi thao tác GUI, sau đó chuyển đổi thành tập lệnh CLI để tái sử dụng và chia sẻ giữa các thiết bị.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.24551
ArXiv Abstracthttps://arxiv.org/abs/2606.24551
PDF Downloadhttps://arxiv.org/pdf/2606.24551.pdf
Github Repositoryhttps://github.com/rebeccaz4/gui-vs-cli

9. Fast LeWorldModel (26 votes)​

Tác giả: Yuntian Gao, Xiangyu Xu

Xuất bản lúc: 2026-06-24

Tag: World Models, Latent Dynamics, Planning, Joint-Embedding Predictive Architecture, Reinforcement Learning, Model Predictive Control

I. Main Problem:​

LeWorldModel (LeWM) dựa vào mô hình chuyển tiếp một bước cục bộ, buộc phải thực hiện rollout tự hồi quy để đánh giá các chuỗi hành động dài. Quá trình này vừa chậm do phải lặp lại nhiều lần dự đoán từng bước, vừa tích lũy lỗi dự đoán tiềm ẩn theo chiều dài rollout, làm giảm độ tin cậy của kế hoạch.

II. Main Idea:​

Fast-LeWorldModel (Fast-LeWM) thay thế rollout tự hồi quy bằng cơ chế dự đoán tiền tố hành động (action-prefix prediction). Một bộ mã hóa tiền tố hành động dùng Transformer nhân quả để chuyển chuỗi hành động thành các token tiền tố, mỗi token tóm tắt tác động tích lũy của một phần hành động từ đầu đến một bước nhất định. Bộ dự đoán song song sử dụng các token này cùng với latent hiện tại để dự đoán trực tiếp mọi latent tương lai trong một lượt. Huấn luyện với hàm mất mát dày đặc trên mọi tiền tố giúp mô hình học cách trạng thái tiến hóa dưới nhiều độ dài chuỗi hành động khác nhau, giảm tích lũy lỗi và tăng tốc độ lập kế hoạch.

III. Main Results:​

  • Fast-LeWM nâng tỷ lệ thành công trung bình từ 85.8% (LeWM) lên 90.5%, và lên 92.0% với thêm điều chỉnh tự nhất quán (self-consistency).
  • Thời gian dynamic module giảm 3.92 lần (từ 31.4s xuống 8.0s), tổng thời gian CEM giảm 48.0% (từ 54.4s xuống 28.3s).
  • Lỗi dự đoán open-loop và tốc độ tăng lỗi giảm rõ rệt trên cả bốn tác vụ so với LeWM.
  • Fast-LeWM cho kết quả probing trạng thái vật lý (vị trí agent, khối, góc khối) tốt hơn hoặc tương đương LeWM, đặc biệt với MLP probe.
  • Ablation: bỏ dense supervision làm giảm hiệu suất; thêm state token giúp cải thiện đáng kể.

IV. Conclusion & Future Works:​

Fast-LeWM cải thiện cả tốc độ và độ chính xác của lập kế hoạch dựa trên latent bằng cách thay rollout cục bộ bằng dự đoán tiền tố hành động song song. Hướng tương lai có thể mở rộng cơ chế này cho các môi trường phức tạp hơn như bàn tay khéo léo (dexterous manipulation), hoặc kết hợp với các chiến lược tối ưu hóa quỹ đạo khác ngoài CEM.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng cơ chế dự đoán tiền tố hành động cho các tác vụ manipulation phức tạp như bàn tay khéo léo, nơi không gian hành động lớn đòi hỏi lập kế hoạch chính xác hơn.
  2. Nghiên cứu kết hợp Fast-LeWM với các thuật toán tối ưu hóa quỹ đạo khác như MPPI để tận dụng khả năng dự đoán song song cho kế hoạch thích nghi.
  3. Áp dụng Fast-LeWM vào lập kế hoạch đa tác vụ, nơi prefix-action được dùng để dự đoán đồng thời kết quả của nhiều mục tiêu khác nhau, tăng hiệu quả tìm kiếm.

2. Patent:​

  1. Phương pháp lập kế hoạch chuyển động cho robot trong nhà: robot sử dụng camera điện thoại người dùng làm đầu vào hình ảnh, dùng Fast-LeWM để dự đoán nhanh kết quả của các chuỗi hành động, giúp tìm đường tránh vật cản trong thời gian thực.
  2. Hệ thống hỗ trợ lái xe: dùng Fast-LeWM để dự đoán đồng thời nhiều quỹ đạo tiềm năng trong tình huống giao thông phức tạp, cho phép hệ thống chọn đường đi an toàn và trơn tru hơn các phương pháp rollout tuần tự.
  3. Module điều khiển tay máy lắp ráp linh kiện: tận dụng Fast-LeWM để dự đoán nhanh vị trí và trạng thái chi tiết sau mỗi bước di chuyển, tối ưu hóa chuỗi thao tác lắp ráp mà không cần mô phỏng từng bước nhỏ.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.26217
ArXiv Abstracthttps://arxiv.org/abs/2606.26217
PDF Downloadhttps://arxiv.org/pdf/2606.26217.pdf
Github Repositoryhttps://github.com/Yuntian-Gao/Fast-LeWorldModel

10. Running the Gauntlet: Re-evaluating the Capabilities of Agents Beyond Familiar Environments (18 votes)​

Tác giả: Mykola Vysotskyi, Runqi Lin, Grzegorz Biziel, Michal Zakrzewski, Sebastian Montagna, et al.

Xuất bản lúc: 2026-06-25

Tag: Web Agents, Benchmarking, MLLM, Generalization, 3D Reasoning, Temporal Perception, Graphical Understanding, Computer Use

I. Main Problem:​

Các benchmark hiện tại đánh giá agent thường dựa trên ứng dụng phổ biến với tác vụ đơn giản, tập trung vào một số kỹ năng hạn hẹp, dẫn đến hiệu suất bão hòa và không phản ánh đúng thách thức thực tế. Các khả năng quan trọng như nhận thức thời gian, hiểu đồ họa và suy luận 3D hầu như chưa được khai thác.

II. Main Idea:​

GauntletBench giới thiệu một benchmark web mới gồm năm ứng dụng chuyên nghiệp (Video Editor, Workflow Builder, 3D Modeller, Flight Analyser, Circuit Designer), mỗi ứng dụng có 20 tác vụ thị giác khó nhưng khả thi với người. Benchmark sử dụng pipeline mô-đun với môi trường thống nhất, engine đánh giá tự động với các metric linh hoạt như tỷ lệ thành công (SR), tiến độ (PR) và hiệu quả.

III. Main Results:​

  • Agent tốt nhất (Claude-Opus-4.6 Computer Use) chỉ đạt 19.1% tỷ lệ thành công trung bình, trong khi người thường đạt trên 80%.
  • Các agent MLLM nguồn mở hầu như không vượt quá 1.7% trên bất kỳ ứng dụng nào.
  • Flight Analyser và Circuit Designer là các ứng dụng khó nhất, với tỷ lệ thành công chỉ 11.7%.
  • Kích thước mô hình lớn hơn và suy luận mở rộng cải thiện hiệu suất nhưng kèm chi phí token cao hơn.
  • Agent thất bại chủ yếu do lỗi gốc rễ, hiểu sai UI, vi phạm giao thức và lỗi hệ thống.

IV. Conclusion & Future Works:​

GauntletBench cho thấy agent hiện tại còn rất xa năng lực con người trong các tác vụ phức tạp đòi hỏi nhận thức thị giác và suy luận không gian. Hướng tương lai: cải thiện độ tin cậy trong tác vụ dài hạn và tăng cường hiểu biết sâu về đồ họa và 3D.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng GauntletBench sang lĩnh vực y tế hoặc kỹ thuật để đánh giá agent trên các ứng dụng chuyên ngành với tác vụ thị giác phức tạp hơn.
  2. Nghiên cứu chiến lược chia-để-trị (divide-and-conquer) cho agent, kết hợp suy luận từng bước nhỏ để cải thiện độ tin cậy trong tác vụ dài hạn.
  3. Phát triển phương pháp tự động điều chỉnh kế hoạch hành động dựa trên phản hồi hình ảnh thời gian thực để giảm lỗi gốc rễ.

2. Patent:​

  1. Ứng dụng trên điện thoại giúp người dùng tạo video chuyên nghiệp bằng cách tự động phát hiện và sửa lỗi đồng bộ thời gian giữa các clip và âm thanh.
  2. Hệ thống thiết kế mạch điện tử trên di động cho phép người dùng vẽ sơ đồ mạch và nhận gợi ý sửa lỗi kết nối thông qua phân tích hình ảnh canvas thời gian thực.
  3. Công cụ phân tích chuyến bay trên smartphone: người dùng chụp ảnh màn hình radar, ứng dụng tự động nhận diện và truy vết lịch sử đường bay của máy bay gần sân bay.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.14397
ArXiv Abstracthttps://arxiv.org/abs/2606.14397
PDF Downloadhttps://arxiv.org/pdf/2606.14397.pdf
Github Repositoryhttps://github.com/gauntlet-benchmark/evaluation-harness

11. Why Multi-Step Tool-Use Reinforcement Learning Collapses and How Supervisory Signals Fix It (17 votes)​

Tác giả: Yupu Hao, Zhuoran Jin, Huanxuan Liao, Kang Liu, Jun Zhao

Xuất bản lúc: 2026-06-24

Tag: Reinforcement Learning, Tool-Use, LLM, Training Collapse, Supervision, Agentic RL

I. Main Problem:​

Khi huấn luyện mô hình ngôn ngữ lớn (LLM) sử dụng công cụ (tool-use) bằng RL, các mô hình thường bị sụp đổ thảm họa (catastrophic collapse): hiệu suất giảm đột ngột, cấu trúc gọi công cụ hỏng hoàn toàn. Các phương pháp RL hiện tại bị mất ổn định và không đạt được hiệu quả cao trong các tác vụ đa bước này.

II. Main Idea:​

Bài báo khám phá nguyên nhân gây mất ổn định: RL khuếch đại quá mức xác suất của các token điều khiển đặc biệt, phá vỡ cấu trúc gọi công cụ, nhưng không làm mất khả năng suy luận của mô hình. Để khắc phục, các tác giả đề xuất kết hợp RL với các tín hiệu giám sát (supervisory signals) như Fine-tuning có giám sát (SFT), giám sát quỹ đạo lỗi, và Phản ánh quá trình (Process Reflection), và so sánh hai phương pháp: đồng bộ (synchronous) và xen kẽ (interleaved). Kết quả cho thấy huấn luyện xen kẽ ổn định hơn, và Phản ánh quá trình giúp cải thiện hiệu suất và khả năng khái quát hóa.

III. Main Results:​

  • Đối với Qwen2.5-1.5B, RL thuần gây sụp đổ (0% hiệu suất), trong khi kết hợp ETS và RPS đạt điểm trung bình lần lượt là 20.0 và 25.75.
  • Phản ánh quá trình (PRS) cải thiện khả năng khái quát hóa trên tập OOD (Out-of-Distribution) hơn so với SFT đơn thuần.
  • Huấn luyện đồng bộ (OPS, HBG) có độ phân kỳ KL cao hơn và kém ổn định hơn so với huấn luyện xen kẽ.
  • Tốc độ học lớn hơn (1e-5) cải thiện hiệu suất cho ETS, nhưng cần cân bằng với độ ổn định.
  • SFT gây overfitting về định dạng, dẫn đến hiệu suất thấp trên tập OOD về định dạng.

IV. Conclusion & Future Works:​

Nghiên cứu xác nhận rằng sự sụp đổ trong RL agentic chủ yếu là vấn đề cấu trúc, không phải do mất năng lực. Tín hiệu giám sát được thiết kế tốt, đặc biệt là Phản ánh quá trình, giúp ổn định huấn luyện và cải thiện khả năng khái quát. Hạn chế: dữ liệu huấn luyện còn nhỏ, cần mở rộng quy mô và môi trường.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu cách kết hợp Phản ánh quá trình (Process Reflection) với học củng cố để nâng cao khả năng khái quát hóa cho các tác vụ đa bước phức tạp hơn như lập kế hoạch dài hạn.
  2. Mở rộng phương pháp giám sát lỗi và phản ánh cho các mô hình ngôn ngữ lớn hơn (ví dụ 7B, 13B) và đánh giá tính hiệu quả trên nhiều bộ công cụ khác nhau.
  3. Nghiên cứu cơ chế giảm thiểu overfitting về định dạng trong SFT bằng cách tích hợp các tín hiệu quá trình trong quá trình huấn luyện RL.

2. Patent:​

  1. Hệ thống trợ lý ảo trên điện thoại có khả năng tự sửa lỗi gọi API: khi thực hiện sai cấu trúc gọi công cụ, hệ thống ghi lại lỗi, kết hợp với dữ liệu hướng dẫn để huấn luyện lại mô hình nhanh chóng, cải thiện độ ổn định khi gọi ứng dụng.
  2. Ứng dụng học tập trên điện thoại dùng học củng cố có giám sát để dạy học sinh giải bài toán nhiều bước: khi học sinh mắc lỗi, hệ thống cung cấp gợi ý (hint) và phản hồi chi tiết dựa trên phân tích quỹ đạo, giúp học sinh cải thiện.
  3. Trợ lý nhà thông minh tối ưu việc gọi thiết bị IoT: sử dụng kỹ thuật xen kẽ học củng cố và giám sát để tự động điều chỉnh cấu trúc lệnh điều khiển khi có thiết bị mới, tránh sụp đổ và tăng độ tin cậy.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.26027
ArXiv Abstracthttps://arxiv.org/abs/2606.26027
PDF Downloadhttps://arxiv.org/pdf/2606.26027.pdf
Github Repositoryhttps://github.com/hypasd-art/Tool-RL-Box

12. Discretizing Reward Models (14 votes)​

Tác giả: Vijay Viswanathan, Shiqi Wang, Devamanyu Hazarika, Chirag Nagpal, Tongshuang Wu, et al.

Xuất bản lúc: 2026-06-19

Tag: Reinforcement Learning, Reward Models, Reward Hacking, Oversensitivity, Monte Carlo Dropout, GRPO, RLHF

I. Main Problem:​

Các reward model (RM) thường được đánh giá là gần như đã giải quyết xong nhờ độ chính xác cao trên các benchmark. Tuy nhiên, bài báo chỉ ra rằng chúng có tính 'oversensitivity': gán điểm số khác nhau cho các câu trả lời có chất lượng tương đương. Oversensitivity này tạo ra tín hiệu nhiễu mà mô hình có thể khai thác, dẫn đến policy kém (reward hacking).

II. Main Idea:​

Bài báo đề xuất đánh giá RM bằng hai thước đo mới: 'discriminative ability' (khả năng phân biệt câu trả lời tốt/xấu) và 'specificity' (độ bổ sung của oversensitivity, tức khả năng gán điểm bằng nhau cho câu trả lời tương đương). Giải pháp là thuật toán 'reward clustering' không cần huấn luyện thêm: nó dùng Monte Carlo dropout để ước lượng phương sai dự đoán rồi phân cụm các phần thưởng bằng hierarchical clustering. Các cluster được gán điểm nguyên (1,2,3...), tạo ra phần thưởng rời rạc, giảm oversensitivity trong khi vẫn duy trì khả năng phân biệt.

III. Main Results:​

  • Công thức lý thuyết chứng minh rằng mô hình reward có discriminative ability hoàn hảo vẫn có thể oversensitive nghiêm trọng, và tồn tại phép rời rạc hóa giữ được cả hai tiêu chí.
  • Trên tập 'Ties' của RewardBench 2, reward clustering cải thiện trung bình cộng của discriminative ability và specificity cho cả bốn RM phổ biến (Skywork V1/V2, GRM, ArmoRM).
  • Trong mô phỏng, discretization ngăn chặn việc policy tối ưu hóa quá mức một phần thưởng phụ (kiểu ngôn ngữ do dự) mà không làm giảm hiệu năng nhiệm vụ chính.
  • Trong thực nghiệm RL đa nhiệm trên Llama-3.1-8B-Instruct với các tập IFEval, GSM8K và MATH, discretization không bao giờ tệ hơn và thường tốt hơn đáng kể so với dùng reward thô (ví dụ: IFEval với ArmoRM tăng từ 60.0 lên 80.0 với KL penalty cao).
  • Chi phí tăng thêm khoảng 15% thời gian chạy GRPO.

IV. Conclusion & Future Works:​

Báo cáo cho thấy oversensitivity là vấn đề thực tế trong reward model hiện nay, và giải pháp discretization đơn giản (reward clustering) có thể thay thế trực tiếp reward thô trong RL mà không cần huấn luyện lại mô hình. Hướng tương lai có thể mở rộng thuật toán clustering cho các loại reward model khác hoặc kết hợp với các phương pháp chống reward hacking khác.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu mở rộng 'reward clustering' cho các bài toán có utility đa cấp (không chỉ nhị phân), tối ưu hóa số cluster và ngưỡng một cách tự động dựa trên dữ liệu validation.
  2. So sánh reward clustering với các phương pháp huấn luyện reward model chống oversensitivity (ví dụ: 'ordinal reward model' của Afsharrad et al.) trên nhiều tác vụ và benchmark lớn hơn.
  3. Phân tích oversensitivity trong các reward model dùng cho bài toán đa phương thức (vd: hình ảnh+văn bản) và đề xuất phiên bản clustering thích ứng cho từng modality.

2. Patent:​

  1. Hệ thống đánh giá chất lượng câu trả lời trên thiết bị di động (chatbot, assistant) sử dụng reward clustering tại chỗ: thay vì trả về một điểm số liên tục, hệ thống phân cụm nó và chỉ gửi điểm 'cấp độ' (tốt/khá/trung bình/kém), giảm oversensitivity và cải thiện trải nghiệm người dùng.
  2. Ứng dụng trên điện thoại thông minh để cá nhân hóa đề xuất nội dung: mô hình reward cục bộ trên thiết bị đánh giá video/bài viết bằng điểm rời rạc, giúp tránh việc gán điểm khác nhau cho các nội dung tương tự nhau, từ đó đưa ra gợi ý ổn định hơn.
  3. Phương pháp tối ưu hóa tham số mô hình ngôn ngữ nhỏ (on-device LLM) sử dụng phần thưởng rời rạc từ reward clustering, giúp quá trình RL tại thiết bị di động hội tụ nhanh hơn và ít bị 'reward hacking' hơn so với dùng điểm liên tục.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.21795
ArXiv Abstracthttps://arxiv.org/abs/2606.21795
PDF Downloadhttps://arxiv.org/pdf/2606.21795.pdf
Github RepositoryN/A

13. LISA: Likelihood Score Alignment for Visual-condition Controllable Generation (13 votes)​

Tác giả: Yanghao Wang, Hongxu Chen, Jiazhen Liu, Zhenqi He, Rui Liu, et al.

Xuất bản lúc: 2026-06-25

Tag: Diffusion Models, Flow Matching, ControlNet, Visual-condition controllable generation, Score-based generative modeling, Regularization, Dual-branch paradigm

I. Main Problem:​

Trong kiến trúc dual-branch cho sinh ảnh có điều kiện (ví dụ ControlNet), nhánh chính (main network) cung cấp unconditional score, còn nhánh phụ (side network) ngầm học likelihood score để điều khiển. Tuy nhiên, nhánh phụ chỉ được tối ưu gián tiếp qua loss cuối, không có regularization trực tiếp lên vai trò likelihood score của nó, dẫn đến hội tụ chậm và chất lượng tổng hợp hạn chế.

II. Main Idea:​

Bài báo đề xuất LISA (LIkelihood Score Alignment): trong quá trình huấn luyện, tác giả hook đặc trưng từ một lớp của side network, qua decoder nhẹ để chiếu vào không gian likelihood score. Sau đó, họ xây dựng target likelihood score xấp xỉ bằng cách lấy hiệu giữa conditional score (từ ∇logp(x_t|x_0)) và unconditional score (từ frozen main network). Khoảng cách giữa decoder output và target này được thêm vào diffusion loss như một regularization. Chính kỹ thuật này buộc side network học vai trò của mình một cách tường minh, giúp hội tụ nhanh hơn và tăng chất lượng tổng hợp, đồng thời không tốn chi phí suy luận thêm.

III. Main Results:​

  • LISA cải thiện đáng kể khả năng bám điều kiện: với ControlNet + LISA chỉ 10K iterations, PCK (pose) tăng từ 19.38% lên 83.02%.
  • Tăng tốc hội tụ: 4K iterations của LISA cho kết quả tốt hơn 10K iterations của ControlNet ở tác vụ depth.
  • Cải thiện nhất quán trên 4 tác vụ ảnh (pose, segmentation, low-resolution, depth) và cả video có điều kiện.
  • Tổng quát hóa tốt: hiệu quả trên cả U-Net (Stable Diffusion 2.1) và DiT (Stable Diffusion 3), cả diffusion và flow matching.
  • Chi phí huấn luyện thêm rất nhỏ (~0.1% tham số, 0.2s/iteration) và zero extra inference cost.

IV. Conclusion & Future Works:​

LISA xác nhận rằng alignment với likelihood score là cách hiệu quả để tăng tốc hội tụ và chất lượng sinh có điều kiện. Phân rã vai trò score cũng giúp side network học biểu diễn tách biệt hơn, hỗ trợ sinh kết hợp nhiều điều kiện. Hướng tương lai: mở rộng LISA sang các ứng dụng thực tế và kịch bản sinh có điều kiện tổng quát hơn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Phân rã vai trò score cho conditional generation đa phương thức: áp dụng tư tưởng likelihood alignment cho điều kiện văn bản + âm thanh + ảnh cùng lúc, xem xét tính trực giao giữa các likelihood score tương ứng.
  2. Mở rộng alignment ra các tầng khác nhau của side network để khai thác thông tin đa tỷ lệ, so sánh hiệu quả giữa alignment ở tầng nông, sâu và kết hợp nhiều tầng.
  3. Kết hợp LISA với các phương pháp alignment representation khác (như REPA) để tận dụng cả prior từ likelihood score và từ semantic encoder bên ngoài, nghiên cứu tương tác giữa hai loại regularization.

2. Patent:​

  1. Hệ thống chỉnh sửa ảnh trên điện thoại: người dùng vẽ nhanh bản đồ độ sâu hoặc các điểm khung xương (skeleton) trên ảnh gốc; mô hình LISA trên cloud tái tạo ảnh mới bám sát cấu trúc người dùng vẽ, cho kết quả siêu thực chỉ sau vài giây.
  2. App tạo nội dung quảng cáo: marketer upload ảnh sản phẩm và chỉ định mask nền; mô hình LISA dùng mask làm điều kiện segmentation để sinh nền mới theo prompt, đảm bảo sản phẩm không bị méo hay mất chi tiết.
  3. Tính năng video call làm đẹp real-time: điện thoại phân tích pose và depth của người dùng từ camera, dùng LISA để tái tạo khung hình với hiệu ứng làm đẹp mà vẫn giữ nguyên cử chỉ và chuyển động, giảm lag nhờ tối ưu decoder nhẹ.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.27192
ArXiv Abstracthttps://arxiv.org/abs/2606.27192
PDF Downloadhttps://arxiv.org/pdf/2606.27192.pdf
Github Repositoryhttps://github.com/HKUST-LongGroup/LISA

14. Information-Aware KV Cache Compression for Long Reasoning (10 votes)​

Tác giả: Jushi Kai, Zhuiri Xiao, Alexandra Birch, Zhouhan Lin

Xuất bản lúc: 2026-06-25

Tag: KV Cache Compression, Information Theory, Entropy, Large Language Models, Long-Context Reasoning, Inference Efficiency

I. Main Problem:​

Các phương pháp nén bộ nhớ đệm Key-Value (KV cache) hiện tại chủ yếu dựa vào trọng số attention để ước lượng tầm quan trọng của token. Attention chỉ nắm bắt được các phụ thuộc cục bộ, ngắn hạn, bỏ qua các tín hiệu lý thuyết thông tin về độ bất định dự đoán và mức độ thông tin của token, dẫn đến giảm hiệu quả trong các tác vụ suy luận đường dài.

II. Main Idea:​

InfoKV đề xuất một khung nén KV cache nhận thức entropy, kết hợp độ bất định dự đoán (entropy) với sự tiến hóa biểu diễn giữa các tầng. Thay vì chỉ dùng attention, InfoKV tính điểm kết hợp giữa attention và entropy (với top-k restricted entropy để ổn định), từ đó chọn ra các token có ảnh hưởng mạnh đến cả ngữ cảnh gần và xa trong tương lai. Phương pháp này được đánh giá trên cả hai giai đoạn prefilling dài và decoding dài.

III. Main Results:​

  • InfoKV vượt trội các phương pháp dựa trên attention (SnapKV, PyramidKV, Expected Attention) trên benchmark LongReason với nhiều tỷ lệ giữ lại và độ dài ngữ cảnh khác nhau.
  • Trên các tác vụ decoding dài (IFEval, AIME 2024, LiveCodeBench) với DeepSeek-R1, InfoKV cải thiện đáng kể so với phương pháp RPC.
  • Ở tỷ lệ giữ lại 25% và 12.5%, InfoKV trên IFEval thậm chí vượt qua hiệu suất của full cache trên R1-Distill-Llama-8B.
  • Entropy bổ sung thông tin cho attention, với hệ số cân bằng α=0.9 cho kết quả tốt nhất.

IV. Conclusion & Future Works:​

InfoKV chứng minh rằng kết hợp tín hiệu entropy với attention giúp nén KV cache hiệu quả hơn cho suy luận đường dài. Hướng tương lai có thể mở rộng chiến lược thích ứng theo từng tầng và tối ưu hóa thêm cho các mô hình suy luận chuyên sâu.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Áp dụng InfoKV cho các mô hình ngôn ngữ đa phương thức (VLM) để nén cache trong các tác vụ video dài hoặc hình ảnh độ phân giải cao.
  2. Kết hợp entropy với các kỹ thuật nén dựa trên tần số (FreqKV) để tạo ra một khung nén tích hợp mạnh mẽ hơn cho cả prefilling và decoding.
  3. Nghiên cứu ảnh hưởng của entropy đến khả năng khái quát hóa của mô hình trên các tác vụ out-of-distribution (OOD) khi nén cache mạnh.

2. Patent:​

  1. Hệ thống tóm tắt cuộc họp dài trên điện thoại: lưu trạng thái bộ nhớ đệm KV trong quá trình ghi âm; khi người dùng hỏi, mô hình dùng InfoKV để giữ lại các token thông tin nhất, cho phép trả lời câu hỏi về cuộc họp mà không cần xử lý lại toàn bộ.
  2. Ứng dụng dịch thuật thời gian thực trên thiết bị di động: khi người dùng nói liên tục, InfoKV giúp nén cache các đoạn hội thoại trước đó, chỉ giữ lại các từ có độ bất định cao (từ mới, tên riêng) để cải thiện chất lượng dịch và giảm độ trễ.
  3. Tính năng 'nhắc lại thông tin quan trọng' trong trợ lý ảo: khi người dùng tương tác dài, InfoKV tự động đánh dấu và giữ lại các câu có entropy cao (thông tin mới, lạ) để trợ lý có thể nhắc lại chính xác khi cần mà không lưu toàn bộ lịch sử.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.26875
ArXiv Abstracthttps://arxiv.org/abs/2606.26875
PDF Downloadhttps://arxiv.org/pdf/2606.26875.pdf
Github RepositoryN/A

15. Confidence-Aware Tool Orchestration for Robust Video Understanding (10 votes)​

Tác giả: Yangfan He, Yujin Choi, Jaehong Yoon

Xuất bản lúc: 2026-06-25

Tag: Video Understanding, LLMs, Robustness, Tool Orchestration, Reinforcement Learning, Confidence Estimation

I. Main Problem:​

Các mô hình video reasoning hiện tại ngầm giả định mọi khung hình đều đáng tin cậy như nhau, gây ra vấn đề 'Blind Trust': khi gặp nhiễu thực tế như mờ chuyển động, chói sáng hay che khuất, độ chính xác giảm 15-30% mà mô hình không hề nhận thức được độ tin cậy của bằng chứng thị giác đã bị suy giảm.

II. Main Idea:​

Robust-TO là framework agentic gồm ba giai đoạn: (1) Chọn khung hình đáng tin cậy nhất dựa trên điểm chất lượng (mờ, sáng, che khuất) và độ liên quan tới câu hỏi. (2) Phân rã câu hỏi thành các truy vấn con, định tuyến từng truy vấn tới công cụ thị giác phù hợp nhất dựa trên hồ sơ nhiễu, mỗi công cụ trả về cặp (kết quả, độ tin cậy). (3) Tổng hợp bằng chứng theo ba mức tin cậy (cao/trung bình/thấp) để đưa ra câu trả lời cuối cùng, với VLM chủ được huấn luyện bằng GRPO sử dụng reward kết hợp độ chính xác, chi phí tự tin và hiệu quả phân rã.

III. Main Results:​

  • Trên dữ liệu sạch, Robust-TO (Qwen3-VL-7B) đạt 56.4% accuracy trung bình, vượt Gemini-2.5-Pro (46.2%) và baseline open-source mạnh nhất 10.6%.
  • Trên dữ liệu nhiễu, Robust-TO đạt 54.3% accuracy, vượt Video-R1 (48.5%) và Gemini-2.5-Pro (38.1%), có mức giảm accuracy từ sạch sang nhiễu thấp nhất.
  • Bộ chọn khung hình thích ứng giảm 35% số khung xử lý và thời gian suy luận, đồng thời tăng accuracy thêm 1.6%.
  • Ablation: loại bỏ reward chi phí-tự tin làm giảm 2.3%; thay worst-K bằng mean trung bình giảm 3.3%.

IV. Conclusion & Future Works:​

Robust-TO giải quyết triệt để vấn đề Blind Trust bằng cách gắn độ tin cậy với chất lượng khung hình ở mọi giai đoạn suy luận. Hướng phát triển: mở rộng tập công cụ, tối ưu chiến lược định tuyến tự động, và áp dụng cho các tác vụ an toàn cao như giám sát giao thông.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng Robust-TO cho các tác vụ đa phương thức khác như âm thanh và văn bản, nơi tín hiệu đầu vào cũng có thể bị nhiễu.
  2. Nghiên cứu cơ chế học chủ động để robot tự chọn góc quay camera nhằm giảm thiểu nhiễu trước khi quay video.
  3. Kết hợp Robust-TO với mô hình ngôn ngữ lớn để giải thích nguyên nhân suy giảm độ tin cậy, giúp debug hệ thống.

2. Patent:​

  1. Hệ thống camera giám sát thông minh trên điện thoại: khi phát hiện nhiễu, tự động chọn khung hình sạch nhất và gửi cảnh báo kèm điểm tin cậy tới người dùng.
  2. Ứng dụng phân tích tai nạn giao thông từ video dashcam bị nhiễu: tự động đánh giá chất lượng từng khung và chỉ dùng khung đáng tin cậy để xác định biển số và hành vi vi phạm.
  3. Module trợ lý ảo trên điện thoại cho người khiếm thị: khi nhận câu hỏi về môi trường xung quanh, ưu tiên phân tích khung hình rõ nét nhất, bỏ qua khung mờ hoặc chói để đưa ra mô tả chính xác kèm mức độ tin cậy.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.26904
ArXiv Abstracthttps://arxiv.org/abs/2606.26904
PDF Downloadhttps://arxiv.org/pdf/2606.26904.pdf
Github Repositoryhttps://github.com/ROVA-V2/Robust-TO

16. Neglected Free Lunch from Post-training: Progress Advantage for LLM Agents (10 votes)​

Tác giả: Changdae Oh, Wendi Li, Seongheon Park, Samuel Yeh, Tanwi Mallick, et al.

Xuất bản lúc: 2026-06-24

Tag: LLM Agents, Reinforcement Learning, Process Reward Model, Post-training, Test-time Scaling, Uncertainty Quantification, Failure Attribution

I. Main Problem:​

Xây dựng Process Reward Model (PRM) cho LLM agent trong môi trường đa bước, tương tác ngẫu nhiên là rất khó: thu thập nhãn từng bước tốn kém, ước lượng Monte Carlo không khả thi do hành động không thể đảo ngược, và mô hình huấn luyện riêng thường không tổng quát hóa được sang tác vụ mới.

II. Main Idea:​

Bài báo chứng minh rằng quá trình RL post-training đã ngầm chứa một tín hiệu đánh giá từng bước hiệu quả, gọi là "progress advantage"—tỷ lệ log-xác suất giữa chính sách đã huấn luyện và chính sách tham chiếu. Tín hiệu này khôi phục chính xác hàm advantage tối ưu trong MDP ngẫu nhiên (Proposition 1), không cần huấn luyện thêm, không phụ thuộc miền, và hoạt động với hầu hết các thuật toán RL (kể cả clipping-based). Progress advantage được dùng để chấm điểm trajectory ở mức token, step, và trajectory cho các ứng dụng inference-time.

III. Main Results:​

  • Trong test-time scaling (best-of-8), progress advantage vượt các baseline (confidence, reward model huấn luyện riêng) với biên độ trung bình 15.5% (Gemma4) và 11.3% (Qwen3.5).
  • Trong uncertainty quantification, AUROC trên τ2-bench Airline đạt tới 0.865 (Gemma4), vượt mọi baseline kể cả LLM-as-a-Judge.
  • Trong failure attribution trên Who & When benchmark, progress advantage đạt độ chính xác step-level sát với phương pháp được huấn luyện riêng (AgenTracer).
  • Khi dùng làm external scorer cho trajectory của policy khác, AUROC đạt 0.754, cho thấy khả năng tổng quát hóa.
  • Phân tích chi tiết cho thấy việc kết hợp hai policy (trained + reference) tạo tín hiệu sắc nét hơn so với dùng một policy đơn lẻ.

IV. Conclusion & Future Works:​

Progress advantage là phương pháp không cần nhãn, không cần huấn luyện, vẫn cung cấp tín hiệu process-level hiệu quả cho LLM agent trong môi trường ngẫu nhiên. Kết quả mở ra hướng nghiên cứu mới về giám sát và hướng dẫn agent mà không tốn chi phí xây dựng PRM chuyên biệt. Tương lai có thể mở rộng sang tối ưu chiến lược tổng hợp advantage và kết hợp với policy merging để tăng chất lượng tham chiếu.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng progress advantage cho multi-agent: mỗi agent tự tính advantage từ policy của mình để phối hợp hành động mà không cần reward model trung tâm.
  2. Kết hợp progress advantage với active learning để agent tự chọn những bước cần thăm dò kỹ hơn (test-time compute scaling thông minh).
  3. Xây dựng framework tổng hợp các phương pháp implicit reward từ nhiều checkpoint policy khác nhau để tạo tín hiệu đánh giá đa chiều cho agent trong tác vụ dài hạn.

2. Patent:​

  1. Hệ thống giám sát agent trên điện thoại dùng progress advantage: sau mỗi bước tương tác (gọi API, gửi tin nhắn), điện thoại tính advantage cục bộ và cảnh báo người dùng nếu advantage thấp bất thường.
  2. Module tự động gỡ lỗi tác vụ đa bước trên thiết bị di động: dùng advantage từng bước để xác định chính xác bước nào gây lỗi, sau đó đề xuất hành động thay thế hoặc quay lại trạng thái trước.
  3. Công cụ đánh giá chất lượng agent không cần dữ liệu gốc: khi thay đổi mô hình agent trên cloud, progress advantage từ checkpoint RL so với base cho phép dự đoán độ tin cậy của agent trong các tác vụ mới mà không cần chạy thử nghiệm đầy đủ.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.26080
ArXiv Abstracthttps://arxiv.org/abs/2606.26080
PDF Downloadhttps://arxiv.org/pdf/2606.26080.pdf
Github Repositoryhttps://github.com/deeplearning-wisc/progress-advantage