Chuyển tới nội dung chính

🤗 Daily Hugging Face Paper Digest - 2026-07-06

Báo cáo được tạo tự động vào lúc 2026-07-07 11:51:24 bằng mô hình meta/llama-3.3-70b-instruct.

📰 Summary of Papers​

1. The Mirage of Optimizing Training Policies: Monotonic Inference Policies as the Real Objective for LLM Reinforcement Learning (144 votes)​

Tác giả: Jing Liang, Hongyao Tang, Yi Ma, Yancheng He, Weixun Wang, et al.

Xuất bản lúc: 2026-06-28

Tag: Reinforcement Learning”,

I. Main Problem:​

Các mô hình ngôn ngữ lớn (LLM) thường gặp vấn đề về sự không ổn định trong quá trình đào tạo và suy luận do sự khác biệt giữa chính sách đào tạo và chính sách suy luận, dẫn đến hiệu suất thấp và cần phải điều chỉnh lại cho mỗi trường hợp cụ thể.

II. Main Idea:​

Giới thiệu nguyên tắc cải tiến chính sách suy luận một cách đơn điệu (Monotonic Inference Policy Improvement - MIPI) để cải thiện hiệu suất và ổn định của quá trình đào tạo LLM thông qua việc cập nhật chính sách đào tạo dựa trên sự khác biệt giữa chính sách đào tạo và chính sách suy luận.

III. Main Results:​

  • Cải thiện hiệu suất trung bình và ổn định của quá trình đào tạo LLM.
  • Giảm thiểu sự khác biệt giữa chính sách đào tạo và chính sách suy luận.
  • Cải thiện khả năng tổng quát của mô hình LLM.

IV. Conclusion & Future Works:​

MIPI có thể giúp cải thiện hiệu suất và ổn định của quá trình đào tạo LLM bằng cách cập nhật chính sách đào tạo dựa trên sự khác biệt giữa chính sách đào tạo và chính sách suy luận. Hướng nghiên cứu tương lai: áp dụng MIPI cho các mô hình LLM khác và nghiên cứu cách tối ưu hóa quá trình đào tạo.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về việc áp dụng MIPI cho các mô hình LLM khác và đánh giá hiệu suất của chúng.
  2. Nghiên cứu về cách tối ưu hóa quá trình đào tạo LLM bằng cách sử dụng MIPI và các phương pháp khác.
  3. Áp dụng MIPI cho các nhiệm vụ cụ thể như dịch thuật và trả lời câu hỏi.

2. Patent:​

  1. Hệ thống đào tạo LLM tự động: cho phép mô hình LLM tự động cập nhật chính sách đào tạo dựa trên sự khác biệt giữa chính sách đào tạo và chính sách suy luận.
  2. Phương pháp đào tạo LLM dựa trên MIPI: áp dụng MIPI để cải thiện hiệu suất và ổn định của quá trình đào tạo LLM.
  3. Ứng dụng MIPI trong các hệ thống trí tuệ nhân tạo: áp dụng MIPI để cải thiện khả năng tổng quát và ổn định của các hệ thống trí tuệ nhân tạo.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.29526
ArXiv Abstracthttps://arxiv.org/abs/2606.29526
PDF Downloadhttps://arxiv.org/pdf/2606.29526.pdf
Github RepositoryN/A

2. Embodied.cpp: A Portable Inference Runtime of Embodied AI Models on Heterogeneous Robots (40 votes)​

Tác giả: Ling Xu, Chuyu Han, Borui Li, Hao Wu, Shiqi Jiang, et al.

Xuất bản lúc: 2026-07-02

Tag: Embodied AI Models, Vision-Language-Action, World-Action Models, Robotics, Inference Runtime

I. Main Problem:​

Các mô hình Embodied AI hiện tại thường khó triển khai trên thiết bị và robot khác nhau do sự phụ thuộc vào phần cứng và phần mềm cụ thể. Điều này đòi hỏi một inference runtime có thể hỗ trợ nhiều mô hình và thiết bị khác nhau.

II. Main Idea:​

Embodied.cpp là một inference runtime được thiết kế để hỗ trợ các mô hình Embodied AI trên nhiều thiết bị và robot khác nhau. Nó cung cấp một kiến trúc 5 lớp, bao gồm input adapters, sequence builders, backbone execution, head plugins và deployment adapters, cho phép hỗ trợ nhiều mô hình và thiết bị khác nhau.

III. Main Results:​

  • Embodied.cpp đạt được tỷ lệ thành công 100.0% và 91.0% trên hai mô hình VLA HY-VLA và pi0.5.
  • Giảm bộ nhớ từ 312.2 MiB xuống 88.1 MiB trên mô hình WAM LingBot-VA.
  • Embodied.cpp hỗ trợ nhiều thiết bị và robot khác nhau, bao gồm Jetson, RK-based và x86 edge boxes.

IV. Conclusion & Future Works:​

Embodied.cpp cung cấp một giải pháp hiệu quả cho việc triển khai các mô hình Embodied AI trên nhiều thiết bị và robot khác nhau. Nó cho phép hỗ trợ nhiều mô hình và thiết bị khác nhau, giảm thiểu sự phức tạp và tăng cường hiệu suất.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Phát triển Embodied.cpp để hỗ trợ nhiều mô hình và thiết bị khác nhau hơn nữa.
  2. Áp dụng Embodied.cpp cho các ứng dụng thực tế, như điều khiển robot và tự động hóa.
  3. Tối ưu hóa kiến trúc của Embodied.cpp để tăng cường hiệu suất và giảm thiểu sự phức tạp.

2. Patent:​

  1. Phát triển một hệ thống robot tự động hóa sử dụng Embodied.cpp để hỗ trợ nhiều mô hình và thiết bị khác nhau.
  2. Tạo ra một thiết bị di động sử dụng Embodied.cpp để điều khiển và tự động hóa.
  3. Áp dụng Embodied.cpp cho các ứng dụng thực tế, như điều khiển robot và tự động hóa trong các môi trường khác nhau.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.02501
ArXiv Abstracthttps://arxiv.org/abs/2607.02501
PDF Downloadhttps://arxiv.org/pdf/2607.02501.pdf
Github Repositoryhttps://github.com/SEU-PAISys/Embodied.cpp

3. OrbitQuant: Data-Agnostic Quantization for Image and Video Diffusion Transformers (28 votes)​

Tác giả: Donghyun Lee, Jitesh Chavan, Duy Nguyen, Sam Huang, Liming Jiang, et al.

Xuất bản lúc: 2026-07-02

Tag: Diffusion Transformers , Quantization , Image Generation , Video Generation

I. Main Problem:​

Các mô hình Diffusion Transformers hiện đại thường yêu cầu hiệu suất tính toán cao nhưng lại tiêu tốn nhiều tài nguyên tính toán, đặc biệt là khi thực hiện tại thời điểm推論. Điều này làm cho việc áp dụng các mô hình này trở nên khó khăn và tốn nhiều tài nguyên hơn.

II. Main Idea:​

OrbitQuant là một phương pháp quantization mới, áp dụng chuyển đổi cơ bản để chuyển đổi cách tiếp cận vấn đề quantization. Thay vì các hoạt động của Diffusion Transformers thường thay đổi qua từng thời điểm và từng hướng dẫn, việc áp dụng các phương pháp quantization truyền thống không thể áp dụng được. OrbitQuant sử dụng một ma trận quay định được tính toán trước để chuyển đổi cách tiếp cận vấn đề quantization, giúp giảm thiểu yêu cầu tính toán và tăng tốc độ thực hiện.

III. Main Results:​

  • OrbitQuant đạt được kết quả tốt trên nhiều mô hình khác nhau, bao gồm cả hình ảnh và video.
  • Phương pháp này cho phép giảm thiểu yêu cầu tính toán và tăng tốc độ thực hiện.
  • OrbitQuant cũng cho phép áp dụng trên nhiều thiết bị khác nhau, bao gồm cả điện thoại di động và máy tính.

IV. Conclusion & Future Works:​

OrbitQuant là một bước tiến bộ quan trọng trong lĩnh vực quantization, giúp giảm thiểu yêu cầu tính toán và tăng tốc độ thực hiện. Điều này mở ra khả năng áp dụng các mô hình Diffusion Transformers trên nhiều thiết bị và ứng dụng khác nhau.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Áp dụng OrbitQuant cho hình ảnh và video
  2. Tối ưu hóa các mô hình Diffusion Transformers cho các ứng dụng thực tế
  3. Phát triển các phương pháp quantization mới cho các mô hình Diffusion Transformers

2. Patent:​

  1. Quantization cho các thiết bị di động
  2. Áp dụng OrbitQuant cho các ứng dụng thực tế như hình ảnh và video
  3. Tối ưu hóa các mô hình Diffusion Transformers cho các ứng dụng thương mại

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.02461
ArXiv Abstracthttps://arxiv.org/abs/2607.02461
PDF Downloadhttps://arxiv.org/pdf/2607.02461.pdf
Github RepositoryN/A

4. VLA-Corrector: Lightweight Detect-and-Correct Inference for Adaptive Action Horizon (23 votes)​

Tác giả: Yi Pan, Miao Pan, Qi Lu, Jiaming Huang, Man Zhang, et al.

Xuất bản lúc: 2026-07-02

Tag: Vision-Language-Action(VLA), Robotics , In-Context Learning , Action Chunking

I. Main Problem:​

VLA policies có thể thất bại khi thực hiện trong môi trường thực vì thiếu khả năng thích ứng với sự thay đổi của môi trường và robot.

II. Main Idea:​

VLA-Corrector giới thiệu một cơ chế phát hiện và sửa lỗi để cải thiện hiệu suất của VLA policies bằng cách theo dõi sự thay đổi của môi trường và điều chỉnh chính sách khi cần thiết.

III. Main Results:​

  • VLA-Corrector cải thiện hiệu suất của VLA policies trên nhiều môi trường.
  • Cải thiện hiệu suất trên các nhiệm vụ khó.
  • Giảm số lượng cuộc gọi chính sách.
  • Tăng hiệu suất trên các nhiệm vụ có độ phức tạp cao.

IV. Conclusion & Future Works:​

VLA-Corrector có thể cải thiện hiệu suất của VLA policies bằng cách theo dõi và điều chỉnh chính sách khi cần thiết, mở ra hướng phát triển cho các ứng dụng trong tương lai.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về việc áp dụng VLA-Corrector trên các môi trường thực tế.
  2. Phát triển VLA-Corrector cho các ứng dụng robot công nghiệp.
  3. Áp dụng VLA-Corrector trên các hệ thống tự động hóa.

2. Patent:​

  1. Hệ thống robot có khả năng tự điều chỉnh chính sách khi thực hiện trong môi trường thực tế.
  2. Thiết bị theo dõi và điều chỉnh chính sách cho robot.
  3. Hệ thống tự động hóa cho các ứng dụng công nghiệp.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.01804
ArXiv Abstracthttps://arxiv.org/abs/2607.01804
PDF Downloadhttps://arxiv.org/pdf/2607.01804.pdf
Github Repositoryhttps://github.com/ZJU-OmniAI/vla-corrector

5. DataComp-VLM: Improved Open Datasets for Vision-Language Models (21 votes)​

Tác giả: Matteo Farina, Vishaal Udandarao, Thao Nguyen, Selim Kuzucu, Maximilian Böther, et al.

Xuất bản lúc: 2026-06-26

Tag: Vision-Language Models (VLMs), Data Curation Strategies (DCS), Autoregressive VLMs (AVLMs), Benchmarking (BM),Dataset Construction (DC), Language Models (LM)`,

I. Main Problem:​

Các mô hình Vision-Language hiện nay gặp phải mắc lỗi do không đầy đủ dữ liệu và phương pháp huấn luyện sai sót.Mục tiêu của bài nghiên cứu này là đưa ra một phương pháp hiệu quả để tạo ra các tập dữ liệu mở cho các mô hình Vision-Language.

II. Main Idea:​

DataComp-VLM (DCVLM) là một phương phápbenchmark mới để nghiên cứu các chiến lược curating dữ liệu cho các mô hình Vision-Language.Tập trung này bao gồm 160 tập dữ liệu thuộc 4 loại hình thức dữ liệu và cho phép các nhà nghiên cứu tạo ra các tập dữ liệu huấn luyện hiệu quả.

III. Main Results:​

  • DCVLM-BASELINE đạt được 63,6% độ chính xác trên tập dữ liệu kiểm tra 33 nhiệm vụ lõi.
  • So sánh với FINEVISION, DCVLM-BASELINE đạt được +5,4pp.
  • Mô hình 4B huấn luyện trên DCVLM-BASELINE đạt được 100B tokens vượt qua mô hình 8B huấn luyện trên FINEVISION.

IV. Conclusion & Future Works:​

DCVLM sẽ là một nền tảng để nghiên cứu và cải thiện các mô hình Vision-Language.Tập trung này cũng cung cấp một tập dữ liệu mở để các nhà nghiên cứu có thể sử dụng và phát triển.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu và áp dụng các mô hình Vision-Language trong các lĩnh vực thực tế như xử lý hình ảnh và ngôn ngữ tự nhiên.
  2. Phát triển và cải thiện các mô hình Vision-Language bằng cách sử dụng các kỹ thuật học sâu và các phương pháp curating dữ liệu hiệu quả.
  3. Đánh giá và so sánh hiệu suất của các mô hình Vision-Language trên các tập dữ liệu khác nhau.

2. Patent:​

  1. Ứng dụng các mô hình Vision-Language trong các ứng dụng thực tế như trợ lý ảo và điều khiển robot.
  2. Phát triển các hệ thống hỗ trợ quyết định dựa trên các mô hình Vision-Language.
  3. Tạo ra các công cụ và phương pháp mới để cải thiện hiệu suất của các mô hình Vision-Language.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2606.28551
ArXiv Abstracthttps://arxiv.org/abs/2606.28551
PDF Downloadhttps://arxiv.org/pdf/2606.28551.pdf
Github Repositoryhttps://github.com/mlfoundations/dcvlm