Chuyển tới nội dung chính

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

Báo cáo được tạo tự động vào lúc 2026-07-08 17:34:12 bằng mô hình meta/llama-3.3-70b-instruct.

📰 Summary of Papers​

1. OmniOpt: Taxonomy, Geometry, and Benchmarking of Modern Optimizers (66 votes)​

Tác giả: Siyuan Li, Jiabao Pan, Yumou Liu, Zhuoli Ouyang, Xin Jin, et al.

Xuất bản lúc: 2026-07-04

Tag: Optimizer Survey và Benchmark

I. Main Problem:​

Việc chọn lựa chọn tối ưu hóa cho huấn luyện mô hình lớn đã trở thành một quyết định thiết kế cấp hệ thống, bị giới hạn bởi tài nguyên tính toán, bộ nhớ, ngân sách điều chỉnh và đa dạng nhiệm vụ, nhưng cảnh quan của hơn một trăm phương pháp vẫn còn phân mảnh. Điều này gây khó khăn cho việc so sánh và đánh giá các phương pháp tối ưu hóa.

II. Main Idea:​

Giải pháp OmniOpt trình bày một khung sưu khảo và benchmark thống nhất cho các phương pháp tối ưu hóa, bao gồm bốn thành phần chính: một đường ống dẫn five-stage, một khuôn khổ toán học thống nhất dựa trên tuyến tính minimization oracles (LMOs), một hệ thống phân loại kép hai chiều, và một nghiên cứu benchmark xuyên miền.

III. Main Results:​

  • Nghiên cứu benchmark cho thấy không có phương pháp tối ưu hóa nào vượt trội trong tất cả các trường hợp.
  • Các phương pháp tối ưu hóa có hiệu suất tốt trong việc giảm thiểu tổn thất, nhưng có thể làm tăng bộ nhớ và chi phí tính toán.
  • Các phương pháp tối ưu hóa có thể được so sánh và đánh giá dựa trên các tiêu chí như hiệu suất hội tụ, chi phí tính toán, bộ nhớ, độ ổn định và khả năng tổng quát.

IV. Conclusion & Future Works:​

Giải pháp OmniOpt cung cấp một khung sưu khảo và benchmark thống nhất cho các phương pháp tối ưu hóa, giúp cho việc so sánh và đánh giá các phương pháp trở nên dễ dàng hơn. Hướng tương lai: tiếp tục nghiên cứu và cải tiến các phương pháp tối ưu hóa để đáp ứng các nhu cầu thực tế.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu và phát triển các phương pháp tối ưu hóa mới cho các mô hình học sâu. Phát triển các ứng dụng thực tế của các phương pháp tối ưu hóa trong các lĩnh vực như xử lý ngôn ngữ tự nhiên, tầm nhìn máy tính và học máy. So sánh và đánh giá các phương pháp tối ưu hóa khác nhau để tìm ra phương pháp tốt nhất cho từng nhiệm vụ cụ thể.

2. Patent:​

  1. Phát triển các sản phẩm phần mềm sử dụng các phương pháp tối ưu hóa để cải tiến hiệu suất và giảm thiểu chi phí. Tạo ra các hệ thống học máy tự động sử dụng các phương pháp tối ưu hóa để tự động hóa các nhiệm vụ. Xây dựng các mô hình dự báo sử dụng các phương pháp tối ưu hóa để dự đoán và ngăn chặn các sự kiện không mong muốn.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.04033
ArXiv Abstracthttps://arxiv.org/abs/2607.04033
PDF Downloadhttps://arxiv.org/pdf/2607.04033.pdf
Github Repositoryhttps://github.com/OpenRaiser/OmniOpt

2. UI-MOPD: Multi-Platform On-Policy Distillation for Continual GUI Agent Learning (63 votes)​

Tác giả: Niu Lian, Alan Chen, Zhehao Yu, Chengzhen Duan, Fazhan Liu, et al.

Xuất bản lúc: 2026-07-05

Tag: GUI Agent Learning, Continual Learning, Multi-Platform Distillation, On-Policy Distillation

I. Main Problem:​

Các tác nhân GUI thường gặp khó khăn khi thích nghi với nhiều nền tảng khác nhau do sự khác biệt về giao diện và hành vi tương tác. Việc đào tạo một tác nhân GUI có thể thích nghi với nhiều nền tảng vẫn còn là một thách thức.

II. Main Idea:​

UI-MOPD là phương pháp đào tạo tác nhân GUI bằng cách sử dụng đa dạng hóa giáo viên trên chính sách (multi-teacher on-policy distillation) để chuyển giao kiến thức từ các nền tảng khác nhau. Phương pháp này sử dụng một bộ giáo viên riêng biệt cho mỗi nền tảng và chọn giáo viên phù hợp dựa trên môi trường hiện tại.

III. Main Results:​

  • UI-MOPD đạt được tỷ lệ thành công 38.2% trên OSWorld và 12.0% trên MobileWorld.
  • Phương pháp này cải thiện hiệu suất trên cả hai nền tảng so với các phương pháp khác.
  • UI-MOPD giữ được khả năng tương tác trên các nền tảng khác nhau trong khi vẫn cải thiện hiệu suất.

IV. Conclusion & Future Works:​

UI-MOPD là một phương pháp hiệu quả để đào tạo tác nhân GUI có thể thích nghi với nhiều nền tảng khác nhau. Phương pháp này có thể được áp dụng trong nhiều lĩnh vực khác nhau, chẳng hạn như tự động hóa và điều khiển robot.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Đề xuất một phương pháp đào tạo tác nhân GUI mới dựa trên UI-MOPD để cải thiện hiệu suất trên nhiều nền tảng.
  2. Nghiên cứu về việc áp dụng UI-MOPD trong các lĩnh vực khác nhau, chẳng hạn như tự động hóa và điều khiển robot.
  3. Phát triển một hệ thống tác nhân GUI có thể thích nghi với nhiều nền tảng khác nhau dựa trên UI-MOPD.

2. Patent:​

  1. Hệ thống tác nhân GUI tự động có thể thích nghi với nhiều nền tảng khác nhau.
  2. Phương pháp đào tạo tác nhân GUI dựa trên đa dạng hóa giáo viên trên chính sách.
  3. Hệ thống điều khiển robot dựa trên UI-MOPD có thể thích nghi với nhiều môi trường khác nhau.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.04425
ArXiv Abstracthttps://arxiv.org/abs/2607.04425
PDF Downloadhttps://arxiv.org/pdf/2607.04425.pdf
Github RepositoryN/A

3. PixWorld: Unifying 3D Scene Generation and Reconstruction in Pixel Space (47 votes)​

Tác giả: Sensen Gao, Zhaoqing Wang, Qihang Cao, Dongdong Yu, Changhu Wang, et al.

Xuất bản lúc: 2026-07-06

Tag: 3D Scene Generation và Reconstruction, Diffusion-based Scene Modeling, Pixel-space Diffusion

I. Main Problem:​

Các phương pháp 3D scene generation và reconstruction truyền thống thường được thực hiện riêng biệt, với reconstruction tập trung vào việc hồi phục 3D representation từ các ảnh chụp, và generation tập trung vào việc tạo ra các cảnh 3D từ các điều kiện hạn chế. Tuy nhiên, việc này thường dẫn đến sự mất mát thông tin và không nhất quán trong quá trình thực hiện, đặc biệt là khi các phương pháp này được áp dụng trong các trường hợp thực tế khác nhau.

II. Main Idea:​

PixWorld là một phương pháp mới, kết hợp 3D scene generation và reconstruction trong một mô hình duy nhất, bằng cách sử dụng diffusion trong không gian pixel. Mô hình này sử dụng một kiến trúc tổng thể, bao gồm việc phân chia các ảnh đầu vào vào các tập con và nhiễ, và sau đó sử dụng một mô hình giải phóng để tạo ra 3D representation từ các ảnh này. PixWorld cũng sử dụng một hàm mất mát hình học để đảm bảo sự nhất quán về mặt hình học và cấu trúc của các cảnh 3D được tạo ra.

III. Main Results:​

  • PixWorld đạt được kết quả tốt hơn so với các phương pháp khác trong việc tạo ra 3D scene generation và reconstruction.
  • PixWorld đạt được giá trị PSNR và SSIM cao hơn so với các phương pháp khác trong việc tạo ra 3D scene generation và reconstruction.
  • PixWorld cũng đạt được kết quả tốt hơn trong việc tạo ra các cảnh 3D từ các ảnh chụp với các điều kiện khác nhau.

IV. Conclusion & Future Works:​

PixWorld là một phương pháp mới và hiệu quả cho việc 3D scene generation và reconstruction. Mô hình này có thể được áp dụng trong các lĩnh vực khác nhau, như tạo ra các cảnh 3D cho các ứng dụng thực tế, hoặc tạo ra các mô hình 3D cho các ứng dụng nghiên cứu khoa học. Việc nghiên cứu và phát triển thêm PixWorld có thể dẫn đến các kết quả tốt hơn và mở rộng hơn trong tương lai.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu và phát triển PixWorld cho các ứng dụng thực tế, như tạo ra các cảnh 3D cho các ứng dụng kiến trúc hoặc tạo ra các mô hình 3D cho các ứng dụng y tế.
  2. Áp dụng PixWorld cho việc tạo ra các cảnh 3D cho các ứng dụng giải trí, như tạo ra các cảnh 3D cho các trò chơi điện tử hoặc tạo ra các mô hình 3D cho các ứng dụng truyền hình.
  3. Tích hợp PixWorld với các phương pháp khác, như các phương pháp học máy hoặc các phương pháp xử lý ảnh, để tạo ra các kết quả tốt hơn và đa dạng hơn.

2. Patent:​

  1. Tạo ra một hệ thống tạo ra 3D scene generation và reconstruction tự động, sử dụng PixWorld và các cảm biến khác nhau để tạo ra các cảnh 3D đa dạng và thực tế.
  2. Áp dụng PixWorld cho việc tạo ra các mô hình 3D cho các ứng dụng thực tế, như tạo ra các mô hình 3D cho các ứng dụng kiến trúc hoặc tạo ra các mô hình 3D cho các ứng dụng y tế.
  3. Phát triển một hệ thống tạo ra 3D scene generation và reconstruction di động, sử dụng PixWorld và các công nghệ khác nhau để tạo ra các cảnh 3D đa dạng và thực tế.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.05373
ArXiv Abstracthttps://arxiv.org/abs/2607.05373
PDF Downloadhttps://arxiv.org/pdf/2607.05373.pdf
Github Repositoryhttps://github.com/SensenGao/PixWorld

4. ResearchStudio-Idea: An Evidence-Grounded Research-Ideation Skill Suite from ML Conference Outcomes (41 votes)​

Tác giả: Qihao Zhao, Yangyu Huang, Yalun Dai, Lingao Xiao, Jianjun Gao, et al.

Xuất bản lúc: 2026-07-05

Tag: ResearchStudio-Idea, IdeaSpark, Paper-Search, Scoop-Check, LLM

I. Main Problem:​

Các hệ thống nghiên cứu hiện tại thường gặp khó khăn trong việc tạo ra ý tưởng nghiên cứu hiệu quả và khả thi, đòi hỏi phải có sự kết hợp giữa tìm kiếm literature, đánh giá prior-art và tạo ra ý tưởng nghiên cứu một cách có hệ thống và kiểm chứng.

II. Main Idea:​

ResearchStudio-Idea là một bộ kỹ năng nghiên cứu được thiết kế để giải quyết vấn đề này, bao gồm Paper-Search, Scoop-Check và IdeaSpark. IdeaSpark là kỹ năng chính, nó tạo ra ý tưởng nghiên cứu bằng cách kết hợp tìm kiếm literature, đánh giá prior-art và tạo ra ý tưởng nghiên cứu một cách có hệ thống và kiểm chứng.

III. Main Results:​

  • ResearchStudio-Idea tạo ra ý tưởng nghiên cứu hiệu quả và khả thi hơn so với các phương pháp khác.
  • IdeaSpark tạo ra ý tưởng nghiên cứu có chất lượng cao và mới mẻ hơn so với các phương pháp khác.
  • Bộ kỹ năng này có thể áp dụng cho nhiều lĩnh vực nghiên cứu khác nhau.

IV. Conclusion & Future Works:​

ResearchStudio-Idea và IdeaSpark có thể giúp các nhà nghiên cứu tạo ra ý tưởng nghiên cứu hiệu quả và khả thi hơn, và có thể áp dụng cho nhiều lĩnh vực nghiên cứu khác nhau. Tuy nhiên, vẫn cần phải tiếp tục phát triển và hoàn thiện bộ kỹ năng này để đáp ứng được nhu cầu của các nhà nghiên cứu.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Phát triển bộ kỹ năng ResearchStudio-Idea để áp dụng cho các lĩnh vực nghiên cứu khác nhau.
  2. Áp dụng IdeaSpark để tạo ra ý tưởng nghiên cứu trong các lĩnh vực như y học, khoa học xã hội và kỹ thuật.
  3. Tích hợp ResearchStudio-Idea với các công cụ khác để tạo ra một hệ thống nghiên cứu toàn diện hơn.

2. Patent:​

  1. Tạo ra một hệ thống hỗ trợ nghiên cứu cho các nhà nghiên cứu, bao gồm cả tìm kiếm literature, đánh giá prior-art và tạo ra ý tưởng nghiên cứu.
  2. Áp dụng IdeaSpark để tạo ra ý tưởng nghiên cứu cho các doanh nghiệp và tổ chức.
  3. Phát triển một nền tảng cho phép các nhà nghiên cứu chia sẻ và thảo luận về các ý tưởng nghiên cứu của mình.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.04439
ArXiv Abstracthttps://arxiv.org/abs/2607.04439
PDF Downloadhttps://arxiv.org/pdf/2607.04439.pdf
Github Repositoryhttps://github.com/microsoft/ResearchStudio

5. MANCE: Manifold Aware Concept Erasure (33 votes)​

Tác giả: Matan Avitan, Yoav Goldberg, Yanai Elazar

Xuất bản lúc: 2026-07-04

Tag: Concept Erasure, Manifold Aware, Neural Representations, Nonlinear Concept Erasure

I. Main Problem:​

Khái niệm xóa bỏ khái niệm (concept erasure) nhắm đến việc loại bỏ thông tin về một khái niệm mục tiêu khỏi biểu diễn (representation) trong khi vẫn giữ lại các thông tin khác. Việc này gặp khó khăn do các khái niệm thường bị vướng mắc và can thiệp vào nhau, khiến cho việc can thiệp vào một khái niệm có thể gây hại cho các khái niệm khác.

II. Main Idea:​

Giải pháp MANCE (Manifold Aware Concept Erasure) đề xuất một phương pháp xóa bỏ khái niệm dựa trên việc ước lượng không gian (manifold) của các biểu diễn tự nhiên. Phương pháp này sử dụng mộtprobe phi tuyến tính (nonlinear probe) để dự đoán khái niệm mục tiêu và thực hiện các cập nhật (update) trên biểu diễn dựa trên ước lượng không gian cục bộ (local manifold estimation). Việc này giúp giữ lại các thông tin khác trên biểu diễn trong khi vẫn loại bỏ được khái niệm mục tiêu.

III. Main Results:​

  • MANCE đạt được kết quả tốt hơn so với các phương pháp xóa bỏ khái niệm trước đây.
  • MANCE++ là phương pháp đạt được kết quả tốt nhất trong việc xóa bỏ khái niệm phi tuyến tính.
  • MANCE và MANCE++ đều đạt được kết quả tốt hơn khi áp dụng trên các biểu diễn đã được can thiệp bởi các phương pháp xóa bỏ khái niệm trước đây.
  • AmbCE++ không đạt được kết quả tốt như MANCE++ do không có hạn chế không gian.

IV. Conclusion & Future Works:​

Kết quả của bài nghiên cứu này cho thấy rằng việc áp dụng MANCE và MANCE++ có thể đạt được kết quả tốt hơn trong việc xóa bỏ khái niệm phi tuyến tính. Điều này mở ra khả năng cho việc áp dụng phương pháp xóa bỏ khái niệm trong các ứng dụng thực tế.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về việc áp dụng MANCE và MANCE++ trong các ứng dụng thực tế. Phát triển phương pháp xóa bỏ khái niệm cho các mô hình học máy (machine learning) khác. Áp dụng phương pháp xóa bỏ khái niệm trong các lĩnh vực như xử lý ngôn ngữ tự nhiên (natural language processing) và thị giác máy tính (computer vision).)
  2. patent_ideas
  3. %CUNG cấp phát minh về việc áp dụng MANCE và MANCE++ trong các sản phẩm thực tế. Phát triển một hệ thống xóa bỏ khái niệm tự động cho các ứng dụng di động. Áp dụng phương pháp xóa bỏ khái niệm trong các sản phẩm gia dụng như máy ảnh và thiết bị di động.

2. Patent:​

  1. Sản phẩm xóa bỏ khái niệm tự động cho các ứng dụng di động. Hệ thống xóa bỏ khái niệm dựa trên không gian (manifold-based concept erasure system). Ứng dụng phương pháp xóa bỏ khái niệm trong các sản phẩm gia dụng như máy ảnh và thiết bị di động.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.03973
ArXiv Abstracthttps://arxiv.org/abs/2607.03973
PDF Downloadhttps://arxiv.org/pdf/2607.03973.pdf
Github Repositoryhttps://github.com/MatanAvitan/mance

6. GigaWorld-1: A Roadmap to Build World Models for Robot Policy Evaluation (32 votes)​

Tác giả: GigaWorld Team, Angyuan Ma, Boyuan Wang, Bohan Li, Chaojun Ni, et al.

Xuất bản lúc: 2026-07-02

Tag: World Model, Robot Policy Evaluation, GigaWorld-1

I. Main Problem:​

Đánh giá chính sách robot một cách hiệu quả vẫn là một Bottleneck quan trọng; không giống như mô hình ngôn ngữ lớn, việc đánh giá mô hình robot đòi hỏi phải triển khai trong thế giới thực và giám sát liên tục, tốn nhiều thời gian và nguồn lực.

II. Main Idea:​

GigaWorld-1 trình làng một phương pháp xây dựng mô hình thế giới để đánh giá chính sách robot, tập trung vào việc tạo ra một mô hình thế giới có thể tin cậy để đánh giá chất lượng chính sách, thông qua việc phân tích 324.000 lượt triển khai mô hình thế giới và 7 mô hình video thế giới khác nhau, cùng với hơn 12.000 giờ dữ liệu huấn luyện.

III. Main Results:​

  • GigaWorld-1 đạt được sự tăng trưởng 14,9% trong việc đánh giá chất lượng chính sách so với các phương pháp hiện tại.
  • Khám phá được rằng các mô hình thế giới có chất lượng tốt không chỉ dựa vào việc tạo ra video có độ phân giải cao, mà còn phải dựa vào khả năng giữ được tính nhất quán và sự ổn định của mô hình trong quá trình triển khai.
  • Các thí nghiệm chỉ ra rằng GigaWorld-1 có khả năng giữ được chất lượng cao trong việc đánh giá chính sách, ngay cả khi dữ liệu huấn luyện bị giới hạn.

IV. Conclusion & Future Works:​

GigaWorld-1 cung cấp một con đường để xây dựng mô hình thế giới cho việc đánh giá chính sách robot, thông qua việc tập trung vào việc tạo ra một mô hình thế giới có thể tin cậy và có khả năng giữ được tính nhất quán và sự ổn định. Điều này có thể giúp giảm thiểu sự phụ thuộc vào việc triển khai trong thế giới thực và giám sát liên tục, và có thể mở ra các khả năng mới cho việc phát triển mô hình robot.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về việc áp dụng mô hình thế giới để đánh giá chính sách robot trong các môi trường khác nhau.
  2. Phát triển một phương pháp đánh giá chính sách robot tự động, dựa vào mô hình thế giới và học tăng cường.
  3. Tích hợp mô hình thế giới với học máy để tạo ra một hệ thống đánh giá chính sách robot thông minh.

2. Patent:​

  1. Phát triển một thiết bị robot có khả năng tự động hóa và đánh giá chính sách dựa vào mô hình thế giới.
  2. Tạo ra một hệ thống giám sát và đánh giá chính sách robot dựa vào mô hình thế giới và học máy.
  3. Phát triển một phương pháp đánh giá chính sách robot dựa vào mô hình thế giới và dữ liệu cảm biến.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.02642
ArXiv Abstracthttps://arxiv.org/abs/2607.02642
PDF Downloadhttps://arxiv.org/pdf/2607.02642.pdf
Github Repositoryhttps://github.com/open-gigaai/giga-world-1

7. Vision Pretraining for Dense Spatial Perception (31 votes)​

Tác giả: Zelin Fu, Bin Tan, Changjiang Sun, Shaohui Liu, Kecheng Zheng, et al.

Xuất bản lúc: 2026-07-06

Tag: Vision Pretraining, Dense Spatial Perception, Boundary-Centric Learning, Self-Supervised Learning

I. Main Problem:​

Các mô hình học tiền triệu hiện đại thường tập trung vào việc học các biểu diễn tinh thần và ngữ nghĩa, nhưng bỏ qua sự quan trọng của việc học các ranh giới và hình dạng không gian. Điều này dẫn đến việc thiếu hiểu biết về cấu trúc không gian chi tiết và ảnh hưởng đến hiệu suất của mô hình trong các nhiệm vụ liên quan đến không gian.

II. Main Idea:​

Bài báo đề xuất phương pháp học tiền triệu dựa trên ranh giới (Boundary-Centric Learning) để học các biểu diễn không gian chi tiết. Phương pháp này sử dụng mô hình tự giám sát (Self-Supervised Learning) để học các ranh giới và hình dạng không gian từ các hình ảnh thống. Điều này cho phép mô hình học được các cấu trúc không gian tinh tế và chi tiết mà không cần đến sự can thiệp của con người.

III. Main Results:​

  • Mô hình LingBot-Vision đạt được kết quả tốt trên các nhiệm vụ liên quan đến không gian.
  • Mô hình này đạt được kết quả tốt trên các nhiệm vụ như phân đoạn hình ảnh, ước lượng độ sâu và phân tích bố cục.
  • Mô hình này cũng đạt được kết quả tốt trên các nhiệm vụ liên quan đến không gian khi so sánh với các mô hình khác.

IV. Conclusion & Future Works:​

Phương pháp học tiền triệu dựa trên ranh giới có thể được sử dụng để cải thiện hiệu suất của các mô hình học máy trong các nhiệm vụ liên quan đến không gian. Điều này có thể được thực hiện bằng cách kết hợp phương pháp này với các phương pháp học máy khác để tạo ra các mô hình học máy mạnh mẽ hơn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về việc ứng dụng phương pháp học tiền triệu dựa trên ranh giới vào các nhiệm vụ liên quan đến không gian trong thực tế.

  2. Kết hợp phương pháp học tiền triệu dựa trên ranh giới với các phương pháp học máy khác để tạo ra các mô hình học máy mạnh mẽ hơn.

  3. Phát triển phương pháp học tiền triệu dựa trên ranh giới để giải quyết các vấn đề liên quan đến không gian trong các lĩnh vực khác nhau.

2. Patent:​

  1. Ứng dụng phương pháp học tiền triệu dựa trên ranh giới để tạo ra các hệ thống robot tự động có thể học và thích nghi với môi trường.

  2. Sử dụng phương pháp học tiền triệu dựa trên ranh giới để cải thiện hiệu suất của các hệ thống phân tích hình ảnh trong các lĩnh vực như y tế, giao thông và an ninh.

  3. Phát triển các sản phẩm sử dụng phương pháp học tiền triệu dựa trên ranh giới để giải quyết các vấn đề liên quan đến không gian trong cuộc sống hàng ngày.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.05247
ArXiv Abstracthttps://arxiv.org/abs/2607.05247
PDF Downloadhttps://arxiv.org/pdf/2607.05247.pdf
Github Repositoryhttps://github.com/Robbyant/lingbot-vision

8. Wan-Streamer v0.2: Higher Resolution, Same Latency (26 votes)​

Tác giả: Lianghua Huang, Zhi-Fan Wu, Yupeng Shi, Wei Wang, Mengyang Feng, et al.

Xuất bản lúc: 2026-07-05

Tag: Streaming Video Generation”, , ,

I. Main Problem:​

Việc nâng cao độ phân giải của luồng video tương tác thời gian thực trong khi vẫn giữ độ trễ thấp là một thách thức lớn trong lĩnh vực tương tác audio-visual. Các hệ thống hiện tại thường có độ phân giải thấp, dẫn đến trải nghiệm người dùng không tốt.

II. Main Idea:​

Wan-Streamer v0.2 giới thiệu một cách tiếp cận mới để nâng cao độ phân giải của luồng video tương tác lên 640x368 trong khi vẫn giữ độ trễ khoảng 200 ms. Hệ thống sử dụng một kiến trúc phân tán, với một GPU đơn được sử dụng cho việc encode, cập nhật trạng thái và decode, và một nhóm GPU đa được sử dụng cho việc tạo ra luồng videolatent.

III. Main Results:​

  • Độ phân giải của luồng video tương tác được nâng cao lên 640x368
  • Độ trễ vẫn được giữ khoảng 200 ms
  • Hệ thống hỗ trợ tương tác audio-visual thời gian thực với độ phân giải cao
  • Tăng cường trải nghiệm người dùng với hình ảnh và âm thanh chất lượng cao”,

IV. Conclusion & Future Works:​

Wan-Streamer v0.2 là một bước tiến quan trọng trong lĩnh vực tương tác audio-visual thời gian thực. Hệ thống này có thể được sử dụng trong nhiều ứng dụng khác nhau, từ các cuộc gọi video đến các hệ thống tương tác ảo.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về việc áp dụng Wan-Streamer v0.2 trong các ứng dụng thực tế như các cuộc gọi video và tương tác ảo.
  2. Nghiên cứu về việc tối ưu hóa hệ thống Wan-Streamer v0.2 để đạt được hiệu suất cao hơn và độ trễ thấp hơn.
  3. Nghiên cứu về việc tích hợp Wan-Streamer v0.2 với các công nghệ khác để tạo ra các hệ thống tương tác đa phương tiện.

2. Patent:​

  1. Hệ thống gọi video chất lượng cao với độ trễ thấp cho các thiết bị di động.
  2. Hệ thống tương tác ảo thời gian thực với độ phân giải cao cho các ứng dụng giải trí.
  3. Hệ thống hỗ trợ tương tác audio-visual thời gian thực cho các người khuyết tật.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.04443
ArXiv Abstracthttps://arxiv.org/abs/2607.04443
PDF Downloadhttps://arxiv.org/pdf/2607.04443.pdf
Github RepositoryN/A

9. InternVLA-A1.5: Unifying Understanding, Latent Foresight, and Action for Compositional Generalization (21 votes)​

Tác giả: Haoxiang Ma, Junhao Cai, Xiaoxu Xu, Hao Li, Yuyin Yang, et al.

Xuất bản lúc: 2026-07-06

Tag: Vision-Language-Action, Robotics, Unified Models, Compositional Generalization

I. Main Problem:​

Các mô hình Vision-Language-Action hiện tại thường gặp phải giới hạn khi kết hợp giữa hiểu biết ngôn ngữ và động lực học, dẫn đến hiệu suất không ổn định và khó tổng quát trong các tình huống mới.

II. Main Idea:​

InternVLA-A1.5 kết hợp hiểu biết ngôn ngữ, dự đoán tương lai và động lực học trong một khuôn khổ thống nhất, sử dụng mô hình ngôn ngữ-vision đã được tiền huấn luyện và mô hình dự đoán tương lai được thiết kế để trích xuất thông tin tương lai từ ngữ cảnh hiện tại.

III. Main Results:​

  • InternVLA-A1.5 đạt được kết quả tốt nhất trên tất cả các thử nghiệm mô phỏng.
  • Mô hình này cũng cho thấy khả năng tổng quát tốt trong các tình huống thực tế.

IV. Conclusion & Future Works:​

InternVLA-A1.5 cung cấp một giải pháp hiệu quả để kết hợp hiểu biết ngôn ngữ và động lực học, và có thể được ứng dụng trong nhiều lĩnh vực khác nhau như robot công nghiệp, gia đình và lắp ráp.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về ứng dụng của InternVLA-A1.5 trong lĩnh vực robot công nghiệp.
  2. Phát triển mô hình InternVLA-A1.5 để ứng dụng trong lĩnh vực gia đình.
  3. Kết hợp InternVLA-A1.5 với các kỹ thuật học máy khác để tăng cường khả năng tổng quát.

2. Patent:​

  1. Thiết kế hệ thống robot tự động với khả năng học và thích ứng.
  2. Phát triển ứng dụng của InternVLA-A1.5 trong lĩnh vực lắp ráp và sản xuất.
  3. Tạo ra mô hình học máy có khả năng tổng quát và thích ứng trong các tình huống mới.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.04988
ArXiv Abstracthttps://arxiv.org/abs/2607.04988
PDF Downloadhttps://arxiv.org/pdf/2607.04988.pdf
Github Repositoryhttps://github.com/InternRobotics/InternVLA-A-series

10. Multi-Turn Agentic Scientific Literature Search via Workflow Induction (21 votes)​

Tác giả: Jisen Li, Bingxuan Li, Nanyi Jiang, Xuying Ning, Xiyao Wang, et al.

Xuất bản lúc: 2026-07-01

Tag: Scientific Literature Search , Multi-Turn Search , Workflow Induction , Agentic Search

I. Main Problem:​

Tìm kiếm tài liệu khoa học thường đòi hỏi nhiều hơn là chỉ tìm kiếm giấy từ một truy vấn đơn ; ý định của người dùng thường không được chỉ định rõ ràng và phụ thuộc vào sở thích , phát triển qua quá trình tương tác . Các hệ thống tìm kiếm hiện tại thường dựa vào đường ống cố định hoặc lý luận ngầm ngôn ngữ , khiến cho quá trình tìm kiếm trở nên khó kiểm soát và tinh chỉnh .

II. Main Idea:​

Chúng tôi đề xuất PAPERPILOT , một hệ thống tìm kiếm tài liệu khoa học đa lượt , định hình tìm kiếm tài liệu khoa học như một vấn đề xây dựng công việc ; hệ thống này cho phép người dùng tương tác để làm rõ ý định và tinh chỉnh quy trình tìm kiếm trước khi đưa ra kết quả cuối cùng . PAPERPILOT sử dụng công việc như một đồ thị có hướng (DAG ) để thể hiện quy trình tìm kiếm và cho phép người dùng chỉnh sửa quy trình này qua phản hồi .

III. Main Results:​

  • PAPERPILOT-9B cải thiện sobre hệ thống cơ sở Qwen3.5-9B với tỷ lệ Hit@5 tăng từ 58.0 lên 77.0 , MRR tăng từ 47.5 lên 59.4 và nDCG@10 tăng từ 26.8 lên 32.5 , trong khi giảm lỗi thực hiện công việc từ 9.5% xuống 0% .
  • PAPERPILOT-9B cũng vượt qua hệ thống Qwen3.5-9B về chất lượng tìm kiếm và hiệu suất .
  • Kết quả thử nghiệm cũng cho thấy rằng PAPERPILOT có thể tạo ra và chỉnh sửa công việc một cách hiệu quả .

IV. Conclusion & Future Works:​

PAPERPILOT cung cấp một giao diện thực tế để kết hợp tìm kiếm tài liệu khoa học với ý định của người dùng ; hệ thống này có thể được sử dụng để cải thiện tìm kiếm tài liệu khoa học trong các lĩnh vực khoa học khác nhau . Tuy nhiên , vẫn còn một số hạn chế cần được giải quyết , như phạm vi của hệ thống và dữ liệu đào tạo .

V. Brainstorming Space:​

1. Publish Papers:​

2. Patent:​

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.00597
ArXiv Abstracthttps://arxiv.org/abs/2607.00597
PDF Downloadhttps://arxiv.org/pdf/2607.00597.pdf
Github Repositoryhttps://github.com/mtilyxuegao/PaperPilot

11. Do All Visual Tokens Matter Equally? Object-Evidence Preserving Token Merging for Vision-Language Retrieval (16 votes)​

Tác giả: Suhyeong Park, Junha Jung, Jungwoo Park, Jaewoo Kang

Xuất bản lúc: 2026-07-06

Tag: Vision-Language Retrieval, Token Merging, Multi-Vector Retrieval

I. Main Problem:​

Các mô hình đa vector Vision-Language Retrieval thường gặp phải vấn đề về bảo tồn và tính hiệu quả do sự hiện diện của các token hình ảnh không đồng đều. Điều này dẫn đến việc các mô hình này có thể bị giảm hiệu suất và cần phải điều chỉnh lại để phù hợp với từng trường hợp cụ thể.

II. Main Idea:​

SaMer là một khuôn khổ hợp nhất giữa tính hiệu quả và sự bảo tồn của các token hình ảnh. Nó sử dụng một kỹ thuật gọi là token merging để giảm số lượng token hình ảnh xuống còn K token đại diện, trong khi vẫn giữ được giao diện tương tác muộn. SaMer sử dụng một kỹ thuật gọi là feature-spatial soft assignment để gán đặt các token hình ảnh vào các đại diện, và sau đó sử dụng một kỹ thuật gọi là object-aware merge prior để đảm bảo rằng các token đại diện được tạo ra từ các đối tượng khác nhau sẽ không bị trộn lẫn vào nhau.

III. Main Results:​

  • SaMer đạt được hiệu suất R@1 là 82.4 trên Flickr30K và 51.6 trên MSCOCO.
  • SaMer giảm được 93% số lượng token hình ảnh và giảm 16.09 lần bộ nhớ cho ColPali.
  • SaMer cũng đạt được hiệu suất tốt hơn so với các phương pháp nén khác như H-Pool, HPC và SAP.

IV. Conclusion & Future Works:​

SaMer là một phương pháp hiệu quả để giảm số lượng token hình ảnh trong các mô hình Vision-Language Retrieval. Nó không chỉ giảm được số lượng token mà còn giữ được hiệu suất của mô hình. Điều này cho thấy rằng SaMer có thể được sử dụng trong các ứng dụng thực tế để giảm bộ nhớ và tăng tốc độ xử lý.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về các ứng dụng của SaMer trong các mô hình Vision-Language Retrieval khác nhau.
  2. Áp dụng SaMer trong các mô hình đa vector để giảm số lượng token và tăng tốc độ xử lý.
  3. So sánh hiệu suất của SaMer với các phương pháp nén khác trong việc giảm số lượng token hình ảnh.

2. Patent:​

  1. Ứng dụng SaMer trong các thiết bị di động để giảm số lượng token và tăng tốc độ xử lý.
  2. Áp dụng SaMer trong các mô hình trí tuệ để giảm số lượng token và tăng tốc độ xử lý.
  3. Phát triển các ứng dụng của SaMer trong các lĩnh vực khác nhau như tìm kiếm hình ảnh và xử lý ngôn ngữ tự nhiên.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.04605
ArXiv Abstracthttps://arxiv.org/abs/2607.04605
PDF Downloadhttps://arxiv.org/pdf/2607.04605.pdf
Github Repositoryhttps://github.com/dmis-lab/SaMer

12. dOPSD: On-Policy Self-Distillation for Diffusion Language Models (15 votes)​

Tác giả: Phuong Tuan Dat, Qi Li, Xinchao Wang

Xuất bản lúc: 2026-07-05

Tag: Diffusion Language Models, On-Policy Self-Distillation, dOPSD

I. Main Problem:​

Các mô hình ngôn ngữ lớn dựa trên sự khuếch tán (dLLMs) gặp khó khăn khi huấn luyện để suy luận mạnh mẽ sau khi đào tạo: huấn luyện có giám sát (supervised fine-tuning) là lệch chế độ và bị thiên vị về tiếp xúc, trong khi học tăng cường (reinforcement learning) chỉ cung cấp phần thưởng ở mức độ trình tự và khó áp dụng mà không có xác suất trình tự.

II. Main Idea:​

dOPSD là một phương pháp huấn luyện sau đào tạo mới cho dLLMs, sử dụng nguyên tắc tự huấn luyện có giám sát (on-policy self-distillation) nhưng lấy thông tin ưu tiên (privileged information) trực tiếp từ quá trình giải mã (denoising trajectory) của chính mô hình, thay vì lấy từ nhãn bản tham chiếu (reference solution) ngoài.

III. Main Results:​

  • dOPSD cải thiện hiệu suất trên cả hai mô hình Dream và LLaDA.
  • dOPSD vượt trội các phương pháp huấn luyện có giám sát, học tăng cường và tự huấn luyện có giám sát truyền thống.
  • dOPSD cải thiện khả năng suy luận toán học trong lĩnh vực và ngoài lĩnh vực.

IV. Conclusion & Future Works:​

dOPSD cung cấp một cách tiếp cận mới để huấn luyện sau đào tạo dLLMs, bằng cách sử dụng thông tin ưu tiên từ quá trình giải mã của chính mô hình, giúp cải thiện hiệu suất và giảm thiểu sự phụ thuộc vào dữ liệu tham chiếu.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Huấn luyện mô hình ngôn ngữ lớn với dữ liệu hạn chế. Khả năng của dOPSD trong việc cải thiện hiệu suất trên các mô hình ngôn ngữ khác nhau. Sự kết hợp giữa dOPSD và các phương pháp học tăng cường khác.
  2. patent_ideas

Ứng dụng dOPSD trong các hệ thống thực tế, chẳng hạn như trong các ứng dụng di động. Phát triển dOPSD để hỗ trợ cho việc huấn luyện mô hình ngôn ngữ trong các lĩnh vực khác nhau. Tích hợp dOPSD với các công nghệ khác để cải thiện hiệu suất và giảm thiểu sự phụ thuộc vào dữ liệu tham chiếu.

2. Patent:​

  1. Ứng dụng dOPSD trong các hệ thống thực tế, chẳng hạn như trong các ứng dụng di động. Phát triển dOPSD để hỗ trợ cho việc huấn luyện mô hình ngôn ngữ trong các lĩnh vực khác nhau. Tích hợp dOPSD với các công nghệ khác để cải thiện hiệu suất và giảm thiểu sự phụ thuộc vào dữ liệu tham chiếu.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.04428
ArXiv Abstracthttps://arxiv.org/abs/2607.04428
PDF Downloadhttps://arxiv.org/pdf/2607.04428.pdf
Github Repositoryhttps://github.com/tuandattt/dOPSD

13. Multiplayer Interactive World Models with Representation Autoencoders (14 votes)​

Tác giả: Anthony Hu, Václav Volhejn, Adrien Ramanana Rahary, Chris Mulder, Aditya Makkar, et al.

Xuất bản lúc: 2026-07-06

Tag: MIRA, Rocket League, World Models, Multiplayer

I. Main Problem:​

Các mô hình thế giới hiện tại thường gặp khó khăn khi mô phỏng các môi trường động với tương tác phức tạp giữa các tác nhân. Việc điều kiện các mô hình này trên các hành động của nhiều tác nhân và dự đoán tương lai của môi trường là một thách thức quan trọng.

II. Main Idea:​

MIRA giới thiệu một mô hình thế giới đa tác nhân tương tác cho các môi trường động với tương tác phức tạp. Mô hình này sử dụng một mã hóa đại diện tự động và một biến đổi tự động để dự đoán tương lai của môi trường dựa trên các hành động của nhiều tác nhân. Mô hình này có thể tạo ra các dự đoán tương lai dài hạn và ổn định trong thời gian thực.

III. Main Results:​

  • MIRA tạo ra các dự đoán tương lai thực tế và ổn định cho các môi trường động.
  • Mô hình này có thể dự đoán được tương lai của môi trường dựa trên các hành động của nhiều tác nhân.
  • MIRA có thể chạy trong thời gian thực trên một GPU đơn.

IV. Conclusion & Future Works:​

MIRA cung cấp một khung sườn cho việc nghiên cứu và phát triển các mô hình thế giới đa tác nhân tương tác. Việc mở rộng mô hình này sang các môi trường động khác và tích hợp với các kỹ thuật học máy khác có thể dẫn đến các ứng dụng thực tế mới.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu và phát triển các mô hình thế giới đa tác nhân tương tác cho các môi trường động khác.
  2. Nghiên cứu về việc sử dụng các mô hình thế giới đa tác nhân tương tác trong các ứng dụng thực tế như điều khiển robot và tương tác người máy.
  3. Phát triển các kỹ thuật học máy mới để cải thiện hiệu suất và độ chính xác của các mô hình thế giới đa tác nhân tương tác.

2. Patent:​

  1. Hệ thống điều khiển robot sử dụng mô hình thế giới đa tác nhân tương tác.
  2. Ứng dụng mô hình thế giới đa tác nhân tương tác trong các trò chơi điện tử.
  3. Hệ thống tương tác người máy sử dụng mô hình thế giới đa tác nhân tương tác.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.05352
ArXiv Abstracthttps://arxiv.org/abs/2607.05352
PDF Downloadhttps://arxiv.org/pdf/2607.05352.pdf
Github Repositoryhttps://github.com/mira-wm/mira

14. EdgeBench: Unveiling Scaling Laws of Learning from Real-World Environments (12 votes)​

Tác giả: Deyao Zhu, Xin Zhou, Shengling Qin, Xuekai Zhu, Hangliang Ding, et al.

Xuất bản lúc: 2026-07-06

Tag: EdgeBench, Learning from Real-World Environments, Scaling Laws, Log-Sigmoid Curve

I. Main Problem:​

Việc học từ môi trường thực tế sau khi triển khai vẫn còn ít được hiểu rõ, đặc biệt là khả năng học từ môi trường của các mô hình ngôn ngữ và hành động. Các nghiên cứu trước đây về luật thang hàng cho việc học trước đã chỉ ra rằng khả năng của mô hình cải thiện một cách dự đoán theo dữ liệu và tính toán, nhưng việc học từ môi trường thực tế vẫn còn là một lĩnh vực cần được khám phá.

II. Main Idea:​

EdgeBench là một bộ công cụ được thiết kế để đo lường khả năng học từ môi trường thực tế của các mô hình ngôn ngữ và hành động. Nó bao gồm 134 nhiệm vụ thực tế, đa dạng và phức tạp, yêu cầu các mô hình phải học và cải thiện qua thời gian. Các nhiệm vụ này được thiết kế để cung cấp thông tin phản hồi phong phú và đa dạng, cho phép các mô hình học và cải thiện một cách hiệu quả.

III. Main Results:​

  • EdgeBench đã chứng minh rằng việc học từ môi trường thực tế tuân theo một luật thang hàng log-sigmoid với độ chính xác cao.
  • Các mô hình ngôn ngữ và hành động có thể học và cải thiện qua thời gian, với khả năng học tăng dần theo thời gian.
  • Luật thang hàng log-sigmoid có thể được sử dụng để dự đoán khả năng học của các mô hình trong các môi trường thực tế khác nhau.

IV. Conclusion & Future Works:​

Kết quả của nghiên cứu này có thể giúp chúng ta hiểu rõ hơn về khả năng học từ môi trường thực tế của các mô hình ngôn ngữ và hành động, và có thể dẫn đến việc phát triển các mô hình mới có khả năng học và cải thiện tốt hơn trong các môi trường thực tế.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về khả năng học từ môi trường thực tế của các mô hình ngôn ngữ và hành động trong các lĩnh vực khác nhau.
  2. Sử dụng EdgeBench để đánh giá và so sánh khả năng học của các mô hình ngôn ngữ và hành động khác nhau.
  3. Phát triển các mô hình mới có khả năng học và cải thiện tốt hơn trong các môi trường thực tế dựa trên kết quả của nghiên cứu này.

2. Patent:​

  1. Thiết kế hệ thống học từ môi trường thực tế cho các thiết bị di động và các ứng dụng thực tế khác nhau.
  2. Sử dụng EdgeBench để phát triển các mô hình học từ môi trường thực tế cho các lĩnh vực như y tế, tài chính và giáo dục.
  3. Phát triển các sản phẩm mới có khả năng học và cải thiện tốt hơn trong các môi trường thực tế dựa trên kết quả của nghiên cứu này.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.05155
ArXiv Abstracthttps://arxiv.org/abs/2607.05155
PDF Downloadhttps://arxiv.org/pdf/2607.05155.pdf
Github RepositoryN/A

15. Perceptual Flow Matching for Few-Step Generative Modeling (12 votes)​

Tác giả: Chuyang Zhao, Yifei Song, Hongfa Wang, Jianlong Yuan, Yuan Zhang, et al.

Xuất bản lúc: 2026-07-03

Tag: Perceptual Flow Matching, Generative Modeling, Flow Matching, Few-Step Generation

I. Main Problem:​

Các mô hình flow matching hiện đại thường yêu cầu nhiều bước lấy mẫu để tạo ra hình ảnh chất lượng cao, điều này dẫn đến chi phí tính toán cao và khó triển khai trong thực tế.

II. Main Idea:​

Perceptual Flow Matching (PFM) là một khuôn khổ mới cho việc tạo mẫu với vài bước, trong đó việc lấy mẫu được thực hiện trong không gian nhận thức thay vì không gian Euclidean truyền thống. Điều này cho phép giảm số bước lấy mẫu từ 35-50 xuống 4-8 trong khi vẫn giữ được chất lượng hình ảnh.

III. Main Results:​

  • PFM đạt được kết quả tương đương với mô hình nhiều bước trên benchmark COCO 2014 val.
  • PFM vượt trội so với các phương pháp khác trên benchmark MagicBrush và VBench.
  • PFM không cần đến mô hình giáo viên hay mạng ước lượng phụ, giúp giảm chi phí tính toán và độ phức tạp.

IV. Conclusion & Future Works:​

PFM là một phương pháp hiệu quả cho việc tạo mẫu với vài bước, và có thể được áp dụng cho nhiều nhiệm vụ khác nhau như tạo hình ảnh, chỉnh sửa hình ảnh và tạo video. Trong tương lai, chúng ta có thể khám phá thêm về việc áp dụng PFM cho các nhiệm vụ khác và tối ưu hóa phương pháp này.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về việc áp dụng PFM cho các nhiệm vụ tạo hình ảnh và chỉnh sửa hình ảnh.
  2. Khám phá về việc sử dụng PFM cho việc tạo video và các ứng dụng khác.
  3. Tối ưu hóa PFM cho việc tạo mẫu với vài bước và giảm chi phí tính toán.

2. Patent:​

  1. Phát triển ứng dụng PFM cho các thiết bị di động để tạo hình ảnh và video chất lượng cao.
  2. Sử dụng PFM cho việc chỉnh sửa hình ảnh và tạo hình ảnh mới trên các nền tảng khác nhau.
  3. Tạo ra các hệ thống tự động sử dụng PFM để tạo mẫu và chỉnh sửa hình ảnh.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.03524
ArXiv Abstracthttps://arxiv.org/abs/2607.03524
PDF Downloadhttps://arxiv.org/pdf/2607.03524.pdf
Github Repositoryhttps://github.com/ZhaoChuyang/PFM

16. ACID: Action Consistency via Inverse Dynamics for Planning with World Models (11 votes)​

Tác giả: Gawon Seo, Dongwon Kim, Suha Kwak

Xuất bản lúc: 2026-07-02

Tag: World Models, Decision-time Planning, Action Consistency, Robotics, Embodied Control

I. Main Problem:​

Các mô hình thế giới hiện tại thường gặp phải vấn đề về tính nhất quán của hành động dự đoán và thực tế, đặc biệt là trong các môi trường mới hoặc khi thực hiện các hành động phức tạp. Điều này dẫn đến việc mô hình không thể dự đoán chính xác trạng thái thực tế của môi trường, dẫn đến hiệu suất thấp trong việc lập kế hoạch và điều khiển.

II. Main Idea:​

Giới thiệu Action Consistency via Inverse Dynamics (ACID), một khung lập kế hoạch tại thời điểm quyết định nhằm nâng cao tính nhất quán của hành động dự đoán và thực tế. Khung này sử dụng mô hình động lực nghịch đảo để xác minh tính nhất quán của hành động dự đoán và điều chỉnh chi phí lập kế hoạch cho phù hợp.

III. Main Results:​

  • Cải thiện hiệu suất lập kế hoạch trên 4 mô hình thế giới khác nhau và 6 nhiệm vụ khác nhau.
  • Giảm chi phí tính toán cần thiết để đạt được hiệu suất mục tiêu.
  • Khung ACID cho thấy tính nhất quán và hiệu suất cao trong việc lập kế hoạch và điều khiển.

IV. Conclusion & Future Works:​

Khung ACID cung cấp một phương pháp mới để nâng cao tính nhất quán của hành động dự đoán và thực tế, và có thể được áp dụng cho các mô hình thế giới khác nhau và nhiệm vụ khác nhau. Hướng tương lai là tiếp tục phát triển và hoàn thiện khung này để đạt được hiệu suất cao hơn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về ứng dụng của ACID trong các nhiệm vụ điều khiển robot phức tạp.
  2. Phát triển các mô hình thế giới mới dựa trên ACID để nâng cao tính nhất quán của hành động dự đoán và thực tế.
  3. Áp dụng ACID cho các nhiệm vụ lập kế hoạch và điều khiển trong các môi trường thực tế.

2. Patent:​

  1. Thiết bị robot có khả năng tự điều chỉnh và lập kế hoạch dựa trên thông tin thực tế.
  2. Hệ thống điều khiển từ xa dựa trên camera và mô hình thế giới.
  3. Module nhận diện và điều chỉnh tự động cho robot dựa trên thông tin thực tế.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.02403
ArXiv Abstracthttps://arxiv.org/abs/2607.02403
PDF Downloadhttps://arxiv.org/pdf/2607.02403.pdf
Github RepositoryN/A

17. LLM-as-a-Verifier: A General-Purpose Verification Framework (10 votes)​

Tác giả: Jacky Kwok, Shulu Li, Pranav Atreya, Yuejiang Liu, Yixing Jiang, et al.

Xuất bản lúc: 2026-07-06

Tag: LLM-as-a-Verifier, Probabilistic Verification Framework, Autonomous Agents, Robotics, Medical Domains

I. Main Problem:​

Các hệ thống lớn ngôn ngữ hiện đại thường gặp khó khăn trong việc xác định tính đúng đắn của một giải pháp do hạn chế của các mô hình đánh giá truyền thống, dẫn đến sự không tin cậy và khó tổng quát hóa.

II. Main Idea:​

LLM-as-a-Verifier giới thiệu một khuôn khổ xác định tính đúng đắn tổng quát, cung cấp tín hiệu xác định tinh gọn mà không cần đào tạo thêm, bằng cách tính toán kỳ vọng của phân phối điểm số token và phân tích các tiêu chí đánh giá.

III. Main Results:​

  • LLM-as-a-Verifier đạt hiệu suất tối ưu trên các benchmarks Terminal-Bench V2, SWE-Bench Verified, RoboRewardBench và MedAgentBench.
  • Phương pháp này giảm thiểu tỷ lệ hòa và tăng cường độ chính xác của việc xác định tính đúng đắn.
  • LLM-as-a-Verifier cũng có thể được sử dụng như một tín hiệu phần thưởng dày để cải thiện hiệu suất của các thuật toán học tăng cường.

IV. Conclusion & Future Works:​

LLM-as-a-Verifier cung cấp một cơ chế tổng quát để cải thiện việc xác định tính đúng đắn của các giải pháp, và có thể được mở rộng để ứng dụng trong các lĩnh vực khác nhau.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu về việc ứng dụng LLM-as-a-Verifier trong các lĩnh vực như Robotics, Y tế và Giáo dục.
  2. Phát triển các phương pháp học tăng cường sử dụng LLM-as-a-Verifier như một tín hiệu phần thưởng.
  3. Ứng dụng LLM-as-a-Verifier trong việc đánh giá và cải thiện chất lượng của các hệ thống lớn ngôn ngữ.

2. Patent:​

  1. Phát triển một hệ thống trợ lý ảo sử dụng LLM-as-a-Verifier để giúp người dùng đánh giá và cải thiện chất lượng của các giải pháp.
  2. Tạo ra một công cụ tự động hóa việc đánh giá và cải thiện chất lượng của các hệ thống lớn ngôn ngữ sử dụng LLM-as-a-Verifier.
  3. Ứng dụng LLM-as-a-Verifier trong việc phát triển các hệ thống hỗ trợ ra quyết định trong các lĩnh vực như Y tế và Tài chính.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.05391
ArXiv Abstracthttps://arxiv.org/abs/2607.05391
PDF Downloadhttps://arxiv.org/pdf/2607.05391.pdf
Github Repositoryhttps://github.com/llm-as-a-verifier/llm-as-a-verifier

18. ResearchStudio-Reel: Automate the Last Mile of Research from Paper to Poster, Video, and Blog (49 votes)​

Tác giả: Lingao Xiao, Yalun Dai, Yangyu Huang, Qihao Zhao, Wenshan Wu, et al.

Xuất bản lúc: 2026-07-05

Tag: ResearchStudio-Reel, Paper-to-Poster, Paper-to-Video, Paper-to-Blog, Automated Research Dissemination

I. Main Problem:​

Quá trình phổ biến nghiên cứu vẫn còn là một quá trình thủ công, bao gồm việc tạo poster, video và blog từ một bài báo nghiên cứu. Các hệ thống tự động hóa trước đây thường cách ly các artifact này và không cho phép chỉnh sửa sau khi tạo ra.

II. Main Idea:​

ResearchStudio-Reel là một hệ thống mới được đề xuất, có thể tự động hóa quá trình phổ biến nghiên cứu từ paper đến poster, video và blog. Hệ thống này bao gồm 5 kỹ năng, bao gồm Paper2Assets, Paper2Poster, Paper2Video, Paper2Blog và Paper2Reel, giúp tạo ra các artifact này từ một bài báo nghiên cứu duy nhất.

III. Main Results:​

  • Poster được tạo ra từ Paper2Poster dẫn đầu mọi tiêu chí về thẩm mỹ và thông tin so với các hệ thống trước đây và các mô hình LLM hiện đại.
  • Video được tạo ra từ Paper2Video có thể điều chỉnh thời lượng và có các tính năng như chú thích, đánh dấu nổi bật và điều khiển thời lượng.
  • Blog được tạo ra từ Paper2Blog là một gói biên tập có thể chỉnh sửa được, có thể dùng cho nhiều mục đích khác nhau.

IV. Conclusion & Future Works:​

ResearchStudio-Reel là một hệ thống tự động hóa quá trình phổ biến nghiên cứu, giúp giảm thiểu thời gian và công sức cần thiết. Trong tương lai, hệ thống này có thể được mở rộng để bao gồm các tính năng mới và cải thiện chất lượng của các artifact được tạo ra.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu và phát triển các hệ thống tự động hóa phổ biến nghiên cứu cho các lĩnh vực khác nhau, như y tế, giáo dục và kinh doanh.
  2. Áp dụng ResearchStudio-Reel cho các tổ chức nghiên cứu và giáo dục để cải thiện quá trình phổ biến nghiên cứu và giảm thiểu thời gian và công sức.
  3. Phát triển các mô hình LLM mới để cải thiện chất lượng của các artifact được tạo ra từ ResearchStudio-Reel.

2. Patent:​

  1. Phát triển một ứng dụng di động cho phép người dùng tạo ra và chỉnh sửa các artifact như poster, video và blog từ một bài báo nghiên cứu.
  2. Tạo ra một hệ thống cho phép người dùng tạo ra và chia sẻ các artifact như poster, video và blog trên các nền tảng xã hội.
  3. Phát triển một công cụ cho phép người dùng tạo ra và chỉnh sửa các artifact như poster, video và blog từ một bài báo nghiên cứu, và có thể xuất bản ra các định dạng khác nhau.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.04438
ArXiv Abstracthttps://arxiv.org/abs/2607.04438
PDF Downloadhttps://arxiv.org/pdf/2607.04438.pdf
Github RepositoryN/A

19. KVpop -- Key-Value Cache Compression with Predictive Online Pruning (17 votes)​

Tác giả: Lukas Hauzenberger, Niklas Schmidinger, Anamaria-Roberta Hartl, David Stap, Thomas Schmied, et al.

Xuất bản lúc: 2026-07-06

Tag: KV Cache Compression, Predictive Online Pruning, Key-Value Cache, Autoregressive Decoding

I. Main Problem:​

Các mô hình ngôn ngữ lớn phụ thuộc vào bộ nhớ Key-Value (KV) để thực hiện giải mã tự hồi quy, nhưng bộ nhớ KV có thể trở nên quá lớn và gây ra nút thắt nghẽn khi chiều dài ngữ cảnh tăng lên, dẫn đến giảm hiệu suất và tăng chi phí bộ nhớ.

II. Main Idea:​

Giới thiệu KVpop, một phương pháp nén ép bộ nhớ Key-Value với kỹ thuật thu thập dự đoán trực tuyến, giúp giảm bộ nhớ KV mà vẫn giữ được hiệu suất giải mã.

III. Main Results:​

  • KVpop đạt được 98% hiệu suất của mô hình đầy đủ trên AIME và HMMT với tỷ lệ nén ép KV là 75%.
  • KVpop vượt qua các phương pháp loại bỏ và học được khác trên các benchmark.

IV. Conclusion & Future Works:​

KVpop giúp giảm bộ nhớ KV mà vẫn giữ được hiệu suất giải mã, mở ra khả năng áp dụng cho các mô hình ngôn ngữ lớn và các ứng dụng thực tế.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu và áp dụng KVpop cho các mô hình ngôn ngữ lớn và các ứng dụng thực tế.
  2. Phát triển các phương pháp học được và loại bỏ cho bộ nhớ KV để cải thiện hiệu suất và giảm chi phí.
  3. Áp dụng KVpop cho các mô hình ngôn ngữ đa phương thức và đa nhiệm vụ.

2. Patent:​

  1. Phát triển các thiết bị di động sử dụng KVpop để giảm bộ nhớ và tăng hiệu suất.
  2. Áp dụng KVpop cho các hệ thống ngôn ngữ tự động hóa để cải thiện hiệu suất và giảm chi phí.
  3. Sử dụng KVpop trong các ứng dụng thực tế như trợ lý ngôn ngữ và dịch thuật tự động.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.05061
ArXiv Abstracthttps://arxiv.org/abs/2607.05061
PDF Downloadhttps://arxiv.org/pdf/2607.05061.pdf
Github RepositoryN/A

20. EVA-Client: A Unified Data Collection, Inference, and Deployment Framework for Embodied Policies on Real Robots (23 votes)​

Tác giả: Heqing Yang, Yang Yi, Liyao Wang, Linqing Zhong, Donglin Yang, et al.

Xuất bản lúc: 2026-07-02

Tag: Robotics, Deployment, Evaluation

I. Main Problem:​

Việc triển khai các mô hình robot manipulation trên robot thực tế vẫn còn gặp nhiều khó khăn do việc tích hợp nhiều thành phần như quan sát, điều khiển và đánh giá. Điều này dẫn đến việc khó tái tạo và so sánh các chính sách trên các robot khác nhau.

II. Main Idea:​

EVA-Client là một khuôn khổ thống nhất cho việc triển khai, đánh giá và thu thập dữ liệu trên robot thực tế. Nó cung cấp một kiến trúc linh hoạt, cho phép dễ dàng tích hợp với các nguồn tín hiệu, cơ sở dữ liệu và phương tiện truyền thông tin.

III. Main Results:​

  • EVA-Client hỗ trợ nhiều chế độ thực hiện khác nhau, từ mô phỏng đến thực hiện liên tục.
  • Khả năng thu thập dữ liệu và đánh giá trên robot thực tế.
  • Tích hợp với các nguồn tín hiệu và cơ sở dữ liệu khác nhau.
  • Cung cấp một giao diện đơn giản và dễ sử dụng.

IV. Conclusion & Future Works:​

EVA-Client có thể giúp giải quyết vấn đề triển khai và đánh giá trên robot thực tế bằng cách cung cấp một khuôn khổ thống nhất và linh hoạt. Hướng tương lai có thể bao gồm việc mở rộng EVA-Client để hỗ trợ nhiều loại robot và ứng dụng khác nhau.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Phát triển EVA-Client để hỗ trợ việc triển khai và đánh giá trên nhiều loại robot và môi trường.
  2. EVA-Client như một công cụ cho việc nghiên cứu và phát triển các mô hình robot manipulation.
  3. Ứng dụng EVA-Client trong các ứng dụng thực tế như sản xuất và y tế.

2. Patent:​

  1. Hệ thống robot tự động với khả năng thu thập và đánh giá dữ liệu.
  2. Điều khiển robot từ xa qua điện thoại di động với camera.
  3. Module nhận diện thay đổi môi trường cho robot để cập nhật tham số và điều khiển.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.02646
ArXiv Abstracthttps://arxiv.org/abs/2607.02646
PDF Downloadhttps://arxiv.org/pdf/2607.02646.pdf
Github Repositoryhttps://github.com/Noietch/EVA-CLIENT