Chuyển tới nội dung chính

🤗 Daily Hugging Face Paper Digest - 2026-07-10

Báo cáo được tạo tự động vào lúc 2026-07-11 10:25:31 bằng mô hình hermes-agent.

📰 Summary of Papers​

1. Vidu S1: A Real-Time Interactive Video Generation Model (108 votes)​

Tác giả: Jintao Zhang, Kai Jiang, Jintao Chen, Xu Wang, Yang Luo, et al.

Xuất bản lúc: 2026-07-03

Tag: Video Generation, Diffusion Models, Autoregressive Generation, Real-Time Inference, Audio-Driven Avatar, Speech Control, Streaming Generation, Model Distillation

I. Main Problem:​

Các mô hình tạo video hiện đại (Sora, Veo, Wan, Seedance) hoạt động theo paradigm sinh ngoại tuyến (offline) một lần: người dùng nhập prompt, chờ vài phút đến vài chục phút, rồi nhận video hoàn chỉnh. Hạn chế:

  • người dùng bị động chờ đợi, không thể can thiệp trong quá trình sinh;
  • thiếu điều khiển trực tiếp bằng giọng nói để hướng dẫn nội dung tương lai;
  • sinh video dài dễ tích lũy lỗi, gây drift, mờ nhòe, sụp đổ hình ảnh;
  • nhiều mô hình tập trung vào thuật toán nhưng bỏ qua hạ tầng suy luận và serving, khiến chúng chậm hoặc đắt đỏ khi triển khai.

II. Main Idea:​

Vidu S1 là mô hình tạo video tương tác theo thời gian thực, cho phép người dùng điều khiển nhân vật số liên tục bằng giọng nói ngay trong lúc video đang được sinh. Quy trình kỹ thuật:

  • Huấn luyện 3 giai đoạn: (1) mô hình bidirectional teacher trên toàn bộ chuỗi video-audio; (2) chuyển thành causal teacher tự hồi quy qua chiến lược hybrid Teacher Forcing + Diffusion Forcing để cân bằng giữa học điều kiện sạch và chịu được tiền tố nhiễu; (3) DMD kết hợp PCM regularization để cô đọng thành generator chỉ cần vài bước denoise, tăng tốc suy luận.
  • Sinh streaming tự hồi quy: mỗi khung hình mới được dự đoán dựa trên lịch sử trong cửa sổ trượt, kèm persistent reference context (khung đầu tiên do người dùng cung cấp) giống như "sink token" để giữ ổn định danh tính và bối cảnh.
  • TwinCache: lưu song song cache nhiễu (noisy) và cache sạch (clean) của lịch sử — cache nhiễu giúp truyền động thô bền vững qua dài hạn, cache sạch khôi phục chi tiết sắc nét ở bước cuối.
  • Hạ tầng tăng tốc: TurboDiffusion + TurboServe, SageAttention/SpargeAttention/SLA, W8A8 quantization, kernel fusion, CUDA Graph, context parallelism nhiều GPU, giúp đạt 540p @ 42 FPS trên GPU phổ thông.

Ví dụ đời thường: giống như một họa sĩ đường phố vẽ chân dung dài trên một cuộn giấy luôn chuyển động — anh giữ một tấm ảnh tham khảo cố định trước mắt, mỗi lúc chỉ nhìn lại vài nét vừa vẽ để tiếp tục, đồng thời người ngồi đối diện có thể bất chợt nói "cười lên" hay "giơ tay chào" để anh đổi hướng nét bút tiếp theo, mà bức tranh vẫn không bị méo mó hay nhòe đi dù kéo dài bao lâu.

III. Main Results:​

  • Trên Vidu-StreamBench (benchmark nội bộ 500 mẫu với lệnh hành động, khung tham khảo, đoạn audio), Vidu S1 được ưa thích hơn so với HeyGen, LemonSlice và Kling Avatar 2.0; đặc biệt tỷ lệ ưu tiên 100% về subject controllability so với HeyGen và LemonSlice.
  • Trên HDTF, Vidu S1 đạt chỉ số dẫn đầu: CSIM 0.9192 (giữ danh tính), Sync-D 7.847 (đồng bộ audio-visual), DOVER 0.5660 (chất lượng cảm nhận), đồng thời là một trong hai mô hình vừa hỗ trợ instruction following vừa hỗ trợ real-time.
  • Hiệu năng suy luận: cấu hình 3 bước denoise, độ phân giải 540p, đạt 42 FPS trung bình trên RTX 5090, vượt ngưỡng 30 FPS cần thiết cho phát lại thời gian thực.
  • So với các mô hình khác: HeyGen đạt CSIM 0.9191 nhưng không theo lệnh hành động; Kling Avatar 2.0 theo lệnh nhưng không real-time; các mô hình open-source như Wan2.2-S2V, Hallo3, StableAvatar thiếu tương tác thời gian thực và chỉ số đồng bộ/sync kém hơn.

IV. Conclusion & Future Works:​

Vidu S1 cho thấy khả năng kết hợp chất lượng tạo avatar, điều khiển bằng giọng nói, và suy luận thời gian thực trong một pipeline liên tục. Việc giải quyết đồng thời cả vấn đề mô hình (streaming autoregressive, TwinCache, DMD+PCM) và hạ tầng (TurboDiffusion, TurboServe, quantization, CUDA Graph, context parallelism) là yếu tố then chốt để biến tạo video tương tác thành khả thi trên GPU phổ thông. Hướng tương lai: mở rộng hỗ trợ đa nhân vật, nhiều góc máy và cảnh phức tạp hơn; cải thiện độ trễ đầu vào để phản hồi giọng nói gần như tức thì; tối ưu thêm cho thiết bị biên (edge devices) và các ứng dụng đa người dùng đồng thời.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng phương pháp TwinCache cho mô hình video autoregressive tổng quát, chứng minh cơ chế cache nhiễu/sạch có thể cân bằng độ bền thời gian và độ sắc nét trong các tác vụ sinh video dài khác (video game, mô phỏng động lực).
  2. Kết hợp điều khiển giọng nói liên tục với các tín hiệu ngôn ngữ đa dạng (cử chỉ, ánh mắt, cảm xúc) để xây dựng avatar đa phương thức, phản hồi đồng thời nhiều kênh tương tác trong thời gian thực.
  3. Nghiên cứu cách kết hợp DMD với các phương pháp regularization như PCM để giảm số bước lấy mẫu cho các mô hình diffusion tự hồi quy, đồng thời tránh mode collapse trong sinh video dài.

2. Patent:​

  1. Hệ thống tạo avatar video call theo thời gian thực trên điện thoại: người dùng tải ảnh selfie hoặc chọn nhân vật anime/thú cưng, nói chuyện như bình thường; điện thoại tạo luồng video 540p/30+ FPS phản hồi theo giọng và biểu cảm người dùng, không cần máy chủ đắt đỏ.
  2. Nền tảng livestream ảo với host điều khiển bằng giọng nói: streamer chỉ cần cung cấp ảnh nhân vật và âm thanh, hệ thống tự động tạo video avatar phản ứng theo lời thoại và chỉ dẫn tức thì, giảm chi phí sản xuất nội dung tương tác.
  3. Trợ lý giảng dạy ảo tương tác cho ứng dụng học ngoại ngữ: người học nói chuyện với nhân vật 3D/2D, hệ thống vừa sinh khẩu hình đồng bộ vừa thực hiện cử chỉ theo chỉ dẫn giọng nói (ví dụ "giơ tay", "mỉm cười"), tạo cảm giác trò chuyện tự nhiên.
  4. Module tạo video quảng cáo tương tác trên thiết bị di động: người dùng nhập mô tả giọng nói hoặc chọn kịch bản, nhân vật sản phẩm/người mẫu thực hiện hành động và nói theo kịch bản trong thời gian thực, cho phép điều chỉnh nội dung ngay lập tức.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.03118
ArXiv Abstracthttps://arxiv.org/abs/2607.03118
PDF Downloadhttps://arxiv.org/pdf/2607.03118.pdf
Github Repositoryhttps://github.com/shengshu-ai/Vidu-S1

2. Video-Oasis: Rethinking Evaluation of Video Understanding (45 votes)​

Tác giả: Geuntaek Lim, Sungjune Park, Jaeyun Lee, Inwoong Lee, Taeoh Kim, et al.

Xuất bản lúc: 2026-07-02

Tag: Video-LLM, Video Understanding, Benchmark Auditing, Spatial-Temporal Reasoning, Multi-modal Evaluation

I. Main Problem:​

Các benchmark đánh giá Video-LLM hiện tại thổi phồng điểm số nhờ những câu hỏi có thể giải được mà không cần hiểu video thực sự. Cụ thể:

  • 55% mẫu trong 14 benchmark phổ biến giải được mà không cần đầu vào hình ảnh hay ngữ cảnh thời gian.
  • Các mô hình vẫn đạt 30–50% chính xác khi bị che video, xáo trộn khung hình, hoặc chỉ dùng lời thoại/caption — cao hơn nhiều so với random ~25.6%.
  • Điểm số công bố tương quan mạnh với tỷ lệ shortcut, khiến người dùng không thể biết hiệu suất đến từ nhận thức thị giác, suy luận thời gian, hay kiến thức ngôn ngữ/sự kiện có sẵn.

II. Main Idea:​

Video-Oasis là bộ công cụ chẩn đoán bền vững để kiểm tra xem một benchmark video-QA có thực sự đòi hỏi hiểu biết video hay không. Cấu trúc chính gồm 3 trục:

  • Kiểm tra phụ thuộc thị giác: cho mô hình chỉ câu hỏi + đáp án (Blind), chỉ bản ghi âm (Audio), hoặc chuỗi caption (Summary) — nếu đúng thì video không cần thiết.
  • Kiểm tra phụ thuộc thời gian: chỉ cho khung hình giữa (Center-Frame), xáo trộn thứ tự khung (Frame Shuffling), hoặc dùng mã hóa không-thời-gian (Bag-of-Frames) — nếu đúng thì không cần suy luận thứ tự sự kiện.
  • Kiểm tra tính mơ hồ: dùng sự đồng thuận giữa nhiều mô hình và con người để phát hiện annotation sai, câu trả lời không duy nhất, hoặc lọc nhầm.

Sau khi lọc bỏ shortcut, các mẫu còn lại được phân loại thành 5 thách thức video-thuần: nhận thức chi tiết, hiểu không gian 3D, theo dõi động thời gian, suy luận nhân quả, và nắm bắt mạch truyện toàn cục.

Ví dụ đời thường: giống như giáo viên kiểm tra đề thi bằng cách che bài giảng hoặc xáo trộn slide; nếu học sinh vẫn trả lời đúng thì câu hỏi đó không kiểm tra kiến thức thực sự về bài giảng.

III. Main Results:​

  • Audit quy mô lớn: kiểm tra 14 benchmark, 24.416 cặp QA, thu về 11.033 mẫu video-thuần từ 4.938 video sau khi lọc 55% shortcut.
  • Tỷ lệ shortcut cao: với ngưỡng đồng thuận nghiêm ngặt (c = 3), trung bình 55% mẫu là shortcut; nếu nới lỏng (c ≥ 1) thì lên tới 92,7% mẫu có thể giải bằng ít nhất một dạng đầu vào suy yếu.
  • Phân bố các kiểm tra: Summary, Center-Frame và Frame Shuffling đóng góp 65% shortcut độc lập; Blind, Audio và Bag-of-Frames đóng góp 35% còn lại.
  • Xác thực shortcut: các mẫu bị gắn cờ shortcut khi đánh giá bình thường vẫn đạt trung bình 76% đúng, cho thấy đúng là chúng đã quá dễ với mô hình hiện tại.
  • Khoảng trống năng lực: sau khi lọc shortcut, các mô hình SOTA chỉ đạt gần ngang mức đoán ngẫu nhiên, phơi bày lỗ hổng lớn trong hiểu biết spatio-temporal thực sự.

IV. Conclusion & Future Works:​

Video-Oasis cho thấy benchmark video hiện tại đánh giá quá lỏng vì bão hòa shortcut; tương lai cần xây dựng tiêu chí chung để buộc mỗi câu hỏi phụ thuộc vào bằng chứng thị giác và thứ tự thời gian. Hướng mở rộng: áp dụng chẩn đoán cho video dài hơn, cảnh egocentric/interactive, tích hợp kiểm định annotation tự động, và phát triển mô hình có khả năng suy luận nhân quả – theo dõi đối tượng – tích hợp sự kiện xuyên suốt timeline.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nâng cấp Video-Oasis thành pipeline tự động kiểm định mọi benchmark video-QA mới, tích hợp LLM để gán nhãn thách thức video-thuần và sinh đề xuất sửa câu hỏi shortcut.
  2. Phát triển mô hình Video-LLM với module suy luận thời gian chuyên biệt, đánh giá trên tập Video-Oasis-filtered để đo lường tiến bộ thực sự trong causal/temporal reasoning.
  3. Mở rộng phương pháp audit shortcut sang các benchmark đa phương thức khác như video-text retrieval, video captioning, và long-form video understanding.

2. Patent:​

  1. Nền tảng kiểm định benchmark video tự động: nhà phát triển tải lên tập video-QA, hệ thống chạy bộ thử Blind/Audio/Summary/Shuffle để gắn cờ shortcut, tính điểm độ khó video-thuần và xuất báo cáo hiệu chỉnh câu hỏi.
  2. Công cụ lọc dữ liệu huấn luyện video-QA chất lượng cao: tự động loại bỏ các câu chỉ cần nghe/audio/1 khung hình, giữ lại các mẫu đòi hỏi nhận diện chi tiết, theo dõi đối tượng, suy luận nhân quả và mạch truyện dài.
  3. Ứng dụng trợ lý video trên điện thoại có kiểm tra tính phụ thuộc hình ảnh: khi người dùng đặt câu hỏi về video, ứng dụng thử trả lời từ transcript hoặc khung hình đơn; nếu được thì gợi ý người dùng hỏi lại theo hướng cần quan sát chuyển động thực sự.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2603.29616
ArXiv Abstracthttps://arxiv.org/abs/2603.29616
PDF Downloadhttps://arxiv.org/pdf/2603.29616.pdf
Github Repositoryhttps://github.com/sejong-rcv/Video-Oasis

3. Why Can't I Open My Drawer? Mitigating Object-Driven Shortcuts in Zero-Shot Compositional Action Recognition (42 votes)​

Tác giả: Geo Ahn, Inwoong Lee, Taeoh Kim, Minho Shim, Dongyoon Wee, et al.

Xuất bản lúc: 2026-07-02

Tag: Zero-Shot Compositional Action Recognition, Compositional Generalization, Video Representation Learning, Vision-Language Models, Shortcut Learning, Action Recognition

I. Main Problem:​

Trong Zero-Shot Compositional Action Recognition (ZS-CAR), các mô hình dự đoán động từ dựa vào đối tượng thay vì bằng chứng thời gian. Hệ quả:

  • khi gặp cặp động từ–đối tượng chưa thấy, mô hình thường "sụp đổ" về các cặp đã thấy hoặc xuất hiện thường xuyên trong huấn luyện
  • hiệu suất trên tổ hợp unseen sụt giảm, đặc biệt với các động từ có trật tự thời gian đối lập như opening và closing.

II. Main Idea:​

RCORE (Robust COmpositional REpresentations) điều trị hai nguyên nhân gốc của shortcut dựa vào đối tượng:

  • CPR (Co-occurrence Prior Regularization): tổng hợp các video cho cặp động từ–đối tượng mới bằng cách ghép vùng chuyển động của video này với đối tượng tĩnh của video khác; mở rộng không gian nhãn theo batch; đồng thời đối xử các cặp huấn luyện hay gặp như hard negatives với margin.
  • TORC (Temporal Order Regularization for Composition): buộc đại diện động từ phải phụ thuộc trật tự thời gian bằng cách giảm độ tương đồng với chuỗi đảo ngược và tăng entropy dự đoán trên chuỗi xáo trộn, tránh suy luận từ dấu hiệu tĩnh.

Ví dụ đời thường: giống như người học lái xe chỉ nhìn biển số xe để đoán hướng đi thay vì đèn xi-nhan, nên khi gặp xe cùng biển số nhưng rẽ ngược lại thì nhầm hoàn toàn; RCORE bắt buộc quan sát xi-nhan (trật tự thời gian) và không tin chắc khi tín hiệu bị đảo lộn.

III. Main Results:​

  • RCORE giảm FSP (False Seen Prediction) và FCP (False Co-occurrence Prediction) trên cả hai tập Sth-com và EK100-com.
  • Hoạt động với nhiều backbone video–ngôn ngữ (CLIP, InternVideo2), cải thiện độ chính xác trên các tổ hợp unseen so với baseline C2C.
  • Chẩn đoán cho thấy baseline dù có backbone pretrain video vẫn có FSP cao và mắc lỗi verb-collapse (đối tượng đúng, động từ sai), chứng tỏ shortcut không tự biến mất bằng mô hình video lớn.

IV. Conclusion & Future Works:​

RCORE chứng minh rằng việc mở rộng giám sát cho tổ hợp ảo (CPR) và buộc động từ gắn với trật tự thời gian (TORC) làm giảm shortcut dựa vào đối tượng. Hướng tương lai: áp dụng ý tưởng cho mô hình decoder-based VLM, mở rộng đánh giá trong giao thức open-world không cần nhãn test, và khám phá chiến lược tổng hợp tổ hợp thông minh hơn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Kết hợp RCORE với mô hình video–ngôn ngữ dạng decoder để nhận diện tổ hợp động từ–đối tượng trong không gian nhãn mở.
  2. Mở rộng chẩn đoán shortcut cho các cấp độ thời gian khác nhau (frame-level vs. clip-level) và các dạng bias khác như cảnh và bối cảnh.
  3. Phát triển phương pháp tự động tổng hợp cặp mới dựa trên ước lượng độ khó của động từ và đối tượng thay vì ghép ngẫu nhiên.

2. Patent:​

  1. Ứng dụng điện thoại thông minh phân tích video nấu ăn: nhận diện hành động mở/đóng ngăn kéo, đổ/lấy đồ vật ngay cả khi góc quay và đồ vật thay đổi, bằng cách tự tổng hợp huấn luyện các tổ hợp mới.
  2. Hệ thống camera an ninh gia đình: phát hiện hành vi bất thường (mở tủ lạnh, rút phích cắm) mà không bị nhầm do vật dụng quen thuộc, nhờ học trật tự thời gian thay vì chỉ nhận diện vật.
  3. Robot trợ giúp người cao tuổi: hiểu động từ như đưa/lấy/mở/đóng đồ vật dựa trên chuyển động thời gian, giúp thực hiện lệnh đúng khi gặp đồ vật hoặc tư thế tay chưa từng thấy trong huấn luyện.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2601.16211
ArXiv Abstracthttps://arxiv.org/abs/2601.16211
PDF Downloadhttps://arxiv.org/pdf/2601.16211.pdf
Github Repositoryhttps://github.com/KHU-VLL/RCORE

4. UniClawBench: A Universal Benchmark for Proactive Agents on Real-World Tasks (23 votes)​

Tác giả: Zhekai Chen, Chengqi Duan, Kaiyue Sun, Bohao Li, Yuqing Wang, et al.

Xuất bản lúc: 2026-07-09

Tag: AI Agents, Benchmarks, Proactive Agents, Multimodal, Long-Context, Cross-Platform, GUI Agents, OpenClaw, Nanobot, EDICT

I. Main Problem:​

Các benchmark hiện tại cho agent tự chủ chủ yếu chạy trong sandbox tĩnh và đánh giá single-turn, không phản ánh thực tế agent phải tương tác đa lượt với người dùng trong môi trường thay đổi. Hơn nữa, phân loại task theo kịch bản ứng dụng (scenario) khiến việc xác định nguyên nhân thất bại trở nên mơ hồ: một task "văn phòng" thất bại có thể do thị giác, suy luận dài hạn hay phối hợp công cụ. Ngoài ra, trong môi trường live, ground truth không ổn định (giá sản phẩm thay đổi, nội dung web cập nhật), nên đáp án ghi sẵn nhanh chóng lỗi thời.

II. Main Idea:​

UniClawBench là benchmark capability-driven đầu tiên đánh giá proactive agents trong môi trường thực động. Thay vì phân loại theo kịch bản, 400 task song ngữ Anh–Trung được xây dựng thủ công quanh 5 khả năng nền tảng: Skill Usage, Exploration, Long-Context Reasoning, Multimodal Understanding, và Cross-Platform Coordination. Các task chạy trong Docker với trình duyệt, GUI, file và dịch vụ thật.

Để xử lý ground truth không ổn định, tác giả bỏ đáp án ghi sẵn và thay bằng checkpoint rubric chi tiết từng bước. Để mô phỏng tương tác đa lượt mà không làm lộ đáp án, họ đề xuất ba vai tách biệt:

  • Executor Agent: thực thi task trong Docker.
  • Supervisor Agent: ẩn, chấm điểm trajectory và artifact theo rubric và tài liệu tham khảo riêng.
  • User Simulator: nhận chỉ tín hiệu tiến độ thô (pass/fail/continue) và trajectory hiển thị để tạo phản hồi tự nhiên cho executor.

Information firewall ngăn user simulator tiếp cận rubric/ground truth, tránh rò rỉ tiêu chí chấm điểm.

Ví dụ đời thường: giống như một kỳ thi thực hành có giám khảo chấm điểm trong phòng kín (supervisor), còn giáo viên hướng dẫn (user simulator) chỉ được báo "em đang làm đúng 60%, cần kiểm tra lại phần tính toán" để nhắc học sinh (executor) sửa, nhưng không được biết đáp án chi tiết để tránh đọc lệnh từng bước.

III. Main Results:​

  • Độ khó cực cao: 10 model SOTA dưới cùng framework OpenClaw đều đạt pass rate dưới 50%, với Claude Opus-4.8 dẫn đầu ở 47.5% overall. Điều này cho thấy khoảng cách lớn giữa khả năng trong sandbox và thực thi ngoài đời thật.
  • Phân bố khả năng: Skill Usage và Exploration là điểm tương đối mạnh; Long Context, Multimodal và Cross-Platform là các nút thắt chính, đòi hỏi ghi nhớ dài hạn, căn cứ vào bằng chứng phi-văn bản và phối hợp đa ứng dụng.
  • Framework quan trọng hơn model: Khi so sánh cùng model qua OpenClaw, EDICT và Nanobot, OpenClaw đạt pass rate cao nhất nhờ quản lý context thống nhất; EDICT có điểm trung bình cao nhưng pass rate thấp do "ma sát phối hợp" giữa các sub-agent; Nanobot tiết kiệm token nhất nhưng thường thiếu bằng chứng dài hạn, dẫn đến pass rate thấp.
  • Hiệu quả đa lượt: Performance cải thiện liên tục qua các chu kỳ tương tác (23.8% → 29.5% → 31.7%), chứng minh phản hồi từ người dùng giúp agent khôi phục lỗi.
  • Độ tin cậy đánh giá: Supervisor tự động đạt 92% agreement với đánh giá của human experts và tương quan Pearson 0.71 với điểm con người.

IV. Conclusion & Future Works:​

UniClawBench phân rã đánh giá agent từ mức độ kịch bản xuống 5 khả năng nền tảng, giúp cộng đồng xác định chính xác nguyên nhân khi proactive agents thất bại trong thực tế. Ba-vai closed-loop với information firewall là bước tiến quan trọng để đánh giá đa lượt mà không làm lộ đáp án. Hướng tương lai: mở rộng quy mô task vượt ra ngoài 400 task thủ công, tăng độ ổn định của môi trường live (tránh thay đổi giá/web), và giảm thiểu thiên vị có thể xuất phát từ việc sử dụng LLM làm cả supervisor và user simulator.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng taxonomy capability-driven cho benchmark agent ngoài 5 khả năng hiện tại, ví dụ khả năng học liên tục, khả năng chống chịu lỗi (fault tolerance) và quản lý bộ nhớ dài hạn trong proactive agents.
  2. Phát triển phương pháp xây dựng user simulator có thể điều chỉnh mức độ chi tiết phản hồi theo người dùng thật, đo lường tác động của phong cách phản hồi đến tốc độ học của agent.
  3. Nghiên cứu cách tối ưu hóa kiến trúc agent framework (centralized vs. multi-agent) cho từng khả năng nền tảng, từ đó thiết kế framework tự thích ứng với độ phức tạp của task.

2. Patent:​

  1. Trợ lý cá nhân trên điện thoại thông minh tự hoàn thành task đa nền tảng: ví dụ người dùng yêu cầu "nấu Beef Wellington", agent tự tìm video YouTube, chụp ảnh các bước chính, đọc ảnh tủ lạnh, so sánh nguyên liệu và xuất shopping_list.md cùng cooking_steps.md.
  2. Hệ thống đánh giá và huấn luyện chatbot hỗ trợ khách hàng theo thời gian thực: supervisor ẩn chấm điểm cuộc hội thoại, user simulator tạo phản hồi tự nhiên để agent luyện tập đa lượt mà không lộ kịch bản đáp án.
  3. Nền tảng kiểm thử tự động cho agent doanh nghiệp trong container Docker: chạy task cross-platform thực (đọc email, điền biểu mẫu, xuất báo cáo) và tự động chấm điểm theo checkpoint, giúp công ty đánh giá độ tin cậy của trợ lý AI trước khi triển khai.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.08768
ArXiv Abstracthttps://arxiv.org/abs/2607.08768
PDF Downloadhttps://arxiv.org/pdf/2607.08768.pdf
Github Repositoryhttps://github.com/HKU-MMLab/UniClawBench

5. Ideas Have Genomes: Benchmarking Scientific Lineage Reasoning and Lineage-Grounded Idea Generation (22 votes)​

Tác giả: Yifan Zhou, Qihao Yang, Yan Li, Donggang Li, Xiru Hu, et al.

Xuất bản lúc: 2026-07-09

Tag: Scientific Lineage, Idea Genome, LLM Benchmark, AI Research Agents, Idea Generation, Evolutionary Dynamics

I. Main Problem:​

Các hệ thống nghiên cứu tự động dựa trên LLM hiện nay có thể tìm kiếm tài liệu, viết đề xuất và tạo ra văn bản trông hợp lý, nhưng các bộ đánh giá hiện tại vẫn bỏ qua một câu hỏi quan trọng: ý tưởng mới có thực sự kế thừa cơ chế đúng, sửa chữa hạn chế đúng, và kết hợp các phần tử từ công trình trước hay không. Các tín hiệu ở cấp bài báo như tiêu đề, tóm tắt, trích dẫn hay embedding quá thô — hai bài báo có thể cùng chủ đề nhưng không kế thừa nhau, hoặc trông xa về mặt văn bản nhưng lại chia sẻ cùng một cơ chế lõi. Hậu quả:

  • mô hình có thể tìm đúng bài báo nhưng vẫn chọn sai cơ chế cha,
  • một đề xuất nghe hay nhưng không thực sự nối tiếp dòng nghiên cứu nào một cách mạch lạc.

II. Main Idea:​

IdeaGene biểu diễn mỗi bài báo hoặc đề xuất như một tập các đối tượng Idea Genome — những ý tưởng nhỏ nhất, có kiểu (type), được neo vào bằng chứng trong văn bản, và đủ tự chức để có thể bị kế thừa, đột biến, mất đi hoặc tái kết hợp. Các kiểu bao gồm: niche (bài toán/môi trường), mechanism (phương pháp kế thừa được), limitation (điểm yếu), delta (sửa chữa/thay đổi), observation (quan sát thúc đẩy), và claim (kết quả khẳng định). Sau đó, GenomeDiff căn chỉnh các Idea Genome giữa bài tiền nhiệm và bài kế thừa, ghi lại quan hệ: kế thừa, đột biến, mất, nhập ngoại, hoặc chèn mới — dưới sáu động lực tiến hóa (mutation, adaptive radiation, hybridization, speciation, niche competition, isolation). Benchmark IG-Bench gồm hai phần:

  • IG-Exam: 42 dạng bài, 1,029 câu hỏi đánh giá lý luận dòng nghiệp ở dạng trắc nghiệm/khép kín.
  • IG-Arena: đánh giá tạo ý tưởng mở với Population-Evolution Score (PES), đo ba chiều Heredity (kế thừa đúng), Variation (có biến đổi có ý nghĩa), và Selection (có giá trị chọn lọc trong quần thể).

Ví dụ đời thường: giống như một đầu bếp tạo món mới không chỉ bằng cách đọc tên các món cũ, mà phải xác định rõ nguyên liệu nào được giữ lại, cách chế biến nào được thay đổi, và tại sao món mới lại là phiên bản hợp lý của món gốc — nếu chỉ trùng chủ đề "món Ý" thì chưa đủ để gọi là kế thừa.

III. Main Results:​

  • IG-Bench chứa 1,961 dấu vết dòng nghiệp vàng (golden lineage) trải 10 lĩnh vực, 1,085 Idea Genome được kiểm định, và 920 bản ghi GenomeDiff.
  • Hệ thống mạnh nhất trên IG-Exam đạt chỉ 27,3% độ chính xác exact-match, cho thấy nút thắt lớn trong lý luận bố cục (compositional reasoning).
  • Hiệu suất giảm dần từ T1 Genome Abstraction (34,4%) xuống T4 Lineage Verification (17,4%), phản ánh khả năng càng đòi hỏi kết hợp nhiều yếu tố thì càng kém.
  • Các khung CLI (Codex, Claude Code) cải thiện rõ T2 Inheritance Tracing (25,7% → 37,9%) nhưng hầu như không giúp T3 Evolutionary Reasoning và T4 Lineage Verification.
  • Trong IG-Arena, lợi ích của ngữ cảnh dòng nghiệp có cấu trúc chủ yếu đến từ Heredity (+5,4 điểm trong trường hợp Hybridization); Variation và Selection gần như không đổi.
  • ELO và PES có xếp hạng phân kỳ (Spearman ρ = 0,82): một đề xuất trau chuốt nhưng thiếu cơ sở dòng nghiệp có thể thắng trong so sánh từng cặp nhưng lại thua khi đo bằng PES.

IV. Conclusion & Future Works:​

Khả năng dòng nghiệp khoa học là một kỹ năng riêng biệt, không thể thay thế bằng khả năng truy xuất hay viết lách. Ngữ cảnh ở cấp bài báo là chưa đủ; cần có cấu trúc GenomeDiff để kiểm định việc kế thừa ý tưởng một cách có thể audit. Hướng tương lai: phát triển các mô hình huấn luyện học cách căn chỉnh Idea Genome một cách tường minh, mở rộng quy mô các dấu vết dòng nghiệp, và cải thiện độ tin cậy của model-judge trong IG-Arena.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng khung IdeaGene sang dòng nghiệp sáng chế và công nghệ, theo dõi cách các phát minh kỹ thuật kế thừa cơ chế xuyên lĩnh vực.
  2. Huấn luyện mô hình dự đoán động lực tiến hóa trực tiếp từ văn bản bài báo, giảm phụ thuộc vào chú thích chuyên gia tốn kém.
  3. Kết hợp căn chỉnh Idea Genome với phân loại ý định trích dẫn để xây dựng bản đồ thống nhất về sự tiến hóa phương pháp trong khoa học.

2. Patent:​

  1. Ứng dụng trên điện thoại hỗ trợ nhà nghiên cứu viết đề xuất: so sánh đề xuất mới với các công trình trước dưới dạng Idea Genome, kiểm tra cơ chế nào được kế thừa, hạn chế nào được sửa, và cảnh báo nếu đề xuất không thực sự nối tiếp dòng nghiên cứu đã chọn.
  2. Hệ thống quản lý dòng nghiệp thiết kế sản phẩm cho nhóm R&D: ghi lại từng quyết định thiết kế như một Idea Genome, cho phép nhìn thấy rõ tính năng nào được kế thừa, đột biến, hay nhập từ dòng sản phẩm khác, hỗ trợ ra quyết định khi phát triển phiên bản kế tiếp.
  3. Trợ lý sáng chế trên điện thoại thông minh: người dùng nhập ý tưởng mới, ứng dụng căn chỉnh với cơ sở dữ liệu bằng sáng chế trước đó và hiển thị trực quan các thành phần đã tồn tại, thành phần mới, giúp viết bằng sáng chế có căn cứ dòng nghiệp rõ ràng.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.08758
ArXiv Abstracthttps://arxiv.org/abs/2607.08758
PDF Downloadhttps://arxiv.org/pdf/2607.08758.pdf
Github Repositoryhttps://github.com/VisionXLab/IdeasHaveGenomes

6. LongE2V: Long-Horizon Event-based Video Reconstruction, Prediction, and Frame Interpolation with Video Diffusion Models (19 votes)​

Tác giả: Cheng-De Fan, Chun-Wei Tuan Mu, Chen-Wei Chang, Chin-Yang Lin, Kun-Ru Wu, et al.

Xuất bản lúc: 2026-07-09

Tag: Event-based Vision, Video Diffusion Models, Video Reconstruction, Frame Interpolation, Long-Horizon Generation, CogVideoX

I. Main Problem:​

Event camera ghi lại thay đổi độ sáng bất đồng bộ với độ phân giải micro giây và dải động cao, nhưng đầu ra thưa thớt và không chứa thông tin cường độ tuyệt đối, khiến việc khôi phục video chất lượng cao là bài toán ngược không định nghĩa. Các hướng tiếp cận hiện tại gặp vấn đề nghiêm trọng:

  • Mô hình hồi quy (E2VID, FireNet) bị mờ chi tiết do regression-to-the-mean.
  • Mô hình khuếch tán video khi dự đoán dài hạn bị tích lũy lỗi, gây drift màu và nhiễu.
  • Nội suy khung hình thất bại với chuyển động nhanh, tạo hiện tượng ghosting.
  • Hầu hết phương pháp chỉ giải quyết một tác vụ riêng lẻ, thiếu linh hoạt.

II. Main Idea:​

LongE2V tinh chỉnh một video diffusion model tiền huấn luyện (CogVideoX I2V) để xử lý đồng thời ba tác vụ — reconstruction, prediction, frame interpolation — từ cùng một kiến trúc, dùng event voxel làm điều kiện chuyển động. Các cơ chế cốt lõi:

  • Autoregressive Unrolling: thay vì luôn dùng ground-truth làm context, mô hình được fine-tune lặp lại với chính kết quả dự đoán của mình, giảm khoảng cách phân phối giữa huấn luyện và suy luận.
  • Adaptive Context Switch: dựa trên attention weight giữa token hiện tại và token context, tự động quyết định có nên giữ hoặc làm mới context để tránh tích lũy lỗi.
  • Reencoding Alignment: giải quyết sai lệch thời gian do 3D VAE nén theo chiều thời gian bằng cách decode latent ra pixel, lật thứ tự, rồi encode lại.
  • Cross Residual Correction: bù thông tin mất trong vòng decode-encode bằng cách chéo residual giữa nhánh forward và backward, khôi phục chi tiết cao tần và đạt temporal consensus.
  • Event Voxel Density Augmentation: resize ngẫu nhiên event voxel để mô hình ổn định với nhiều độ phân giải cảm biến khác nhau.

Ví dụ đời thường: giống như người phục chế ảnh cũ không chỉ đoán màu từng vệt mờ mà còn tự vẽ lại từng đoạn, soi lại đoạn trước để đảm bảo màu không bị lem, đồng thời đối chiếu từ trái sang phải và ngược lại để các nét khớp nhau.

III. Main Results:​

  • Reconstruction: Đạt LPIPS tốt nhất trên các tập thực tế ECD, MVSEC, HQF, vượt E2VID+, HyperE2VID về chất lượng cảm nhận.
  • Prediction: Vượt xa VDM-EVFI trên mọi chỉ số và dataset (ví dụ PSNR 24.40 vs 20.33 trên ECD, LPIPS 0.110 vs 0.244), cho thấy khả năng ổn định dài hạn.
  • Frame Interpolation (zero-shot): Dù không fine-tune cho nội suy, vẫn vượt các mô hình chuyên biệt CBMNet-Large và TLXNet+ về LPIPS trên BS-ERGB (0.124 vs 0.170) và HQF (0.105 vs 0.166), đồng thời tái tạo được chữ nhỏ và chuyển động phức tạp.
  • Ablation: Thiếu tiền huấn luyện khiến mô hình hội tụ thất bại; thiếu Autoregressive Unrolling hoặc Adaptive Context Switch gây drift và artifact; thiếu Reencoding Alignment/Cross Residual Correction gây ghosting và mất chi tiết.

IV. Conclusion & Future Works:​

LongE2V chứng minh rằng video diffusion priors có thể được điều chỉnh hiệu quả để giải quyết đồng thời reconstruction, prediction và frame interpolation cho event camera với chất lượng cảm nhận cao, tính nhất quán thời gian dài hạn và khả năng tổng quát zero-shot. Hướng tương lai: tăng tốc suy luận và phát triển cơ chế bộ nhớ hiệu quả hơn để duy trì tính nhất quán cho video cực dài.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng framework tự thích ứng context cho các tác vụ video-to-video khác như deblurring hoặc super-resolution từ event stream, tận dụng cùng một prior khuếch tán.
  2. Kết hợp LongE2V với mô hình ngôn ngữ-vision để sinh video có điều kiện văn bản từ event, mở rộng ứng dụng colorization và stylization theo mô tả ngôn ngữ.
  3. Nghiên cứu cơ chế lưu trữ bộ nhớ dài hạn (external memory) cho diffusion transformer nhằm giảm chi phí tính toán khi xử lý video hàng nghìn khung hình từ event camera.

2. Patent:​

  1. Camera điện thoại thông minh sử dụng cảm biến event: từ luồng sự kiện thưa thớt, thiết bị khôi phục video HDR, không motion blur trong điều kiện chuyển động nhanh hoặc ánh sáng yếu, đặc biệt hữu ích cho quay thể thao và chụp đêm.
  2. Chế độ slow-motion trên điện thoại dựa trên event camera: ghi lại luồng sự kiện micro-giây khi quay video thường, sau đó nội suy thêm khung hình ở tốc độ cao mà không cần quay ở tốc độ khung hình cực cao, tiết kiệm bộ nhớ và năng lượng.
  3. Ổn định video trực tiếp trên thiết bị di động: kết hợp event stream với khung hình bắt đầu để dự đoán chuỗi khung hình ổn định trong AR/VR hoặc quay video vận động, giảm rung và duy trì tính liên tục màu sắc.
  4. Hệ thống giám sát an ninh ban đêm: camera event ghi dữ liệu thưa thớt khi có chuyển động, mô hình LongE2V tái tạo thành video chuẩn có thể nhìn được, giảm băng thông lưu trữ và truyền tải so với camera RGB liên tục.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.08770
ArXiv Abstracthttps://arxiv.org/abs/2607.08770
PDF Downloadhttps://arxiv.org/pdf/2607.08770.pdf
Github Repositoryhttps://github.com/cdfan0627/LongE2V

7. Enhancing In-context Panoramic Generation via Geometric-aware Pretraining (14 votes)​

Tác giả: Haoran Feng, Ruiyang Zhang, Longyi Zhang, Dizhe Zhang, Lu Qi

Xuất bản lúc: 2026-07-09

Tag: Panorama Generation, In-Context Generation, Flow Matching, Diffusion Transformer, Depth Estimation, Image Editing

I. Main Problem:​

Sinh và chỉnh sửa ảnh toàn cảnh (panorama) theo ngữ cảnh gặp hai rào cản chính:

  • Biến dạng hình học do chiếu equirectangular (ERP): độ méo phụ thuộc vĩ độ, khiến các phương pháp chỉnh sửa thông thường dễ phá vỡ cấu trúc 3D và liên tục ở đường nối 0°/360°.
  • Thiếu dữ liệu quy mô lớn, chất lượng cao cho các tác vụ in-context panorama như inpainting, outpainting, style transfer và editing.

II. Main Idea:​

Canvas360 là khung hai giai đoạn:

Giai đoạn 1 — Pretraining nhận thức hình học:

  • Tạo cặp RGB–Depth từ 100K panorama chất lượng cao.
  • Sinh song song (parallel depth generation) RGB và depth theo kiến trúc Flow Transformer, ghép token RGB và depth theo chiều token.
  • Dùng positional offset trong 3D RoPE để phân biệt RGB và depth; thêm similarity loss tránh hai nhánh dự đoán quá giống nhau.
  • Velocity circular padding đồng bộ cột biên ảo 0°/360°, buộc mô hình hiểu đường nối cầu là liền kề nhau.

Giai đoạn 2 — Fine-tuning in-context thống nhất:

  • Bỏ depth, giữ lại kiến thức hình học ngầm.
  • Huấn luyện trên 900K mẫu cho 4 tác vụ: style transfer, inpainting, outpainting, editing, bằng cách ghép token đích và token ngữ cảnh ở cấp token.

Ví dụ đời thường: giống như học viên làm tượng trước tiên phải tập đắp khung xương sắt và nắm rõ cấu trúc 3D cơ thể, sau đó mới phủ đất sét và tạo hình chi tiết bên ngoài; khung xương không hiện ra nhưng quyết định tượng có đứng vững và đúng tỉ lệ hay không.

III. Main Results:​

  • Text-to-panorama: đạt FAED tốt nhất (2.33), chỉ số đặc thù cho panorama, đồng thời dẫn đầu về IS, QA aesthetic, NIQE và cạnh tranh trên FID/FIDpole/FIDequ.
  • User study (71 người, 10 ảnh): Canvas360 thắng ở boundary continuity (31.1%), panorama awareness (34.1%) và overall quality (35.9%), vượt Matrix-3D, HunyuanWorld, DiT360.
  • In-context tasks: outpainting/inpainting ít mờ và ít artifact hơn FLUX.1-Fill-dev và các baseline chuyên panorama; editing giữ đúng biến dạng toàn cảnh thay vì biến dạng phối cảnh thường.
  • Ablation: thêm depth, positional offset và similarity loss giúp giảm output tối đen và tăng độ ổn định; velocity circular padding cải thiện rõ liên tục đường nối.

IV. Conclusion & Future Works:​

Canvas360 cho thấy pretraining nhận thức hình học bằng depth và padding cầu có thể truyền tiếp sang nhiều tác vụ in-context panorama thông qua một mô hình fine-tuning thống nhất. Hướng tương lai: mở rộng sang video toàn cảnh, tích hợp thêm điều kiện 3D/semantic, và tối ưu mô hình để sinh panorama độ phân giải cao theo thời gian thực.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng Canvas360 từ ảnh tĩnh sang video toàn cảnh, duy trì tính liên tục không gian-cầu và thời gian trong một Flow Transformer duy nhất.
  2. Kết hợp depth, normal, semantic và layout vào giai đoạn pretraining để mô hình học biểu diễn 3D hoàn chỉnh thay vì chỉ khoảng cách tâm.
  3. Nghiên cứu cách truyền prior hình học từ panorama sang sinh cảnh 3D hoặc NeRF/Gaussian Splatting, tận dụng 1M mẫu đã có.
  4. Phát triển chiến lược active learning trên pipeline tổng hợp dữ liệu để giảm chi phí gán nhãn và tăng đa dạng ngữ cảnh.

2. Patent:​

  1. Ứng dụng chỉnh sửa panorama trên điện thoại: người dùng nhập ảnh toàn cảnh và mô tả (ví dụ “xóa ghế sofa”), ứng dụng tự động xóa/vẽ thêm đối tượng đúng biến dạng toàn cảnh mà không bị méo ở hai đầu.
  2. Hệ thống tạo ảnh bìa/banner 360° cho bất động sản: nhập ảnh phòng và yêu cầu thay đổi nội thất, hệ thống outpainting/inpainting mở rộng không gian và thay đổi đồ vật giữ tính liên tục môi trường.
  3. Module kéo dài khung hình video 21:9 thành panorama 360° cho VR: tự động outpainting hai bên biên, đảm bảo đường nối khi xem qua kính VR không bị vỡ cảnh.
  4. Công cụ style transfer toàn cảnh cho du lịch ảo: chuyển ảnh chụp thực tế thành phong cách vẽ tay, anime hoặc tranh sơn dầu trong khi bảo toàn cấu trúc kiến trúc và đường chân trời.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.08765
ArXiv Abstracthttps://arxiv.org/abs/2607.08765
PDF Downloadhttps://arxiv.org/pdf/2607.08765.pdf
Github Repositoryhttps://github.com/Insta360-Research-Team/Canvas360

8. DrugGen 2: A disease-aware language model for enhancing drug discovery (12 votes)​

Tác giả: Ali Motahharynia, Mohammadreza Ghaffarzadeh-Esfahani, Mahsa Sheikholeslami, Navid Mazrouei, Matin Irajpour, et al.

Xuất bản lúc: 2026-07-09

Tag: Drug Discovery, Generative AI, Large Language Models, Reinforcement Learning, Molecular Generation, SMILES, MeSH

I. Main Problem:​

Các công cụ tính toán thiết kế thuốc hiện tại thường chỉ điều kiện hóa việc sinh phân tử trên target protein hoặc tính chất phân tử chung, bỏ qua bối cảnh bệnh lý. Điều này gây ra các hạn chế:

  • cùng một target có thể hoạt động khác nhau trong các bệnh khác nhau (ví dụ PPARγ có lợi trong tiểu đường type 2 nhưng lại dẫn đến kết quả khác trong ung thư đại tràng)
  • thiếu khả năng thiết kế thuốc cá nhân hóa theo bệnh, làm giảm tính liên quan lâm sàng của các ứng viên được tạo ra.

II. Main Idea:​

DrugGen-2 là mô hình ngôn ngữ sinh phân tử nhận biết bệnh, điều khiển việc tạo phân tử bằng cách kết hợp mã phân cấp bệnh MeSH (DAG) với chuỗi amino acid của target protein. Quy trình huấn luyện gồm hai bước:

  • Supervised Fine-Tuning (SFT): làm quen mô hình GPT-2 (DrugGPT) với các chuỗi MeSH–sequence–SMILES từ thuốc đã phê duyệt
  • GRPO reinforcement learning: sinh nhóm ứng viên, chấm điểm theo ba tiêu chí — độ liên kết dự đoán bằng PLAPT, tính mới so với thuốc đã phê duyệt, và đa dạng trong batch — rồi cập nhật chính sách dựa trên ưu thế nhóm

Mô hình xuất ra chuỗi SMILES đại diện cho phân tử nhỏ, phù hợp với cặp bệnh–target.

Ví dụ đời thường: giống như một thợ may may vest không chỉ dựa vào số đo cơ thể khách (target) mà còn hỏi rõ dịp mặc (bệnh), rồi sau mỗi lần thử lại nhờ khách phản hồi vừa vặn, độc đáo và phù hợp hoàn cảnh để chỉnh cho đến khi đạt bộ vest ưng ý.

III. Main Results:​

  • Trên năm target liên quan đến bệnh thận đái tháo đường (ACE, PPARγ, NOS3, PAI-1, TGF-β1), DrugGen-2 sinh được 409–444 phân tử độc nhất trong 500 lần thử, vượt trội so với DrugGPT (219) và DrugGen (50).
  • Tỷ lệ hợp lệ hóa học đạt gần như tuyệt đối: 99–100% trên tất cả các target.
  • Độ tương đồng với thuốc đã phê duyệt cao hơn đáng kể: DrugGen-2 đạt 0.70, so với DrugGPT (0.30) và DrugGen (0.64).
  • Độ liên kết dự đoán (PLAPT) vượt trội: median pKd từ 9.26 đến 9.97, trong khi DrugGPT chỉ đạt 5.86–6.22 và DrugGen đạt 7.15–8.49.
  • Mô phỏng docking cho thấy nhiều ligand do DrugGen-2 tạo ra liên kết với ACE mạnh hơn thuốc tham khảo Enalapril (docking score –9.917 so với –8.283).

IV. Conclusion & Future Works:​

DrugGen-2 chứng minh rằng việc tích hợp ngữ cảnh bệnh vào mô hình sinh phân tử giúp tạo ra các ứng viên thuốc có độ liên kết dự đoán cao, cấu trúc gần với thuốc đã phê duyệt, và tính đa dạng tốt hơn. Hướng tương lai: bổ sung các hàm thưởng về ADMET, tính khả thi tổng hợp, xử lý tốt hơn chuỗi protein dài, và đặc biệt là thử nghiệm in vitro/in vivo để xác nhận hiệu quả và độ an toàn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng DrugGen-2 để đồng thời điều kiện hóa trên nhiều bệnh đồng mắc và nhiều target, hỗ trợ thiết kế thuốc đa hướng tác động cho bệnh phức tạp.
  2. Tích hợp các chỉ số ADMET và khả năng tổng hợp trực tiếp vào hàm thưởng của GRPO để tạo ra các ứng viên thuốc không chỉ liên kết tốt mà còn có tính dược động học và an toàn cao.
  3. Phát triển khung đánh giá bán tự động kết hợp dự đoán in silico với thử nghiệm thực nghiệm, thu hẹp khoảng cách từ thiết kế phân tử đến ứng dụng lâm sàng.

2. Patent:​

  1. Nền tảng thiết kế thuốc nhận biết bệnh trên điện thoại: người dùng nhập tên bệnh và target protein, ứng dụng gọi mô hình DrugGen-2 trên đám mây để đề xuất cấu trúc phân tử SMILES và điểm liên kết dự đoán trong vài giây.
  2. Hệ thống hỗ trợ tái định vị thuốc cho các công ty dược: nhập bệnh mới và target liên quan, hệ thống sinh các ứng viên phân tử gần với thuốc đã phê duyệt nhưng tối ưu cho bối cảnh bệnh lý mới, rút ngắn thời gian tìm kiếm chỉ định mới.
  3. Module tích hợp trong phần mềm khám phá thuốc: tự động kết hợp thông tin bệnh từ MeSH, chuỗi protein từ UniProt và công cụ docking để xếp hạng và trực quan hóa các ứng viên thuốc theo từng cặp bệnh–target.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2607.08404
ArXiv Abstracthttps://arxiv.org/abs/2607.08404
PDF Downloadhttps://arxiv.org/pdf/2607.08404.pdf
Github Repositoryhttps://github.com/alimotahharynia/DrugGen-2