Chuyển tới nội dung chính

🤗 Daily Hugging Face Paper Digest - 2026-10-13

Báo cáo được tạo tự động vào lúc 2026-10-14 10:18:07 bằng mô hình hermes-agent.

📰 Summary of Papers​

1. GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives (247 votes)​

Tác giả: Qize Yu, Lianrui Fan, Boyu Chen, Jiaqi Liang, Xini Ding, et al.

Xuất bản lúc: 2026-09-30

Tag: Visual Grounding, VLA, Physical Intelligence, Foundation Models, Reinforcement Learning, GRPO, Autonomous Driving, Robot Manipulation

I. Main Problem:​

Robot và xe tự hành học action bằng các mô hình VLA/WAM kế thừa backbone VLM/video-generation đa dụng, nhưng những backbone này không được tối ưu cho nhận thức định vị chính xác:

  • chúng thất bại trong cảnh đông đúc (dense) và vật thể nhỏ, vốn là lúc robot cần xác định chính xác chỗ nào để tác động
  • kết quả là dữ liệu action quý giá phải gánh đồng thời hai việc: học nhận thức lẫn học hành động
  • các phương pháp cải thiện nhận thức hiện có (box phụ trợ, objective riêng trong policy) chỉ là proxy tác vụ-cụ-thể, khó mở rộng và phụ thuộc annotation bổ sung.

II. Main Idea:​

GroundingPI là mô hình grounding nền tảng 4B built on visual primitives: mọi tác vụ nhận thức (grounding, referring, pointing, OCR, GUI, layout, visual prompting) đều được thống nhất thành bài toán sinh tọa độ định lượng hóa — điểm và hộp được biểu diễn bằng các token tọa độ <0>–<999> trong một vống từ dùng chung với ngôn ngữ, giải mã autoregressive.

Kiến trúc: visual encoder MoonViT-V2 + projector 2×2 merge + decoder ngôn ngữ Qwen3-4B. Quy trình huấn luyện 3 giai đoạn:

  • Multimodal + spatial pretraining (align projector, rồi pretrain chung)
  • SFT để gắn tọa độ với vị trí ảnh và học giao thức đầu ra chung
  • GRPO (RL) với reward tùy tác vụ: độ phủ tập hợp (set completeness), độ chặt chẽ định vị, tính nhất quán giữa chữ và hình học cho OCR — tất cả sinh từ public datasets + data engine tự gán nhãn lặp (multi-teacher fusion, kiểm chứng theo tác vụ)

Sau đó GroundingPI đóng vai trò backbone nhận thức chung cho hai downstream paradigm giữ nguyên action learner riêng: dự đoán trajectory cho lái xe (waypoints cũng mã hóa bằng cùng bảng tọa độ) và policy π-style flow-matching cho robot (features trung gian inject vào Action DiT).

Ví dụ đời thường: giống như thay vì mỗi người thợ dùng một thước đo khác nhau, cả xưởng dùng chung một tấm bản đồ kẻ ô lưới có đánh số — chỉ cần đọc tọa độ ô nào, ai cũng chỉ đúng cùng một vị trí, cho mọi loại vật thể, mọi công việc.

III. Main Results:​

  • Nhận thức (Q1): Trung bình 73.68% trên 34 benchmark / 11 năng lực nhận thức, vượt 44 baselines kể cả GPT-6 Astra to hơn nhiều (71.54%). Nổi bật: Dense200 74.53 (Astra 65.04, Qwen3-VL-4B 14.02), RefCOCO avg 83.92, RefSpatial 75.50 (Astra 85.93 vẫn nhỉnh hơn ở mảng này), ScreenSpot-V2 96.15, M6Doc 74.82 (Astra 60.59).
  • Robot manipulation (Q2): Trên RoboTwin 2.0, thắng mọi backbone phổ biến ở cả 4 tình huống OOD, tới +24.8% tương đối so với backbone mạnh nhất. Trên RoboCasa-GR1, GroundingPI train với 50% demonstration thắng các baseline train với 75% — nhận thức tốt giúp tiết kiệm dữ liệu action.
  • Lái xe: Làm visual backbone trên nuScenes, open-loop L2 trung bình 0.296 m.
  • Phân tích (Q3): Scale pretraining lên thì cả grounding lẫn downstream đều tăng; dense grounding mang lại lợi ích lớn nhất cho cả lái xe lẫn robot; OCR hành xử như chất xúc tác cho việc học nhận thức.

IV. Conclusion & Future Works:​

Kết luận: nhận thức chính xác, native của foundation model là nền tảng tốt hơn cho physical intelligence hơn là sự đa dụng thuần túy — học nhận thức rộng và chính xác trước khi thích ứng action giúp downstream policy xây trên nhận thức sẵn có thay vì tự phục hồi nó từ proxy. Các visual primitives còn mở hướng physical prompting (chỉ định mục tiêu/vị trí/cấu trúc kèm ngôn ngữ).

Hướng tương lai: thiết kế embodied foundation model kiểu System-1 (thực thi nhanh, nhận thức tốt) để bổ sung cho reasoning/planning cấp cao của các mô hình frontier như Astra; cải thiện điểm còn yếu như VisDrone, tách biệt giữa chọn điểm và độ chính xác biên cạnh, và đào sâu vai trò xúc tác của OCR.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Phân tích định lượng chi tiết data recipe theo 11 năng lực nhận thức, làm rõ cơ chế mà OCR xúc tác việc học nhận thức và xác định tỉ lệ pha trộn dữ liệu tối ưu cho transfer sang action.
  2. Mở rộng visual primitives sang physical prompting: mô hình không chỉ trả lời bằng tọa độ mà còn nhận đầu vào là điểm/hộp do người dùng chỉ, cho phểu điều khiển robot bằng cách 'chỉ trực tiếp lên ảnh'.
  3. Nghiên cứu kiến trúc System-1 perceptual foundation cho hệ thống embodied lai: backbone nhận thức chuyên trách kết hợp với mô hình frontier phụ trách reasoning cấp cao, với giao thức truyền đặc trưng nhiều tầng.
  4. Khắc phục khoảng trống point-vs-boundary: cải thiện độ chính xác khi chọn điểm trên vật nhỏ/cảnh dày đặc (VisDrone, Dense200 pointing) qua reward và dữ liệu tinh chỉnh.
  5. Thử nghiệm grounding pretraining cho các tác vụ physical intelligence khác: navigation, dexterous manipulation, và bài toán dự báo dài hạn trong world models.

2. Patent:​

  1. Trợ lý chỉnh ảnh trên điện thoại bằng giọng nói kết hợp chạm điểm: người dùng nói 'tô màu cái cốc' hoặc chạm một điểm lên ảnh làm gợi ý; mô hình xác định chính xác vùng đối tượng ngay cả khi ảnh đông người, vật nhỏ, rồi thực hiện chỉnh sửa.
  2. Hệ thống điều khiển robot hút bụi/gia đình hiểu chỉ dẫn không gian: người dùng nói 'lấy con dao nằm bên trái cái thớt' qua điện thoại; mô hình định vị vật bằng tọa độ ảnh và chuyển thành lệnh di chuyển chính xác cho robot.
  3. Tính năng tự động điền biểu mẫu và trích xuất thông tin từ ảnh chụp hóa đơn/tài liệu trên điện thoại: mô hình đọc chữ, xác định vùng từng trường (tên, số tiền, ngày) bằng hộp tọa độ và đưa vào đúng ô nhập liệu.
  4. Trợ lý vận hành xe: camera trước xe được phân tích liên tục để dự đo quỹ đạo xe điểm theo 3 giây tới, cảnh báo lệch làn hoặc gợi ý đường vượt an toàn ngay trên màn hình điện thoại thông minh.
  5. Giao diện điều khiển thiết bị bằng ngôn ngữ tự nhiên cho người khiếm thị: người dùng nói 'mở cài đặt Wi-Fi'; mô hình nhận diện nút trên màn hình và trả về tọa độ để hệ thống tự nhấn, hoạt động được trên nhiều ứng dụng khác nhau.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2609.39601
ArXiv Abstracthttps://arxiv.org/abs/2609.39601
PDF Downloadhttps://arxiv.org/pdf/2609.39601.pdf
Github Repositoryhttps://github.com/groundingpi/GroundingPI

2. Thinking Inertia: LLMs Keep Thinking When Told Not To (216 votes)​

Tác giả: Dianqiao Lei, Kevin Qinghong Lin, Pan Lu, Philip Torr, James Zou

Xuất bản lúc: 2026-10-08

Tag: LLMs, Chain-of-Thought, Reasoning, Test-Time Compute, LLM Evaluation, Prompting, Instruction Following

I. Main Problem:​

Các LLM hiện đại có công tắc thinking mode rõ ràng, nhưng hành vi ngược lại — no-thinking (trả lời thẳng không suy luận) — vẫn không có định nghĩa và phép đo đáng tin cậy. Cách đo phổ biến hiện nay chỉ dựa vào ba proxy bề mặt, đều có lỗ hổng:

  • Prompt-side control: tắt thinking mode nhưng model vẫn sinh reasoning ngay trong answer channel.
  • Visible-format control: thiếu block `` nhưng reasoning vẫn xuất hiện dưới dạng ngôn ngữ thường.
  • Length-based control: output ngắn nhưng vẫn chứa bước suy luận gọn (ví dụ một phép tính ngắn).

Hệ quả: cộng đồng không thể kiểm chứng liệu một model thực sự "không suy nghĩ" hay không, và việc kiểm soát hành vi reasoning cho mục tiêu tiết kiệm chi phí inference hay reasoning thích ứng kiểu con người bị bỏ ngỏ.

II. Main Idea:​

Tác giả operationalize no-thinking ở response level: tách mọi output thành pre-answer text T (toàn bộ text đọc được trước đáp án cuối) và final answer A, rồi đo T qua ba mức tiến dần:

  • ETR (Empty-Thinking Rate): tỷ lệ output chỉ chứa đáp án (T rỗng) — kiểm tra tuân thủ nghiêm ngặt nhất.
  • QRel. (Question–Pre-answer Relevance): độ tương đồng cosine giữa câu hỏi và T bằng instruction-aware embedding (Qwen3-Embedding-4B), đo mức liên quan của T.
  • EIR (Explicit Inference Rate): LLM-as-judge bị che mắt (GPT-5.5, chỉ thấy Q và T) phân loại T có chứa bước suy luận tường minh (deduction, computation, elimination...) hay chỉ là paraphrase/liên quan nhưng không suy luận. Human study xác nhận cả ba metric (98.8% agreement cho EIR).

Trên 6 model (Qwen3-4B/32B/235B, DeepSeek-V4-Flash, GPT-5.4, Gemini-3-Flash) x 6 benchmark (BoolQ, StrategyQA, MMLU, MMLU-Pro, GSM8K, MATH) x 6 chế độ can thiệp (từ THINK-ON/THINK-OFF đến STRICT/PREFIX forcing), họ phát hiện "Thinking Inertia": suy luận tường minh không biến mất khi bị ra lệnh cấm, mà bám theo answer space của bài toán — ít nhất ở Boolean, trung gian ở multiple-choice, nhiều nhất ở open-ended.

Ví dụ đời thường: giống như bảo một học sinh "chỉ ghi đáp án cuối, không được tính nhẩm" — cậu ta vẫn lẩm bẩm phép tính trước khi viết đáp án, và càng bị cấm thì càng lỡ miệng khi bài toán mở, khó, không có phương án gợi ý để chọn sẵn.

III. Main Results:​

  • No-think controls không đáng tin: dù thinking mode bị tắt, DeepSeek-V4-Flash (284B) vẫn giữ EIR 99.9% trên open-ended; ETR sụt gần 0 khi answer space mở rộng.
  • Thinking inertia theo answer space: EIR trung bình 6 model xếp bậc thang Bool < MCQ < Open-ended, đúng cả ở native THINK-OFF lẫn khi prompt lại "step by step" — thứ tự này bất biến trước mọi can thiệp.
  • No-thinking–performance trade-off (open-ended): prompt answer-only nghiêm ngặt hơn nâng ETR từ gần 0 lên ~40% nhưng giảm accuracy khoảng 15 điểm phần trăm; Bool/MCQ accuracy gần như không đổi (~85% ở Bool).
  • Answer space quyết định, không phải độ khó hay độ dài: viết lại cùng một câu hỏi dưới dạng multiple-choice/fact-like làm answer-only dễ sinh ra hơn hẳn so với dạng tự do.
  • PREFIX forcing (pre-fill "The answer is \boxed{") là nhánh riêng, vượt kênh instruction-following; QRel. không phải proxy của độ dài (audit cho thấy <0.06% output là near-verbatim restatement).
  • Human annotation (5 người, 600 output mù) tái hiện đúng xu hướng chính; kết quả EIR robust khi đổi judge sang model khác (Claude Opus 4.8).

IV. Conclusion & Future Works:​

No-thinking là một capability không tầm thường của LLM: không thể giả định việc dừng suy luận tường minh chỉ từ model settings hay instructions, mà cần đánh giá hệ thống ngang hàng với reasoning ability (khung ETR/QRel./EIR là công cụ cho việc này). Ba hiện tượng then chốt — thinking inertia, trade-off no-thinking–hiệu năng, và phụ thuộc answer space — cho thấy kiểm soát reasoning đòi hỏi hiểu cả tác vụ lẫn giao diện câu trả lời, không chỉ prompt. Hướng tương lai: phát triển LLM biết thích ứng khi nào cần suy luận, khi nào trả lời trực tiếp như con người, đồng thời mở rộng phân tích sang latent reasoning bên trong model — ranh giới mà bài này cố ý chưa đụng tới.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Benchmark chuẩn hóa cross-model cho no-thinking: mở rộng khung ETR/QRel./EIR sang thêm answer space dạng ranking, multi-label và generation dài hạn, kèm leaderboard công khai theo từng family model.
  2. Can thiệp kiến trúc giảm thinking inertia: fine-tune hoặc RL để model tự điều chỉnh lượng pre-answer text theo answer space, kiểm chứng có giữ nguyên accuracy trên open-ended hay không.
  3. Nghiên cứu no-thinking trong tác vụ đa lượt (tool-use, agent): liệu cưỡng chế answer-only ở từng bước làm suy luận ngầm tích lũy và bùng nổ ở bước sau, và cách đo latent compensation.

2. Patent:​

  1. Chế độ "trả lời tức thì" cho trợ lý ảo trên điện thoại: người dùng bật toggle yêu cầu câu trả lời ngắn không giải thích; hệ thống dùng bộ đo ETR/EIR để tự kiểm tra output, và nếu phát hiện reasoning lỡ miệng thì tự cắt/rút gọn trước khi hiển thị, tiết kiệm thời gian đọc và chi phí token.
  2. Công tắc tiết kiệm dữ liệu và pin cho ứng dụng AI di động: tự động chuyển câu hỏi dạng đúng/sai hoặc trắc nghiệm sang chế độ answer-only vì dễ tuân thủ, còn câu hỏi mở thì giữ reasoning — cân bằng giữa độ tin cậy đáp án và chi phí inference trên thiết bị.
  3. Plugin kiểm chất lượng tuân thủ cho API doanh nghiệp: cổng trung gian chèn prompt answer-only, đo ETR/QRel./EIR từng response và gắn nhãn mức "suy nghĩ lộ liễu" vào log, giúp doanh nghiệp audit xem chatbot có vô tình lộ suy luận nội bộ cho khách hàng hay không.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2610.11765
ArXiv Abstracthttps://arxiv.org/abs/2610.11765
PDF Downloadhttps://arxiv.org/pdf/2610.11765.pdf
Github Repositoryhttps://github.com/thinking-inertia/code

3. AgentSWE: Can Coding Agents Build the Agent You Actually Want? (202 votes)​

Tác giả: Jiahao Wang, Hongjin Qian, Yuyang Hu, Jiajun Zhang, Zheng Liu

Xuất bản lúc: 2026-10-09

Tag: Coding Agents, Benchmark, Agent Software Engineering, LLM Evaluation, Agent Optimization, Trustworthy AI

I. Main Problem:​

Coding agents (Claude Code, Codex...) ngày càng được giao phó xây dựng các agent phục vụ workflow của người dùng, nhưng giả định ngầm — rằng agent bàn giao sẽ trung thực với yêu cầu chứ không chỉ trông có vẻ đúng — chưa từng được kiểm chứng:

  • Benchmark phần mềm hiện có (SWE-bench, NL2Repo...) chỉ chấm điểm patch code so với lời giải chuẩn có sẵn.
  • Benchmark agent hiện có (AgentBench...) chỉ đánh giá agent thành phẩm, không hỏi ai đã xây nó và có đúng ý người đặt hàng không.
  • Agent được ủy thác không có reference solution: nó bọc một policy ngẫu nhiên quanh tools, và tiếp tục thay đổi sau khi bàn giao — khoảng trống này không công cụ nào đo được.

II. Main Idea:​

Tác giả đề xuất AgentSWE, benchmark cho agent software engineering gồm 25 task mô phỏng lệnh đặt hàng (commission) chứ không phải bài thi, bao phủ 3 giai đoạn vòng đời:

  • Creation (10 task): xây agent hoàn chỉnh từ yêu cầu ngôn ngữ tự nhiên (GUI automation, chứng minh định lý, dịch PDF khoa học...).
  • Editing (10 task): thêm tính năng mới vào codebase production (OpenHands, Aider, Claude Code...) mà không phá hành vi cũ.
  • Optimization (5 task): tối ưu agent vận hành sẵn theo mục tiêu đo được.

Cơ chế chấm điểm trọng tâm:

  • Builder chỉ thấy yêu cầu + 2 case phát triển công khai; bản bàn giao bị đóng băng rồi chạy trên 6 case held-out bao phủ các điều khoản yêu cầu mà case công khai bỏ sót.
  • Chấm theo rubric suy ra từ chính yêu cầu (không có đáp án mẫu), kèm cổng hard pass/fail; mọi call model đi qua gateway chung để điểm số phản ánh đúng công sức của builder.
  • Độ trung thực (fidelity) = cổng hợp lệ × điểm hài lòng trung bình trên phân phối case mà yêu cầu ngụ ý; khoảng cách điểm dev − điểm held-out đo mức overfit.

Ví dụ đời thường: giống thợ nhận may áo chỉ được xem 2 bức ảnh chụp khách — thợ may xong bị mang thử trên 6 người khác hình dáng khác nhau trong phòng kín, đo xem chiếc áo có đúng ý đồ khách chứ không chỉ vừa với 2 người trong ảnh.

III. Main Results:​

  • Creation rất kém: 50 run trung bình Result chỉ 11.2/100 (median 3.4), 20 run về 0; builder mạnh nhất (DS-V4-Pro) đạt 19.1. Thành công mang tính task-specific, không lan sang task khác.
  • Editing chỉ đạt một phần: các builder tốt nhất đạt 20–35; Qwen3.6 không nộp bài nào (thường dừng ngay sau khi thông báo kế hoạch).
  • Optimization gần như bế tắc: không builder nào thu hẹp quá 5% khoảng cách còn lại tới mục tiêu; 9/25 run còn tệ hơn starter.
  • Khoảng cách demo–bàn giao là chuẩn chứ không ngoại lệ: 11 run Creation kết thúc dev với ≥90 điểm nhưng held-out chỉ trung bình 9.9.
  • Ba failure mode lặp lại:
    • Overfit case nhìn thấy: 58% execution held-out ở Creation rớt cổng hợp lệ.
    • Hollow runtime: code đọc hoàn chỉnh nhưng chạy không ra gì — điểm review code tĩnh 44.2 (Result=0) vs 45.8 (Result>0), gần như không phân biệt được.
    • Claim vô căn cứ: 9/61 báo cáo cuối tuyên bố hoàn thành mà hồ sơ chạy mâu thuẫn.
  • Can thiệp điều kiện không cứu được: thêm case dev (từ 0→2 case tăng mạnh, nhưng 4 case không hơn), prompt khuyến nghị tự test, hay tăng budget case 2.5 lần — held-out vẫn thấp; điểm số thay đổi theo cặp harness–model, không phải model đơn lẻ.

IV. Conclusion & Future Works:​

Kết luận cốt lõi: không coding agent nào hiện tại bàn giao được đúng agent mà yêu cầu mô tả — khoảng cách giữa thứ builder trình diễn và thứ nó giao là quy luật phổ biến. Ba failure mode (overfit case công khai, hollow runtime, claim vô căn cứ) vừa là thước đo vừa là tín hiệu để huấn luyện thế hệ coding agent kế tiếp tránh những thói quen này. Benchmark cũng khẳng định đánh giá phải theo cặp harness–model, không tách rời. Hướng mở: nâng cao khả năng khái quát hóa từ yêu cầu nhiều khả năng tương tác, kỹ thuật tự kiểm chứng (self-testing, end-to-end run) để chống runtime rỗng và báo cáo sai.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Phương pháp huấn luyện coding agent chống overfit trên case phát triển hạn chế: học cách suy luận các điều khoản yêu cầu bị case công khai bỏ sót thay vì ghi nhớ case mẫu.
  2. Kỹ thuật tự kiểm chứng cho builder agent: tự sinh test case bổ sung và chạy end-to-end agent trước khi bàn giao, để phát hiện hollow runtime và claim hoàn thành sai.
  3. Nghiên cứu đánh giá ảnh hưởng tương tác harness–model–policy runtime trong agent engineering: tìm cấu hình scaffold nào thực sự nâng độ trung thực bàn giao thay vì chỉ tối ưu điểm dev.
  4. Mở rộng AgentSWE sang các giai đoạn vòng đời khác: bảo trì dài hạn, sửa regression sau bàn giao, và cập nhật agent theo yêu cầu thay đổi theo thời gian.

2. Patent:​

  1. Hệ thống kiểm thử chấp nhận tự động cho agent do AI xây: người dùng gửi yêu cầu ngôn ngữ tự nhiên, hệ thống đóng băng bản bàn giao, tự sinh case kiểm thử ẩn phủ các điều khoản yêu cầu, chạy agent trong sandbox cách ly và chấm theo rubric suy ra từ yêu cầu — từ chối bàn giao nếu rớt cổng cứng.
  2. Ứng dụng điện thoại giúp người không biết code đặt làm agent cá nhân: người dùng mô tả việc cần (ví dụ tự động tổng hợp hóa đơn email thành báo cáo tuần), ứng dụng gọi coding agent xây agent chạy định kỳ trên máy chủ, sau đó kiểm chứng trên tình huống ẩn trước khi bật cho người dùng thật.
  3. Công cụ phát hiện báo cáo hoàn thành sai cho agent tự động: đối chiếu tuyên bố 'đã hoàn thành' của agent với nhật ký thực thi, trạng thái dữ liệu và kết quả đầu ra thực tế trên điện thoại/máy tính, cảnh báo người dùng khi hai bên mâu thuẫn.
  4. Nền tảng đánh giá trung lập cho agent tối ưu theo chỉ số: cung cấp môi trường chạy cách ly với model runtime cố định và bộ case held-out, để đo chính xác công sức của người tối ưu prompt/tool thay vì dao động của model.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2610.13361
ArXiv Abstracthttps://arxiv.org/abs/2610.13361
PDF Downloadhttps://arxiv.org/pdf/2610.13361.pdf
Github RepositoryN/A

4. Scaling Agentic Data for Long-Horizon Terminal Intelligence (134 votes)​

Tác giả: Shun Zou, Ziyu Ma, Yi Zou, Yong Wang, Lin Chen, et al.

Xuất bản lúc: 2026-10-09

Tag: LLM Agents, Terminal Agents, Agentic Data Synthesis, Long-Horizon Tasks, SFT, Environment Synthesis, Autonomous Agents

I. Main Problem:​

Các agent làm việc qua terminal hiện nay mạnh ở thao tác ngắn hạn (gõ lệnh, gọi tool) nhưng yếu trong các tác vụ dài hạn (long-horizon) đòi hỏi tự khám phá, tích lũy bằng chứng, điều chỉnh chiến lược liên tục và chuyển kết quả trung gian thành sản phẩm cuối cùng. Nguyên nhân cốt lõi:

  • Thiếu dữ liệu huấn luyện long-horizon chất lượng cao: các phương pháp tổng hợp môi trường hiện có tạo ra trajectory rất ngắn (trung bình 4-16 lượt tương tác).
  • Môi trường tổng hợp 'làm hộ' việc quan trọng: tài liệu khởi tạo có thể đã giải sẵn một phần bài toán, khiến agent bỏ qua exploration, implementation và verification mà nó lẽ ra phải tự thực hiện.
  • Khó mở rộng các behavioral patterns xuyên suốt các giai đoạn: chỉ tăng độ khó hay số lượt tương tác không đảm bảo các pattern như điều chỉnh kế hoạch theo phản hồi được nối tiếp và phát triển trong suốt quá trình giải.

II. Main Idea:​

TerminalHorizon — engine tổng hợp dữ liệu hoàn toàn tự động gồm hai giai đoạn bù trừ cho hai vấn đề trên:

  • Challenge-Guided Long-Horizon Synthesis: xuất phát từ công việc chuyên môn thực tế, Planner Agent lập lịch các batch nghiên cứu, Deep Research Agent đào sâu tài liệu/repo/issue để làm rõ công việc cần làm, rồi Construction Agent dựng gói tác vụ (instruction, environment, solution, verifier, config). Điểm then chốt: một Independent Challenger (agent không tham gia dựng môi trường) tự giải thử; qua Horizon Gap Analysis, hệ thống phát hiện việc nào đã bị 'làm hộ' lúc dựng môi trường (vd: hàm core đã có sẵn nên agent chỉ cần đổi một hằng số) và phục chế lại để agent bắt buộc tự khám phá, cài đặt, debug và kiểm chứng.
  • Progressive Horizon Expansion: từ tác vụ đã chấp nhận, Evolution Agent mở rộng dần dưới cùng một mục tiêu theo 4 hướng (rộng vai trò hơn, đào sâu cơ chế, giàu bằng chứng hơn, nâng cấp phương pháp), đồng thời buộc phần việc mới phụ thuộc vào kết quả và phản hồi của các giai đoạn trước (qua thiết kế exploration-judgment, action-feedback, instance-variation).

Kết quả là TerminalHorizon-3K: 1,535 môi trường tác vụ, 2,852 trajectory SFT (trung bình 52.8 lượt tương tác, P90 = 98), chứa trung bình 8.6 behavioral patterns trong 27 pattern thuộc 5 nhóm (khám phá-đánh giá, chẩn đoán-sửa lỗi, xây dựng-tiến độ, kiểm chứng-đảm bảo, điều phối chiến lược).

Ví dụ đời thường: giống như người thầy soạn đề thi — thay vì đưa học sinh đề đã lỡ kèm lời giải mẫu bên lề (học sinh chỉ chép), người thầy tự làng thử một lần 'như học sinh' để phát hiện chỗ nào đề đã lộ đáp án, sửa lại đề, rồi nâng dần yêu cầu qua nhiều vòng để học sinh phải tự mò, tự sửa và rút kinh nghiệm xuyên suốt bài.

III. Main Results:​

  • Terminal-Bench: TerminalHorizon-27B (Qwen3.5-27B + SFT 3K trajectory) đạt 55.0 / 55.8 / 60.67 trên TB 1.0 / 2.0 / 2.1, vượt base model +8.7, +14.2, +13.85 điểm.
  • Hiệu quả dữ liệu: chỉ với ~3K trajectory (ít hơn 10 lần so với Terminal-Universe-27B dùng 32K trajectory cùng base model), vẫn vượt +3.0% trên TB 2.0.
  • Chuyển giao sang tác vụ thực tế (agentic): AutomationBench Pass Rate +11.7, Partial +23.3; VitaBench +11.3; τ2-bench Airline +5.5, Retail +2.6.
  • Suy luận tổng quát không bị suy giảm: MATH-500 98.9 (+2.0), GSM8K 97.3 (+1.0), AIME 2024 96.7 (+3.4), AIME 2025 93.3 (+6.6), KOR-Bench +1.1.
  • Khái quát qua quy mô model: gains hai chữ số trên cả Qwen3.5-35B-A3B (+13.11) và 122B-A10B (+14.98).
  • Scaling dữ liệu: từ 1K → ~3K trajectory, TB 2.1 tăng đều (57.3 → 58.4 → 60.67), chưa thấy bão hòa.
  • RSI case study (ngân sách 12 giờ): với bài hợp nhất point-cloud đa góc nhìn, base model tự 'hài lòng' và dừng sau 12 phút với metric tự chế; TerminalHorizon-27B tiếp tục thí nghiệm, tự thiết kế diagnostic leave-one-view-out, cải tiến alignment và chọn điểm theo confidence — kết quả nộp cuối vượt base +27.03% trên hidden evaluation.

IV. Conclusion & Future Works:​

Bài báo chứng minh giá trị huấn luyện của trải nghiệm behavioral dài hạn: chất lượng pattern (khám phá → chẩn đoán → sửa chiến lược → kiểm chứng) quan trọng hơn số lượng trajectory, và chỉ ~3K trajectory long-horizon đủ để nâng mọi nhóm năng lực (coding, agentic thực tế, suy luận) mà không hy sinh benchmark tổng quát. TerminalHorizon cho thấy agent có thể tiến từ thao tác terminal cục bộ sang làm việc tự chủ bền vững với ngân sách hàng giờ. Hướng tương lai (suy luận từ kết quả chưa bão hòa): mở rộng quy mô dữ liệu long-horizon, đẩy sâu hơn nữa các chuỗi expansion nhiều giai đoạn, và áp dụng engine cho các môi trường agent ngoài terminal.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Nghiên cứu ảnh hưởng của độ dài chuỗi phản hồi (feedback chain) trong trajectory tới khả năng tự cải thiện lặp (RSI) của agent, với ngân sách chạy kéo dài nhiều giờ.
  2. Phát triển taxonomy agentic behavioral patterns mở rộng hơn 27 pattern hiện có và đo lường tương quan giữa từng pattern với từng nhóm benchmark (coding, agentic, reasoning).
  3. Kết hợp TerminalHorizon với học tăng cường (RL) hoặc rejection sampling trên chính các môi trường đã tổng hợp để khai thác thêm tín hiệu verification từ verifier riêng tư.
  4. Mở rộng cơ chế Progressive Horizon Expansion sang tác vụ đa agent hoặc agent tương tác với hệ thống production thật (CI/CD, cloud ops).

2. Patent:​

  1. Hệ thống tạo bài tập đào tạo agent tự động cho doanh nghiệp: một 'agent thử thách' độc lập làm thử bài toán, hệ thống tự phát hiện phần nào đề bài đã lộ lời giải và tự sửa lại đề, rồi nâng dần yêu cầu thành nhiều vòng khó hơn — áp dụng để tạo dữ liệu huấn luyện hoặc đề kiểm tra nhân viên/kỹ thuật trên điện thoại/máy tính.
  2. Trợ lý tự động trên điện thoại học cách làm việc dài hạn: ứng dụng ghi lại quá trình agent thực hiện tác vụ nhiều bước (đặt lịch, soạn báo cáo, xử lý sự cố), tự phát hiện chỗ agent bỏ qua việc kiểm tra kết quả và sinh thêm bước kiểm chứng, giúp trợ lý hoàn thành việc đáng tin cậy hơn.
  3. Nền tảng đánh giá năng lực AI bằng bài toán mở rộng dần: thay vì câu hỏi cố định, hệ thống giao một mục tiêu rồi tự thêm yêu cầu mới dựa trên kết quả agent đã làm (vai trò rộng hơn, dữ liệu nhiễu hơn, cơ chế sâu hơn) để đo khả năng thích ứng lâu dài — dùng cho tuyển dụng kỹ sư hoặc kiểm định chatbot.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2610.13166
ArXiv Abstracthttps://arxiv.org/abs/2610.13166
PDF Downloadhttps://arxiv.org/pdf/2610.13166.pdf
Github RepositoryN/A

5. VIS-Ground: Video Interactive Storytelling with Contextual Grounding (79 votes)​

Tác giả: Bingxuan Li, Yiwen Song, Xueqing Wu, Yanzhou Pan, Yang Li, et al.

Xuất bản lúc: 2026-10-07

Tag: Video Generation, Interactive Storytelling, Contextual Grounding, Constrained Generation, Agentic Planning, Multimodal LLM

I. Main Problem:​

Cho phép người xem can thiệp giữa chừng để điều hướng video đang được tạo (video interactive storytelling) làm nảy sinh thách thức mới: yêu cầu của người xem thường mang phụ thuộc tiềm ẩn lên cả nguồn grounding (cốt truyện/tài liệu) lẫn trạng thái video đã render. Những phụ thuộc này:

  • không hề được nói rõ trong bất kỳ đầu vào riêng lẻ nào
  • chỉ xuất hiện khi xét đồng thời nguồn, lịch sử video và ý định mới của người xem

Hệ quả của việc generate trực tiếp từ 3 đầu vào thô: mâu thuẫn trạng thái đã hiển thị, phủ nhận thông tin đã truyền đạt, hoặc thỏa yêu cầu theo cách không được nguồn hỗ trợ. Các hệ tương tác hiện có chỉ tập trung tuân theo lệnh người dùng, còn các phương pháp source-grounded chỉ căn chỉnh với nguồn ngoài — không ai giải bài toán biến đầu vào dị dạng thành grounding context khả thi.

II. Main Idea:​

VIS-Ground định khung contextual grounding như bài toán "biên dịch context" (context compilation): biến đầu vào dị dạng thành mô hình ràng buộc có thể thực thi cho video generation, qua 3 giai đoạn:

  • Structured Context Abstraction: trích xuất ba trạng thái căn chỉnh — video state (gì đã hiển thị), story state (mục tiêu, sự kiện chưa giải quyết), source state (tuyên bố sự kiện từ nguồn) — và xây dựng cross-context dependencies (tiền nghiệm nhân quả, chuyển trạng thái, quan hệ duy trì...). Nhiều dependency chỉ nảy sinh khi ground đồng thời cả ba đầu vào.
  • Generation Constraints Induction: chiếu dependency lên từng kịch bản ứng viên — một ràng buộc chỉ được kích hoạt khi kịch bản đề xuất đưa ra sự kiện làm nó liên quan (candidate-conditioned).
  • Constrained Video Generation: vòng lặp plan → verify → revise → render — kiểm chứng ở cả cấp script lẫn video đã render (vì script hợp lệ không đảm bảo video hiện thực đúng), sửa có định hướng dựa trên evidence thay vì generate lại từ đầu.

Ví dụ đời thường: giống đầu bếp nhận món mới từ khách giữa bữa — thay vì nấu bừa theo yêu cầu, đầu bếp liệt kê nguyên liệu còn trong bếp (video prefix), công thức gốc của nhà hàng (source), rồi chỉ khi chọn được món cụ thể mới rút ra các "điều kiện bắt buộc" (phải trả chìa khóa cho A trước khi mở tủ), nấi thử, nếm lại và sửa từng lỗi.

III. Main Results:​

  • Đạt composite score cao nhất trên cả 3 backbone (Omni-1.1-Flash, Veo 3.1, MiniMax-H3), cải thiện trung bình +10.3 điểm so với baseline mạnh nhất từng backbone (+12.3 Omni, +15.3 Veo, +3.4 MiniMax).
  • Trên benchmark mới VIS-Bench (2.008 instance, 132 narrative-grounded + 118 knowledge-grounded): lợi thế ~10% ở các chiều grounding (SF, SC, IF, JCS), ví dụ JCS tăng +8.7 đến +17.0 điểm tùy backbone/setting.
  • Ổn định xuyên backbone: biên độ composite của VIS-Ground dưới 6 điểm, giảm ~82% biến thiên so với Direct Generation (hơn 30 điểm) — chất lượng không phụ thuộc generator nào.
  • Hiệu quả bền cả narrative lẫn knowledge grounding dù hai setting nhấn thông tin khác nhau; visual quality vẫn giữ tốt.
  • Phân tích cho thấy thách thức còn lại: trích xuất dependency và hiện thực trung thực khi render video.

IV. Conclusion & Future Works:​

VIS-Ground chứng minh rằng biến context dị dạng thành dependency model + ràng buộc kích hoạt theo ứng viên, kèm kiểm chứng hai tầng (script và video), là giao diện hiệu quả giữa hiểu context và generation — vượt xa cách chỉ điều kiện hóa thêm cho video generator. Hướng tương lai: cải thiện trích xuất dependency (hiện còn bỏ sót quan hệ tiềm ẩn) và khả năng hiện thực trung thực các ràng buộc trong video render.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng contextual grounding cho tương tác đa lượt: người xem can thiệp liên tục trong nhiều điểm ngắt, với dependency model được cập nhật tăng dần theo lịch sử hội thoại thay vì chỉ dựa trên video prefix.
  2. Grounding có điều kiện mềm cho video dài: học cách cân bằng các ràng buộc xung đột (source faithfulness vs. yêu cầu người xem) thay vì đánh giá nhị phân pass/fail.
  3. Tự động phát hiện dependency tiềm ẩn bằng suy luận đa bước, khắc phục điểm yếu hiện tại ở khâu trích xuất quan hệ không được nêu rõ trong đầu vào.

2. Patent:​

  1. Ứng dụng xem video giáo dục tương tác trên điện thoại: học sinh xem bài giảng đến giữa chừng có thể hỏi "giải thích thêm bằng ví dụ"; ứng dụng phân tích nội dung đã chiếu + tài liệu gốc, rồi tạo đoạn video tiếp theo vừa trả lời câu hỏi vừa không mâu thuẫn kiến thức đã trình bày.
  2. Ứng dụng kể chuyện có nhân vật cho trẻ em: phụ huynh/cháu bé ra lệnh thay đổi cốt truyện giữa chừng ("cho nhân vật dùng thuyền qua cầu"); hệ thống kiểm tra tình trạng vật phẩm trong video đã chiếu (thuốc phải giữ khô) và sinh tập mới tôn trọng mọi tình tiết trước đó.
  3. Công cụ làm phim quảng cáo tự động có chỉnh sửa theo phản hồi khách hàng: khách yêu cầu đổi chi tiết giữa bản draft; hệ thống biên dịch bản gốc + video đã duyệt + yêu cầu mới thành các ràng buộc, tự sửa kịch bản và render lại đoạn cần thay mà không làm hỏng các cảnh đã chốt.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2610.09326
ArXiv Abstracthttps://arxiv.org/abs/2610.09326
PDF Downloadhttps://arxiv.org/pdf/2610.09326.pdf
Github Repositoryhttps://github.com/vis-ground/code

6. GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed (71 votes)​

Tác giả: Qize Yu, Lianrui Fan, Bowen Ping, Xini Ding, Zetian Song, et al.

Xuất bản lúc: 2026-09-30

Tag: Visual Grounding, Diffusion Language Model, Parallel Decoding, Vision-Language Models, Object Detection, OCR, GUI Grounding, Self-Speculative Decoding

I. Main Problem:​

Các mô hình grounding tự hồi quy (AR) như Pix2Seq, Florence-2, Rex-Omni biểu diễn dự đoán không gian dưới dạng chuỗi token sinh tuần tự từ trái sang phải, dẫn đến:

  • Độ trễ tích lũy khi cần dự đoán nhiều box/point trong cảnh dày đặc (dense scenes)
  • Ràng buộc thứ tự sinh giả tạo — trong khi thực tế các đối tượng trong ảnh không có thứ tự sinh nội tại nào
  • Tương tác giữa các token chỉ qua prefix đã sinh, hạn chế tinh chỉnh lẫn nhau

Các hướng giải trước (MTP của LocateAnything, diffusion VLM chuyên biệt cho GUI/OCR) chỉ xử lý từng domain riêng lẻ, chưa có mô hình diffusion thống nhất cho grounding đa tác vụ với độ chính xác cao.

II. Main Idea:​

Đặt lại bài toán: grounding là quá trình trích xuất bằng chứng trực quan — các biến không gian cùng bị ảnh và câu truy vấn ràng buộc chặt, nhưng không cần được khôi phục theo thứ tự cố định. Vì vậy dùng blockwise masked diffusion thay AR:

  • Chia chuỗi output thành B = 32 block; trong mỗi block, token được dự đoán song song nhờ bidirectional attention, các block đã hoàn thành tạo prefix nhân quả (giữ KV-cache)
  • AR-to-diffusion conversion: chuyển trực tiếp từ mô hình AR pretrained sang diffusion bằng loss kết hợp 0.5·L_MDM + 0.5·L_AR, giữ nguyên backbone và bộ từ vựng tọa độ (1000 token tọa độ)
  • Huấn luyện 4 giai đoạn: grounding pretraining → chuyển đổi AR→diffusion → SFT → GRPO reinforcement với reward đo set-completeness và độ chính xác localization
  • Suy luận nhanh: Entropy-Guided Decoding (commit token có entropy thấp trước) và tùy chọn self-speculative decoding — diffusion viết nháp, AR kiểm chứng, dùng chung trọng số

Ví dụ đời thường: giống nhìn một bức ảnh đông người và ghi lại vị trí tất cả mọi người — ta không cần xác định người ở góc trái trước rồi mới đến góc phải, mà nhận ra tất cả vị trí gần như đồng thời, rồi rà soát lại chỗ nào còn mơ hồ cho đến khi chắc chắn.

III. Main Results:​

  • 30 benchmark, 11 khả năng nhận thức: GroundAnything-VLM đạt 72.42%, state-of-the-art mới ở quy mô 4B, ngang GPT-6 Astra (71.35%) — một mô hình lớn hơn nhiều
  • GroundAnything (diffusion thuần) đạt 61.75%, vượt state-of-the-art AR cùng quy mô trước đó (53.32% của LocateAnything) với tốc độ hơn 2×, và đánh bại cả Qwen3.7-Max lớn hơn
  • Self-speculative decoding: nhanh 4.51× so với bản AR với chỉ −0.74 điểm phần trăm F1mIoU trên COCO — điểm vận hành tốt hơn cả entropy-guided về cả tốc độ lẫn chất lượng
  • Điểm mạnh theo tác vụ: Dense200 70.04 F1mIoU, RefCOCOg val/test 91.61/91.10, ScreenSpot-Pro tăng từ 65.34% lên 75.96%
  • Khoảng cách diffusion–AR còn lớn nhất ở OCR và layout grounding — xác định rõ giới hạn hiện tại của sinh song song
  • Tối ưu hạ tầng (SGLang, CUDA Graph, FP8) cho thấy tăng tốc thực tế khi triển khai

IV. Conclusion & Future Works:​

Chứng minh diffusion song song có thể đạt grounding chính xác trên phổ tác vụ rộng mà không phải đánh đổi tốc độ, mở đường cho grounding trong hệ thống nhạy độ trễ. Các thành phần then chốt: blockwise denoising, chuyển đổi AR→diffusion giữ backbone, và GRPO. Hướng tương lai: thu hẹp khoảng cách diffusion–AR ở OCR/layout (dự đoán token dài, cấu trúc chặt), cải thiện localization vật thể nhỏ (tiny objects), và tối ưu thêm chiến lược decoding để tăng tỉ lệ chấp nhận draft trong self-speculation.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng blockwise diffusion sang dự đoán cấu trúc dài hơn (bảng, công thức, biểu đồ trong tài liệu) để thu hẹp khoảng cách với AR trên tác vụ OCR và layout.
  2. Nghiên cứu lịch trình masking thích ứng theo entropy không gian để cải thiện độ chính xác tọa độ của vật thể nhỏ trong cảnh dày đặc.
  3. Kết hợp self-speculative decoding với early-exit theo độ tin cậy hình học để đạt tăng tốc gần tuyến tính cho grounding robot thời gian thực.

2. Patent:​

  1. Trợ lý điện thoại chỉ điểm chạm nhanh: người dùng chụp màn hình ứng dụng và nói 'tìm nút thanh toán'; mô hình trên điện thoại dự đoán song song vị trí tất cả nút liên quan trong một lượt khử nhiễu, giảm thời gian phản hồi cho người khiếm thị.
  2. Hệ thống đếm và định vị hàng hóa trên kệ siêu thị bằng camera: chụp một lần, mô hình trích xuất đồng thời toạ độ tất cả sản phẩm theo danh mục yêu cầu, hỗ trợ kiểm kê thời gian thực thay vì quét từng mã vạch.
  3. Tính năng tìm văn bản trong ảnh trên điện thoại: người dùng nhập từ khoá, mô hình định vị song song mọi vùng chữ khớp kèm toạ độ để hiệu ứng phóng to ngay lập tức, hữu ích cho hóa đơn, bảng biểu chụp nhanh.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2609.39600
ArXiv Abstracthttps://arxiv.org/abs/2609.39600
PDF Downloadhttps://arxiv.org/pdf/2609.39600.pdf
Github Repositoryhttps://github.com/groundingpi/GroundAnything

7. Multi-Stream Attention Residuals (34 votes)​

Tác giả: Xiaohan Qin, Xiangdong Zhang, Tuo Dai, Sunan Zou, Huaijin Wu, et al.

Xuất bản lúc: 2026-10-09

Tag: LLMs, Transformer, Residual Connections, Attention, Depth Scaling, MoE, Efficient Training

I. Main Problem:​

Khi xếp chồng Transformer sâu hơn, residual stream chuẩn (cộng dồn tất cả đầu ra tầng vào một trạng thái ẩn duy nhất) gặp hiện tượng loãng thông tin theo chiều sâu (depth-wise information dilution): đặc trưng tạo ra ở các tầng đầu bị pha loãng dần, khiến tầng sau khó truy xuất lại, làm hiệu quả của việc tăng độ sâu thấp hơn khả năng biểu diễn lý thuyết. Các hướng cải tiến gần đây như Hyper-Connections/mHC (nhiều luồng trạng thái song song) và AttnRes (softmax attention dọc theo trục độ sâu, tương đương single-head depth attention) đều còn giới hạn. Thách thức cốt lõi: làm sao tạo ra nhiều 'head' đa dạng cho depth attention từ một đầu ra tầng duy nhất mà không phá vỡ tính toàn vẹn của hidden state — cắt kênh (channel splitting) làm suy giảm hiệu năng, còn tạo nhiều luồng bằng cách reweight vô hướng lại cho key gần như giống nhau, thiếu đa dạng.

II. Main Idea:​

Multi-Stream Attention Residuals (MSAR) mở rộng AttnRes từ single-stream retrieval thành multi-head depth attention, với ba bước chính:

  • Multi-Stream Source Expansion: từ một residual source duy nhất, dùng tập nhỏ causal depthwise convolution đa tỷ lệ (kernel sizes {4, 8, 12}) để tạo m=4 luồng đầy đủ chiều — mỗi luồng nhìn ngữ cảnh cục bộ ở một cửa sổ khác nhau, mang lại tính đa dạng mà vẫn giữ nguyên toàn bộ hidden state.
  • Per-Stream Depth Attention: mỗi luồng có pseudo-query riêng, thực hiện softmax retrieval độc lập qua các tầng trước (như multi-head attention dọc trục độ sâu).
  • Stream Fusion: các trạng thái truy xuất được trộn bằng mixer Hpre nhẹ (trọng số vô hướng phụ thuộc đầu vào) thành một đầu vào duy nhất cho tầng tiếp theo.

Ở cấp hệ thống, MSAR chỉ lưu trữ và truyền thông một luồng duy nhất (block summaries), mở rộng thành m luồng khi cần tính toán (on-demand), kết hợp kernel fused và chiến lược hai pha giống AttnRes — chi phí lưu trữ/truyền thông giảm từ O(mNd) xuống O(Nd), chỉ tăng 0.5% FLOPs và 0.3% tham số kích hoạt ở mô hình 28B MoE.

Ví dụ đời thường: giống như đọc lại cuốn nhật ký công việc qua nhiều con mắt khác nhau — một người nhìn chi tiết ngày hôm qua (kernel nhỏ), một người tổng quát cả tuần (kernel lớn) — rồi gộp các góc nhìn đó lại để quyết định việc tiếp theo, thay vì chỉ có một cách đọc duy nhất như trước.

III. Main Results:​

  • Thắng trên cả 12 benchmark (kiến thức, lập luận, toán, code, tiếng Trung) ở cả hai quy mô 18B và 28B MoE so với Vanilla, mHC và AttnRes.
  • 18B: điểm trung bình 45.7 so với Vanilla 37.5 (+8.2), mHC 41.7 (+4.0), AttnRes 41.8 (+3.9); training loss thấp nhất (1.750 so với 1.799 của Vanilla).
  • 28B: trung bình 52.4 so với Vanilla 44.6 (+7.8), mHC 47.4, AttnRes 49.4.
  • Scaling law: MSAR đạt iso-loss compute speedup 1.58× so với Vanilla, so với 1.35× của AttnRes và 1.30× của mHC; giảm loss 2.7% ở quy mô lớn nhất (mHC: 1.6%, AttnRes: 1.8%).
  • Ablation (10B MoE): bỏ convolution (dùng nguồn giống nhau cho mọi head) làm loss tệ hơn rõ rệt (1.862 so với 1.847), chứng tỏ đa dạng ngữ cảnh từ conv là nguồn gốc lợi ích; tăng m từ 4 lên 8 chỉ cải thiện nhẹ (1.846).

IV. Conclusion & Future Works:​

MSAR chứng minh rằng làm giàu cơ chế truy xuất residual theo chiều sâu bằng nhiều góc nhìn ngữ cảnh tuần tự là một hướng hiệu quả để cải thiện depth scaling của LLM, với chi phí tính toán và lưu trữ gần như không đáng kể. Đây là kiến trúc residual đầy hứa hẹn cho pre-training quy mô lớn. Bài báo không nêu hướng nghiên cứu tương lai cụ thể, nhưng kết quả ablation (m=8 chỉ nhỉnh hơn m=4, variant full-layer S=1 tốt nhất) gợi mở khả năng khai thác số lượng luồng lớn hơn và thiết kế block thậm chí mảnh hơn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Kết hợp MSAR với các cơ chế mở rộng luồng residual thưa (sparse stream operations kiểu xHC) để số lượng head depth attention lớn hơn mà vẫn giữ chi phí bộ nhớ ở mức một luồng.
  2. Áp dụng ý tưởng mở rộng nguồn bằng convolution đa tỷ lệ cho các tác vụ đa phương thức (vision-language, speech) để depth attention khai thác ngữ cảnh không gian hoặc thời gian thay vì chỉ chuỗi token.
  3. Nghiên cứu chiến lược chọn kernel size động, thích ứng theo layer hoặc theo dữ liệu, thay vì dùng cố định {4, 8, 12} như hiện tại.

2. Patent:​

  1. Kiến trúc mô hình ngôn ngữ lớn cho điện thoại với cơ chế bộ nhớ đa góc nhìn: thay vì chỉ cộng dồn đầu ra các lớp, mô hình tạo nhiều 'phiên bản' của lịch sử tính toán bằng cách quét dữ liệu đầu vào với các cửa sổ rộng khác nhau, mỗi phiên bản tự chọn thông tin quá khứ phù hợp, rồi pha trộn lại — giúp máy trả lời tốt hơn mà gần như không tốn thêm bộ nhớ hay pin.
  2. Hệ thống huấn luyện mô hình AI tiết kiệm chi phí điện toán: cơ chế truy xuất đa luồng cho phép đạt độ chính xác tương đương với lượng tính toán ít hơn khoảng 37% so với kiến trúc chuẩn, có thể triển khai trong các trung tâm dữ liệu để giảm hóa đơn năng lượng.
  3. Chip/module tăng tốc phần cứng cho suy luận mô hình Transformer: thiết kế kernel fused thực hiện đồng thời việc tạo các luồng phụ từ convolution và phép truy xuất lịch sử theo tầng, không cần ghi các luồng trung gian ra bộ nhớ, giảm lượng di chuyển dữ liệu khi chạy mô hình lớn trên thiết bị biên.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2610.13630
ArXiv Abstracthttps://arxiv.org/abs/2610.13630
PDF Downloadhttps://arxiv.org/pdf/2610.13630.pdf
Github Repositoryhttps://github.com/jianke0604/MSAR

8. Relevance Does Not Imply Applicability: Experience Activation for Personal GUI Agents (29 votes)​

Tác giả: Fuyao Zhang, Xuan Wang, Zherui Li, Jiaming Zhang, Longtao Huang, et al.

Xuất bản lúc: 2026-09-27

Tag: GUI Agents, Personalization, Experience Activation, Proactive Suggestion, Multimodal LLMs, Memory Retrieval, Mobile Agents

I. Main Problem:​

Các personal GUI agent hiện tại dùng task-level retrieval: truy xuất lịch sử tương tự liên quan đến tác vụ rồi nhồi toàn bộ vào context của policy, ngầm giả định kinh nghiệm relevant thì còn hữu dụng cho mọi quyết định sau đó. Thực nghiệm cho thấy giả định này sai:

  • retrieved history giúp mạnh ở bước quyết định đầu tiên (chọn đúng app), nhưng gần như không mang lại lợi ích cho ~90% số bước còn lại của episode — instruction cố định trong khi màn hình đổi mỗi bước
  • với proactive suggestion, cùng một routine bị gợi ý cả lúc 8h sáng ở nhà lẫn buổi tối trên đường đi làm, dù chỉ hợp trường hợp trước
  • gốc rễ: relevance không đồng nghĩa applicability — relevance quyết định ở cấp tác vụ, còn applicability phụ thuộc tình huống tại thời điểm ra quyết định

II. Main Idea:​

ExpActivator: framework training-free đổi personalization từ "truy xuất một lần rồi append" thành kích hoạt (activation) theo từng quyết định, ở hai cấp độ:

  • Step-level activation (trong lúc thực thi): mỗi màn hình mới được so khớp với các historical states trong latent space của GUI backbone đóng băng (cosine similarity theo từng block ảnh đã căn giữa); action của state khớp nhất được đưa vào làm reference. Việc khớp được tính lại sau mỗi observation, nên reference có thể nhảy giữa nhiều trajectory khác nhau theo từng màn hình.
  • Task-level activation (trước khi thực thi): các intent lặp lại được gom thành routine neighborhoods; chỉ kích hoạt khi thời gian và bối cảnh đủ ủng hộ (ngưỡng tuyệt đối về số lần lặp và số lần trùng bối cảnh), rồi xếp hạng theo độ khớp ngữ cảnh; không routine nào đạt ngưỡng thì abstain — giữ im lặng.
  • Reference chỉ là tham khảo, không phải lệnh: policy đóng băng vẫn tự đánh giá applicability trên màn hình hiện tại rồi mới sinh action.

Ví dụ đời thường: giống như người thợ lành nghề không đọc lại cả cuốn sách hướng dẫn mỗi khi sửa máy, mà liếc đúng tình trạng máy đang có rồi chỉ tay vào đúng thao tác đã làm ở ca trước — và chỉ khi đúng giờ, đúng nơi mới chủ động nhắc "đến lúc làm việc quen thuộc rồi đấy", còn lúc khác thì im.

III. Main Results:​

Đánh giá trên AndroidIntent (82 người dùng, 15.966 bản ghi lịch sử, 775 episode, 7.915 bước), với 4 backbone đóng băng (Qwen3-VL-8B, MAI-UI-8B, Qwen3.5-9B, GUI-Owl-1.5-8B):

  • Personalized execution: tốt nhất về Type/SSR/CSR trên cả 4 backbone; +28% step success trong phần còn lại của trajectory (within-trajectory) trung bình; SSR +44% so với không dùng history, ~+20% so với baseline mạnh nhất cùng đọc một bộ history; mọi backbone mở đều vượt QwenVL-Max bản proprietary (~1.6× CSR).
  • Chi phí cực thấp: chỉ thêm ~145 history tokens/bước — bằng 1/5 trung bình các baseline và 1/3 của HIM-Agent (baseline tiết kiệm nhất) — trong khi chính xác hơn hẳn.
  • Proactive suggestion: ~2.3× Matthews correlation coefficient so với baseline mạnh nhất, balanced accuracy +24% tương đối, precision ~84%, biết tự abstain đúng lúc.
  • Bóc trần giới hạn của retrieval: các baseline nâng opening step từ 28.3% lên 62.3% nhưng within-trajectory không khác gì không dùng history; ExpActivator cải thiện 45% trong phần này.
  • Ablation: với cùng đúng 1 trajectory, append nguyên văn chỉ đạt 18.5% SSR (như không dùng history), còn step-level activation chọn lọc đạt 23.8% (+29%); dùng màn hình cũ để khớp sụt 15%; 92% episode rút reference từ ≥2 trajectory, reference đổi trajectory ở 55% số bước liên tiếp.
  • Hiệu quả không phụ thuộc lịch sử dài: nhóm người dùng ít bản ghi nhất vẫn được +37% SSR tương đối.

IV. Conclusion & Future Works:​

Bài học cốt lõi: "experience pays where it is activated, not where it is appended" — cá nhân hóa phải là bài toán lựa chọn tại thời điểm quyết định, không phải truy xuất một lần. Một kho bản ghi duy nhất, khi được kích hoạt đúng, đồng thời cho thực thi cá nhân hóa tốt nhất và proactive suggestion biết kiêng nói — mà không cần fine-tuning. Bản thân bài báo không nêu hướng tương lai cụ thể; các hướng mở rộng tự nhiên từ khuôn khổ gồm: thay so khớp cosine bằng cơ chế tương thích có học được, và đưa phản hồi đồng ý/từ chối của người dùng vào để tự hiệu chỉnh ngưỡng activation của các routine.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng experience activation sang computer-use và web agent: so khớp trạng thái trang web/trò chơi quan sát được với trạng thái lịch sử trong không gian ẩn để rút đúng hành động tham khảo từng bước, thay vì nhồi toàn bộ workflow đã lưu vào ngữ cảnh.
  2. Học được bộ trọng số activation: huấn luyện nhẹ một bộ đo độ tương thích giữa màn hình hiện tại và trạng thái quá khứ trên phản hồi của người dùng, để thay thế độ đo cosine cố định và thích ứng với từng cá nhân.
  3. Vòng lặp phản hồi cho proactive suggestion: người dùng chấp nhận hoặc bỏ qua gợi ý sẽ cập nhật trực tuyến ngưỡng hỗ trợ của routine, khiến trợ lý càng dùng càng biết khi nào nên im lặng.
  4. Kích hoạt liên thiết bị: thống nhất lịch sử trên điện thoại, máy tính và đồng hồ thành một không gian ẩn chung, để một routine hình thành trên thiết bị này có thể được kích hoạt đúng lúc trên thiết bị khác.

2. Patent:​

  1. Trợ lý điện thoại gợi ý thao tác theo màn hình: mỗi khi người dùng mở một màn hình, ứng dụng so ảnh chụp màn hình hiện tại với thư viện các màn hình đã thao tác trước đây của chính người dùng để hiển thị đúng nút bấm, đúng chỗ cần nhập — giúp hoàn thành việc quen thuộc bằng ít thao tác chạm hơn.
  2. Hệ gợi ý việc lặp lại đúng lúc đúng chỗ: ứng dụng theo dõi các tác vụ người dùng hay lặp (gọi xe buổi sáng, đặt cơm trưa) và chỉ đề xuất khi giờ hiện tại và địa điểm/hoàn cảnh trùng với thói quen đã ghi nhận đủ số lần; ngoài các khung giờ đó thì không làm phiền.
  3. Trợ lý cá nhân tiết kiệm dữ liệu và bảo mật: thay vì gửi toàn bộ lịch sử sử dụng lên máy chủ để phân tích, điện thoại chỉ so khớp cục bộ ảnh màn hình hiện tại với các ảnh đã lưu, rồi chỉ gửi đi một tham chiếu hành động ngắn — giảm lượng dữ liệu cá nhân rời khỏi máy.
  4. Chế độ "biết im lặng" cho trợ lý thông minh: một công tắc học hỏi từ việc người dùng phớt lờ các gợi ý, tự điều chỉnh để không đưa ra đề xuất trong những khung giờ, bối cảnh mà lịch sử cho thấy gợi ý thường bị từ chối.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2609.33304
ArXiv Abstracthttps://arxiv.org/abs/2609.33304
PDF Downloadhttps://arxiv.org/pdf/2609.33304.pdf
Github Repositoryhttps://github.com/fyzhang1/ExpActivator

9. PR-OPD: Privileged Representation On-policy Self-Distillation for Agentic Reinforcement Learning (27 votes)​

Tác giả: Muyang Li, Jie Yang, Zhengyu Fang, Junchao Zhu, Zhengkun Xiao, et al.

Xuất bản lúc: 2026-09-29

Tag: Reinforcement Learning, LLM Agents, Self-Distillation, GRPO, Representation Learning, RLVR, Hidden State Alignment

I. Main Problem:​

Huấn luyện agent dựa trên language model bằng RLVR nhận chỉ một reward duy nhất ở cuối episode — tín hiệu thưa và thô. Các phương pháp self-distillation có đặc quyền (privileged) hiện tại cố làm dày tín hiệu bằng cách để chính policy, khi được cung cấp một skill/khái niệm về sau (hindsight skill), dạy lại phiên bản không có skill thông qua xác suất token. Tuy nhiên, tác giả chỉ ra giả định ngầm này là sai:

  • Invisible Advantage: skill giúp teacher hành động tốt hơn rõ rệt (WebShop tăng từ 42.2% lên 56.2%), nhưng xác suất token thay đổi dưới 25% — lợi thế gần như vô hình trong kênh đầu ra.
  • Much to Align: skill lại làm thay đổi hidden states của hơn 80% token phản hồi, và probe tuyến tính đọc được skill cụ thể từ các trạng thái ẩn này. Nói cách khác, kênh distill token chỉ truyền được một lát cắt mỏng của lợi thế mà skill mang lại.

II. Main Idea:​

PR-OPD (Privileged Representation On-policy Self-Distillation) chuyển kênh học từ xác suất token sang hidden states — kênh thực sự mang lợi thế. Quy trình:

  • Stage I — GRPO warm start: huấn luyện policy bằng GRPO thuần trước, để policy đủ giỏi để tự phân tích kinh nghiệm của mình.
  • Stage II — self-evolving hindsight: với mỗi trajectory hoàn thành, chính policy tự viết một hindsight skill (tóm tắt bài học: điều gì hiệu quả thì tái dùng, lỗi nào thì sửa), không dùng skill library bên ngoài.
  • Privileged representation alignment: policy đọc lại chính response đã sample hai lần — không skill (student) và có skill (teacher, stop-gradient). Hidden state của student qua một MLP projector nhẹ per-layer (1 lớp ẩn 512 chiều) được kéo về hidden state của teacher tại mọi layer, mọi response token (loss cosine trên vector chuẩn hóa), song song với mục tiêu reward GRPO.
  • Student, analyzer, teacher là một bộ trọng số duy nhất; projector bị vứt khi inference — không chi phí thêm lúc chạy thật.

Ví dụ đời thường: giống một người xem lại video mình làm việc cả ngày, tự chú thích 'ở bước này tôi đã sai vì...'; thay vì chỉ bắt chước lời nói cũ của mình, bản sao 'mắt thường' học cả cách nhìn/phân tích của bản có kinh nghiệm — và lần sau tự làm được mà không cần xem chú thích.

III. Main Results:​

  • Tốt nhất ở mọi thiết lập: thắng tất cả 6 baseline trên ALFWorld và WebShop với cả hai backbone (Qwen2.5-3B và Qwen3-1.7B).
  • Qwen2.5-3B: hơn GRPO +4.7 điểm success ALFWorld, +11.7 điểm WebShop accuracy (67.2 vs 55.5) và +13.3 điểm score; tốt hơn baseline mạnh nhất (Skill-SD, dùng curated skills) +7.8 điểm accuracy.
  • Ablation quyết định: cùng warm start, cùng skill tự sinh — distill token rớt xuống 57.8% (dưới GRPO), align hidden state lên 72.7%: khoảng cách 14.9 điểm chỉ do khác kênh đọc teacher.
  • Projector gần như miễn phí với model lớn, thiết yếu với model nhỏ: 1.7B từ 36.7% (align trực tiếp) lên 46.9%.
  • Phân tích tầng: thông tin skill đạt đỉnh ở tầng giữa, suy giảm nhẹ ở tầng cuối → align mọi tầng (khác LastOPD chỉ align tầng cuối); hidden state phân biệt được skill của chính trajectory vs skill khác, còn output feature thì bằng random (50-52%).

IV. Conclusion & Future Works:​

Hai hiện tượng Invisible Advantage và Much to Align cho thấy: điều policy học được từ hindsight của chính nó đọc tốt hơn từ cách phiên bản có đặc quyền biểu diễn (represents) phản hồi hơn là từ những gì nó nói. PR-OPD chứng minh học sinh có thể thu được lợi thế của teacher có đặc quyền dù kênh token gần như không thay đổi. Hướng mở: cải thiện chất lượng skill tự sinh, kiểm soát độ ổn định khi target hidden state di chuyển theo policy, và mở rộng sang môi trường đa lượt phức tạp hơn.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Kết hợp PR-OPD với cơ chế tự chọn lọc skill: policy tự đánh giá hindsight skill nào đáng tin để giữ lại trong context, thay vì tin mọi skill tự sinh.
  2. Nghiên cứu động lực học của 'moving target' trong self-distillation biểu diễn: teacher đổi theo mỗi update, cần lý thuyết về tốc độ hội tụ và ổn định của alignment loss.
  3. Áp dụng kênh hidden-state alignment cho các tác vụ agent dài hơn (coding agent, web navigation nhiều bước) và khảo sát khi skill cần ghi nhớ xuyên nhiều episode.
  4. Mở rộng ý tưởng 'đọc representation thay vì output' sang distillation giữa hai model khác kiến trúc, với bản đồ tầng học được thay vì ghép đôi 1-1.

2. Patent:​

  1. Trợ lý mua sắm trên điện thoại tự học từ lịch sử: sau mỗi đơn hàng thành công/thất bại, ứng dụng tự tạo ghi chú bài học, rồi tinh chỉnh mô hình bằng cách căn chỉnh trạng thái nội bộ giữa lượt đọc có ghi chú và không ghi chú — người dùng được gợi ý tốt hơn mà không tốn thêm dung lượng hay độ trễ lúc dùng.
  2. Hệ thống chatbot chăm sóc khách hàng tự cải thiện sau mỗi phiên hội thoại: server tự viết 'bài học kinh nghiệm' cho từng phiên và huấn luyện lại mô hình bằng cách bắt các tầng xử lý bên trong của phiên bản 'có kinh nghiệm' khớp với phiên bản thường, không cần thuê người gán nhãn hay mô hình teacher riêng.
  3. Trợ lý lập trình trong IDE: sau mỗi lần sửa lỗi build/test, công cụ tự tóm tắt nguyên nhân lỗi thành ghi chú và tinh chỉnh gợi ý code bằng căn chỉnh biểu diễn nội bộ, để gợi ý ngày càng ít tái lỗi cũ mà không chậm lúc gõ code.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2609.36642
ArXiv Abstracthttps://arxiv.org/abs/2609.36642
PDF Downloadhttps://arxiv.org/pdf/2609.36642.pdf
Github Repositoryhttps://github.com/balibata/PR-OPD

10. CrossTimeEdit: A Decade-Spanning Cross-View Dataset and Reward-Guided Editing for Historical Street-View Generation (21 votes)​

Tác giả: Hanwen Lu, Jun He, Mingjia Yang, Hao Wei, Jinhao Huang, et al.

Xuất bản lúc: 2026-09-29

Tag: Image Editing, Diffusion Models, Flow-Matching, Reinforcement Learning, Street-View Generation, Cross-View Generation, Satellite Imagery, Dataset Construction, VLM Reward, Generative Post-Training

I. Main Problem:​

Ảnh street-view lịch sử ghi lại tiến hóa đô thị, nhưng phủ sóng không đều để lại nhiều khoảng trống lịch sử: nơi không có quan sát cũ, ta không thể biết tòa nhà đã biến mất hay con đường trước khi cải tạo trông thế nào.

Cách tiếp cận satellite-to-street (tạo ảnh từ nhiễu ngẫu nhiên theo ảnh vệ tinh) có hạn chế nghiêm trọng:

  • ảnh vệ tinh chỉ ràng buộc lỏng mặt đứng, kết cấu, vùng bị che → dễ thay đổi cả những công trình vốn không đổi theo thời gian
  • mô hình editing tổng quát (InstructPix2Pix, MagicBrush...) không xử lý tốt ảnh panorama street-view méo hình, không đặc thù vị trí

Ngoài ra dữ liệu thiếu hoàn toàn: CVUSA/VIGOR không có cặp quan sát qua thời gian, CityPulse không có cặp vệ tinh — chưa có bộ dữ liệu nào đồng thời cung cấp cặp street–satellite theo thời gian và chỉ dẫn editing cho cùng một vị trí.

II. Main Idea:​

Bài toán được tái định khung: sinh ảnh street-view quá khứ = chỉnh sửa (editing) ảnh street-view hiện tại, thay vì sinh từ nhiễu. Ý tưởng cốt lõi:

  • Ảnh street-view gần đây làm mỏ neo: giữ nguyên góc nhìn, vị trí, độ cao camera và toàn bộ nội dung không thay đổi
  • Chênh lệch ảnh vệ tinh theo thời gian làm bằng chứng thay đổi: mô tả trạng thái cũ của các vùng đã biến đổi theo 4 hướng (N/S/E/W), quy thành chỉ dẫn cục bộ kiểu REMOVE / RESTORE / PRESERVE theo từng thực thể

Để có dữ liệu, tác giả xây VIGOR-his: 43.653 quadruplet (street + vệ tinh × 2 thời kỳ cách nhau ~10 năm) tại 11 thành phố, 3 châu lục, qua pipeline tự động gồm ghép cặp không gian (sai số ≤ 5m), sàng lọc nhất quán bằng VLM, phân loại thay đổi, sinh mô tả thay đổi và chỉ dẫn editing, rồi kiểm chứng tính nhất quán của chỉ dẫn.

Mô hình CrossTimeEdit xây trên FLUX.2 [Klein] 4B, train theo 2 giai đoạn:

  • SFT với LoRA (cả ví dụ no-change dùng 'PRESERVE' để dạy giữ nguyên nội dung)
  • Online RL với Flow-GRPO + GDPO: chuẩn hóa riêng từng chiều reward (IA 0.45, BP 0.30, QP 0.25) trước khi gộp, tránh chiều biến thiên lớn lấn át cập nhật
  • Ba tiêu chí reward vừa là tín hiệu huấn luyện vừa là giao thức đánh giá: Instruction Alignment (edit đúng yêu cầu, so với ảnh mục tiêu cũ), Background Preservation (giữ cấu trúc không được yêu cầu sửa), Quality & Physical Plausibility (không rách, méo, lặp, mờ bất thường ở panorama)

Ví dụ đời thường: giống phục chế một bức ảnh cũ bằng cách lấy bản chụp mới làm khung, dùng bản đồ thời gian để biết đoạn nào từng khác, rồi chỉ tô vẽ lại đúng những mảng thay đổi — thay vì vẽ lại cả bức từ giấy trắng.

III. Main Results:​

  • VIGOR-his: 43.653 quadruplet cấp vị trí, ~10 năm chênh lệch thời gian, 11 thành phố 3 châu lục — bộ dữ liệu cross-view đầu tiên có đủ cả cặp thời gian, vệ tinh, căn chỉnh chụp, mô tả thay đổi và chỉ dẫn editing.
  • CrossTimeEdit tăng Editing Overall +17.12% so với backbone FLUX.2 [Klein] 4B tiền huấn luyện; IA tăng +33.39%.
  • Số 1 trong các mô hình open-source đã đánh giá về IA, QP và Overall (7.964); tiệm cận mô hình closed-source (GPT-Image-2: 8.581) — nhưng BP vẫn thua closed-source, là hạn chế chính.
  • Vượt xa các mô hình cross-view generation (Sat2Density, ControlS2S, ControlNet) về Consistency, Visual Realism, Perceptual Quality (Overall 3.546 vs ~2.0).
  • Ablations: thiếu SFT hoặc RL đều sụt Overall; bỏ ground-truth khỏi reward IA làm giảm BP/QP; bỏ chuẩn hóa DGN làm mất cân bằng giữa các tiêu chí.
  • Human preference study xác nhận điểm VLM tương quan thuận với đánh giá người — các metric pixel truyền thống (PSNR/SSIM) không đủ để đánh giá bài toán này.

IV. Conclusion & Future Works:​

CrossTimeEdit chứng minh reframing 'sinh ảnh lịch sử = editing có điều kiện' kết hợp evidence từ vệ tinh theo thời gian hiệu quả hơn sinh từ nhiều, với SFT + multi-reward RL (Flow-GRPO/GDPO) cân bằng giữa edit đúng, giữ nền và chất lượng hình.

Thách thức còn lại: chi tiết lịch sử không quan sát được từ vệ tinh, lệch góc nhìn giữa các kỳ chụp, độ lệch sở thích của từng evaluator.

Hướng tương lai:

  • tích hợp nguồn bằng chứng lịch sử phong phú hơn (ảnh lưu trữ, bản đồ, văn bản)
  • dùng mô hình reward và đánh giá độc lập thay vì một VLM cho cả hai
  • mở rộng sang sinh street-view hai chiều và đa thời điểm (quá khứ ↔ hiện tại, nhiều mốc thời gian)

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng VIGOR-his sang đa thời điểm (chuỗi quan sát 3–5 mốc thời gian thay vì 2) kèhợp mô hình sinh street-view đa thời kỳ, hỗ trợ mô phỏng tiến hóa đô thị liên tục từ một vị trí.
  2. Kết hợp nguồn bằng chứng lịch sử ngoài vệ tinh (ảnh lưu trữ, bưu thiếp, bản đồ cadastral) để khôi phục chi tiết mặt đường mà ảnh vệ tinh không quan sát được.
  3. Nghiên cứu reward model và evaluation model độc lập cho editing street-view panorama nhằm giảm độ lệch sở thích của evaluator, nâng độ tin cậy của giao thức chấm điểm.

2. Patent:​

  1. Ứng dụng điện thoại 'nhìn ngược thời gian': người dùng chụp một con phố, ứng dụng so khớp với ảnh vệ tinh cũ của khu vực đó và hiển thị dựng lại hình ảnh con phố 10 năm trước — hữu ích cho du lịch, bất động sản, quy hoạch.
  2. Công cụ hỗ trợ định giá và thanh tra bất động sản trên di động: phục hồi ảnh hiện trạng cũ của một mảnh đất (công trình đã bị phá, đường trước cải tạo) để đối chiếu với hồ sơ pháp lý và lịch sử sử dụng đất.
  3. Hệ thống minh họa quá trình đô thị hóa cho chính quyền địa phương: từ dữ liệu vệ tinh theo năm, tự động tạo ảnh street-view từng giai đoạn của một tuyến đường để trình bày trong họp quy hoạch và công khai với công dân.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2609.36616
ArXiv Abstracthttps://arxiv.org/abs/2609.36616
PDF Downloadhttps://arxiv.org/pdf/2609.36616.pdf
Github Repositoryhttps://github.com/LuHanwen67/CrossTimeEdit-release

11. SpatialASM: Internalizing Active Mentalization for Spatial Reasoning (16 votes)​

Tác giả: Yuhong Liu, Shenxi Wu, Junyi Chi, Beichen Zhang, Xuanlang Dai, et al.

Xuất bản lúc: 2026-10-09

Tag: LVLMs, Spatial Reasoning, World Models, Novel View Synthesis, Chain-of-Thought, Reinforcement Learning, GRPO, Vision-Language Models

I. Main Problem:​

Các Large Vision-Language Models (LVLMs) hiện tại yếu trên bài toán spatial reasoning phức tạp: suy luận theo góc nhìn biến đổi (viewpoint transformation), tương ứng giữa nhiều ảnh, và suy luận về vùng không quan sát được. Nguyên nhân cốt lõi là thiếu Active Spatial Mentalization (ASM) — khả năng tự chủ động:

  • View planning: chọn góc nhìn có ích cho câu hỏi
  • View imagination: tái dựng tâm lý khung cảnh từ góc nhìn đó

Các tồn tại trước đây:

  • Dữ liệu hiện có hầu hết là answer-only QA, không có CoT hướng dẫn cách chọn góc nhìn và tưởng tượng cảnh
  • Mô hình tự sinh ASM trajectories thường hallucinate góc nhìn sai
  • Phương pháp dùng world model ngoài tại inference chậm, phụ thuộc simulator, cần nhiều bước egocentric rollout
  • Tool distillation hiện tại chỉ nhắm perceptual tools (depth, cognitive map), chưa có cho viewpoint planning

II. Main Idea:​

SpatialASM dùng một allocentric Novel-View Generator (NVG) như spatial simulation engine chỉ hoạt động lúc training, rồi chuyển nó thành hai dạng supervision bổ sung:

  • ASM trajectories cho SFT: LVLM đề xuất góc nhìn → NVG render ảnh → mô hình suy luận lại với ảnh mới. Chỉ giữ các mẫu mà mô hình trả lời sai khi chỉ có ảnh gốc nhưng đúng khi có ảnh render (ảnh thực sự hữu ích), và pass ngưỡng GeoP (Geometry Perturbation — khoảng cách Chamfer giữa point-cloud 3D tái dựng trước/sau khi thêm ảnh render, đo tính nhất quán hình học). Cuối cùng ảnh render được thay bằng caption văn bản để mô hình học tưởng tượng chứ không nhận quan sát.
  • Perspective-taking tasks cho RL (GRPO): câu hỏi trắc nghiệm tự động kiểm chứng được (định vị ảnh sinh ra ↔ chọn ảnh theo mô tả tư thế), GeoP lọc ứng viên.

Điểm khác biệt: allocentric conditioning — chỉ định góc nhìn bằng (ảnh neo, tọa độ pixel, hướng nhìn) trong một bước, thay vì chuỗi lệnh chuyển động egocentric nhiều bước. Mô hình sau training tự sinh CoT plan-imagine-reason nội tại, không gọi NVG lúc inference.

Ví dụ đời thường: giống người mới vào căn phòng — trước khi kết luận vật nằm ở đâu, họ tự tưởng tượng mình bước sang góc khác (plan), hình dung sẽ thấy gì từ đó (imagine), rồi suy luận dựa trên hình dung đó — SpatialASM dạy máy làm đúng quy trình đó hoàn toàn trong đầu, không cần thật sự đi chụp ảnh.

III. Main Results:​

  • Cải thiện trung bình trên 7 benchmark spatial reasoning cho 4 backbone (Qwen3-VL-4B/8B/30B-A3B, Qwen3.5-9B): +1.2 đến +3.5 điểm.
  • Lợi ích lớn nhất ở tác vụ đòi hỏi mental modeling: +8.7 trên Spatial457-6d (Qwen3-VL-8B), +5.2 trên MindCube (Qwen3-VL-4B).
  • General-VQA gần như không đổi (trong ±0.6 điểm ở cả 4 backbone), nhờ RL với ảnh NVG đa dạng tránh học vẹt pattern SFT.
  • Phân tích: LVLMs hiện tại có thể plan góc nhìn khi được prompt rõ, nhưng không tự kích hoạt trong reasoning thông thường — chứng tỏ ASM chưa là năng lực nội tại.
  • Internal + external ASM kết hợp cho kết quả tốt nhất (Among 45.0%, Around 61.5%): hai cách bổ sung cho nhau.
  • Ablation: GeoP filtering cải thiện cả SFT và RL; SFT giúp tác vụ viewpoint transformation (+4.8 MindCube), RL giúp tác vụ perception-oriented (EmbSpa); kết hợp tốt nhất.
  • NVG của SpatialASM cho accuracy cao nhất dù GeoP không thấp nhất — điều kiện allocentric giúp mô hình dễ tương ứng ảnh gốc ↔ ảnh sinh hơn là chỉ đúng hình học thuần.

IV. Conclusion & Future Works:​

SpatialASM chứng minh ASM (view planning + view imagination viết thành explicit reasoning trajectories) có thể internalized vào LVLMs qua post-training chuẩn, không sửa kiến trúc, giải quyết được sự khan hiếm spatial CoT supervision bằng cách tự động tổng hợp từ dữ liệu answer-only hiện có. Framework có tính scalable và gains mang tính phổ quát hơn các mô hình spatial chuyên biệt trước đây.

Hướng tương lai hợp lý (suy ra từ phân tích của tác giả):

  • Kết hợp internalization với simulator ngoài tại inference ở quy mô lớn hơn
  • Mở rộng GeoP sang các proxy hình học chính xác hơn để lọc ảnh
  • Áp dụng trajectories tổng hợp cho embodied/agentic spatial tasks với tương tác vật lý thật

V. Brainstorming Space:​

1. Publish Papers:​

  1. Mở rộng ASM sang embodied agents: mô hình không chỉ tưởng tượng góc nhìn mà còn quyết định hành động vật lý nào thu thập được bằng chứng không gian thiếu, kết hợp plan-imagine-reason nội tại với vòng lặp perception-action.
  2. Tổng quát hóa framework simulation-time thành các dạng mentalization khác (đoán tương lai cảnh vật, lật/ xoay vật thể) bằng cách thay NVG bằng các generator tương ứng với metric nhất quán tự động lọc.
  3. Nghiên cứu kết hợp distillation từ world model video-generative với ASM trajectories để dạy LVLMs dự đoán chuỗi quan sát động thay vì một khung hình tĩnh.

2. Patent:​

  1. Trợ lý ảnh trên điện thoại cho câu hỏi vị trí: người dùng chụp một vài ảnh phòng, hỏi 'đứng ở cửa thì tủ nằm bên nào?'; ứng dụng tự định vị góc nhìn theo mô tả, tưởng tượng khung cảnh từ đó và trả lời, không cần quét 3D.
  2. Ứng dụng hướng dẫn lắp ráp/nội thất: mô hình mô tả người dùng sẽ thấy gì nếu nhìn từ phía sau tủ hoặc từ góc phòng khác, giúp xác định vật thể bị khuất trước khi di chuyển thật.
  3. Tính năng tìm đồ thất lạc trong nhà: người dùng chụp ảnh các phòng; hệ thống tự chọn góc nhìn liên quan đến vật cần tìm, mô phỏng tầm nhìn từ các vị trí có thể và gợi ý vật nằm ở đâu.
  4. Module kiểm tra khoảng cách an toàn cho robot hút bụi/robot giao hàng: tưởng tượng tầm nhìn từ vị trí đích để xác định vật cản khuất trước khi di chuyển, hoạt động hoàn toàn trên ảnh camera hiện có.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2610.13832
ArXiv Abstracthttps://arxiv.org/abs/2610.13832
PDF Downloadhttps://arxiv.org/pdf/2610.13832.pdf
Github Repositoryhttps://github.com/InternLM/SpatialASM

12. T3lescope: Arbitrary-Resolution High-Fidelity Generative Surface Reconstruction from Images (11 votes)​

Tác giả: Atsuhiro Noguchi, Tianhan Xu, Yiming Liang, Yuta Kikuchi, Masahiro Ishiyama, et al.

Xuất bản lúc: 2026-10-02

Tag: 3D Reconstruction, Generative Models, Mesh Generation, Diffusion, Flow Matching, Multi-View Stereo, Coarse-to-Fine, Neural Rendering

I. Main Problem:​

Các phương pháp tối ưu hóa từng scene như 2D Gaussian Splatting có độ chính xác tốt khi ảnh dày nhưng cần tối ưu riêng cho từng scene, kém ở vùng ít quan sát, bề mặt bóng hoặc trong suốt. Các phương pháp feed-forward như Depth Anything 3 nhanh hơn nhưng phải hợp nhất depth/point map từ nhiều view, dễ sinh nhiễu, lỗ hổng hoặc bề mặt trùng lặp do mâu thuẫn giữa các view. Các mô hình generative 3D có prior tốt hơn nhưng thường cố định độ phân giải và phạm vi không gian, phải đánh đổi giữa bao phủ rộng và chi tiết. GenRecon mở rộng bằng nhiều ô cục bộ chồng lấn, nhưng các vùng xa chỉ tương tác gián tiếp qua vùng lân cận nên khó giữ global geometric consistency. Các mô hình coarse-to-fine trước thường cố định hierarchy trong training, thiếu linh hoạt khi suy luận.

II. Main Idea:​

T3lescope dùng một generator 3D cố định độ phân giải nhưng tái sử dụng nó theo cascade coarse-to-fine tại inference time. Mức thô nhất dựng layout toàn scene, các mức sau thu nhỏ cell một nửa, lấy geometry kế thừa từ mức trên, thêm nhiễu rồi denoise để khôi phục chi tiết bề mặt. Vì chỉ cần parent làm khởi tạo, training không cần cặp dữ liệu coarse-fine tương ứng; số level, kích thước cell và vị trí cell được chọn lúc suy luận. Để điều kiện hóa ảnh linh hoạt, mỗi ảnh được mã hóa thành tile pyramid; mỗi cell chọn đúng tầng khớp voxel spacing và dùng voxel-queried attention lên DINO features, bổ sung ConvNeXt features cho chi tiết pixel, đồng thời cache và tái sử dụng features giữa các cell, stage và flow step. Giống như họa sĩ phác toàn cảnh bằng nét thô trước, rồi dùng chính bản phác đó làm khung để vẽ lại từng khu vực chi tiết hơn trên những trang lớn hơn, thay vì vẽ từng ô rời rạc rồi cố ghép lại.

III. Main Results:​

  • Trên ScanNet++, mức tinh nhất vượt GenRecon trên cả 7 metric ở cả 32 và 256 view; độ chính xác thay đổi ít giữa sparse và dense view, trong khi các phương pháp tối ưu từng scene suy giảm mạnh khi ít view.
  • Trên Tanks and Temples, T3lescope đạt Chamfer distance thấp nhất hoặc cạnh tranh ở hầu hết thiết lập, và có F-score cao nhất ở large scenes với 16 view; nó còn tái tạo cửa kính trong suốt/phản chiếu mà các baseline bỏ sót.
  • Trên city-block dataset, phương pháp đạt CD khoảng 0.645 m, trong khi các baseline không tối ưu từng scene ở mức khoảng 5 m trở lên; mỗi level cascade đều cải thiện cả ba metric.
  • Ablation cho thấy khởi tạo từ parent với noise mức trung gian giảm Chamfer distance tới khoảng 80% so với sinh từ noise thuần; conditioning bằng voxel attention cộng ConvNeXt cải thiện rõ rệt depth, normal và F-score.
  • Hạn chế: bề mặt có thể lệch nhẹ do không fit pixel-by-pixel, chi phí tăng theo số cell và số level, cần camera pose sẵn, và chưa xử lý tốt vật thể rất xa trong unbounded scenes.

IV. Conclusion & Future Works:​

T3lescope cho thấy một fixed-resolution 3D generator có thể mở rộng từ vật thể đơn lẻ tới indoor, outdoor và city-scale bằng cách chuyển coarse-to-fine sang inference-time composition, tránh cố định hierarchy trong training. Điểm then chốt là kết hợp parent initialization để giữ global structure với multi-scale image conditioning để cung cấp đúng độ chi tiết ảnh cho từng cell. Hướng cải tiến rõ ràng là distill flow models thành few-step samplers để giảm chi phí, xử lý unbounded scenes và vật thể ở cự ly xa, đồng thời nghiên cứu cách hiệu chỉnh lệch bề mặt mà không quay lại tối ưu hóa từng scene tốn kém.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Distillation hoặc few-step sampling cho cascade generative reconstruction, nhắm giảm thời gian suy luận từ hàng chục phút xuống gần real-time mà giữ độ chi tiết bề mặt.
  2. Mở rộng T3lescope sang unbounded scenes bằng cách kết hợp cascade với cơ chế mở rộng vùng quan sát động và xử lý vật thể rất xa.
  3. La bàn nghiên cứu hybrid giữa generative prior và per-scene refinement nhẹ, chỉ tinh chỉnh các vùng có độ không chắc chắn cao thay vì toàn scene.
  4. Thêm uncertainty estimation vào từng cascade level để tự động chọn số level, vị trí cell cần refine, hoặc xác định vùng nên yêu cầu thêm ảnh.
  5. Kết hợp mesh reconstruction với semantics và editing để tạo mô hình 3D có thể gán nhãn vật liệu, tách đối tượng và chỉnh sửa nội dung sau khi dựng.

2. Patent:​

  1. Ứng dụng điện thoại quét 3D một căn phòng hoặc cửa hàng: người dùng quay video nhiều góc, hệ thống dựng bản mesh thô toàn cảnh, sau đó người dùng chạm vào vùng cần xem kỹ để điện thoại hoặc server làm mịn riêng vùng đó, xuất file mô hình có độ chi tiết thay đổi theo nhu cầu.
  2. Nền tảng bất động sản tạo tour 3D tự động: từ bộ ảnh chụp căn hộ, hệ thống sinh mô hình 3D khách có thể thu nhỏ để xem layout tổng thể hoặc phóng to để xem vân gỗ, đường nối, bề mặt bếp mà không cần quét lại từng chi tiết.
  3. Hệ thống kiểm kê kho bãi bằng camera di động: nhân viên đi quanh kệ, ứng dụng dựng mesh khu vực, tự làm rõ vùng có hàng hóa bị che, bề mặt bóng hoặc kính, rồi đối chiếu thay đổi so với lần quét trước để phát hiện sai lệch vị trí hàng.
  4. Công cụ bảo trì công trình bằng điện thoại: kỹ thuật viên chụp mặt đường, tường hoặc mái nhà; hệ thống tạo mô hình 3D đủ rộng để định vị vết nứt, sau đó tự tăng độ chi tiết cục bộ ở vị trí người dùng đánh dấu để đo lường và lập báo cáo sửa chữa.
  5. Dịch vụ tạo bản sao số cho phim trường ngoài trời: camera di chuyển quanh một block phố, hệ thống dựng khung kiến trúc thô rồi làm nét các khu vực cần quay cận cảnh, giúp đội sản xuất có mô hình dùng cho lên kế hoạch góc máy, ánh sáng và hiệu ứng hậu kỳ.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2610.03308
ArXiv Abstracthttps://arxiv.org/abs/2610.03308
PDF Downloadhttps://arxiv.org/pdf/2610.03308.pdf
Github Repositoryhttps://github.com/pfnet-research/t3lescope

13. Systematic Multi-Agent Vision-and-Language Navigation: Formulation, Benchmark, and Method (10 votes)​

Tác giả: Yunzhe Xu, Zhe Liu

Xuất bản lúc: 2026-10-07

Tag: Vision-and-Language Navigation, Multi-Agent Systems, Embodied AI, LLM Planning, Benchmark, Memory Mechanisms

I. Main Problem:​

Các bài toán Vision-and-Language Navigation (VLN) đa tác tử hiện có có hai hạn chế lớn:

  • Giới hạn điều phối quá đơn giản: phụ thuộc kiểu chuỗi (chain), không có ràng buộc tài nguyên, không đo lường xung đột vật lý giữa các tác tử, cảnh môi trường hạn chế kìm hãm khả năng tái sử dụng kinh nghiệm.
  • Hệ thống lập kế hoạch phụ thuộc môi trường đã biết: dùng DAG cho nhiệm vụ nhưng dựa vào bản đồ dựng sẵn hoặc API của simulator, không khái quát hóa được sang môi trường lạ.

Hai hướng nghiên cứu trưởng thành trên hai nửa bù trừ của cùng một vấn đề thực tế, trong khi giao điểm của chúng — điều phối có ràng buộc trong môi trường chưa thấy — vẫn chưa được khám phá.

II. Main Idea:​

Đề xuất Systematic Multi-Agent VLN: đội tới 4 robot nhận một nhiệm vụ chung gồm các subtask có ràng buộc phụ thuộc (DAG) và ràng buộc tài nguyên (presence lock: giữ vị trí chờ đồng đội; holding chain: cầm đồ thì chỉ được làm subtask tiêu thụ đồ đó). Tác tử phải tự suy ra các ràng buộc từ chỉ dẫn ngôn ngữ rồi thực thi phối hợp trong môi trường lạ. Kèm theo là MAVLN benchmark (11,724 episode, 145 scene, 3 chế độ chỉ dẫn, pipeline tạo dữ liệu 4 giai đoạn có xác minh vòng lặp) và hệ thống TRISS gồm 3 module:

  • LLM Subtask Scheduler: trích xuất atomic instruction, phân bổ theo từng vòng, cho phép đi trước chờ sau (pre-allocation) để chồng lấp di chuyển với thời gian chờ.
  • Shared Topological Memory: cả đội dựng một bản đồ topo chung — kinh nghiệm khám phá của mỗi tác tử thành tri thức của cả team; planner kiểu DUET hai tỉ lệ chọn viewpoint.
  • Conflict-Aware Execution: phân bổ mục tiêu không xung đột (Hungarian), tìm đường không va chạm (Conflict-Based Search), và cơ chế bảo trì topo chống mapping failure và drifting.

Ví dụ đời thường: giống một nhân viên phục vụ trong nhà hàng phải đọc toàn bộ order, tự xếp thứ tự món nào phải làm trước (khai vị trước món chính), món nào phải đứng chờ giữ nồi cho đồng nghiệp, món nào phải bưng thẳng tới bàn không được đi đâu khác — đồng thời ghi nhớ đường đi vào sổ chung để đồng nghiệp khỏi phải dò lại, và né nhau trong bếp hẹp để không đụng ngã.

III. Main Results:​

  • Oracle + oracle: SR 100%, 215/206 time steps; bỏ pre-allocation làm TS tăng ~20% (261/248); chạy đơn tác tử SR chỉ ~67-69% và TS tăng gấp đôi → đa tác tử song song có lợi rõ rệt.
  • Với LLM scheduler thật (Qwen3.6-27b, Gemma4-31b): SR ~7-8%, SPL ~3-5%; chế độ centralized-implicit khó nhất (phải suy ra ai làm gì). Random/sequential dispatch sụt CSR mạnh → lỗi chủ yếu do vi phạm ràng buộc, không phải điều hướng.
  • Ablation: tắt shared memory SR 9.1→6.2; planner một tỉ lệ (coarse-only) sụt về SR 0.0; student-forcing toàn phần thắng teacher-forcing 50% (9.1 vs 6.0); training với 4 tác tử tốt hơn 2 tác tử (+4.2 SR).
  • Xung đột: CBPF giảm MAC từ 2.2 xuống 0.8 (giá 323 time steps thêm); FVE + TVC cải thiện topo đáng kể.
  • Khoảng 25% quãng đường là đi lặp lại → dư địa lớn cho shared memory; kết luận còn nhiều headroom ở cả scheduling, planning, execution.

IV. Conclusion & Future Works:​

Bài báo đưa ra phép formal hóa đầu tiên cho multi-agent VLN như bài toán điều phối có ràng buộc phụ thuộc + tài nguyên, kèm benchmark MAVLN và baseline TRISS — kết quả cho thấy đây là bài toán còn rất khó (SR dưới 10% với LLM thật) và lộ rõ ba thách thức cốt lõi: scheduling động dưới ràng buộc, chia sẻ kinh nghiệm đồng thời, và giải quyết xung đột. Hướng tương lai: cải thiện scheduling và planning, đặc biệt khi thông tin phân bổ phải suy ra ngầm (implicit); latency LLM scheduling (33.5s/vòng) là điểm nghẽn cần tối ưu; nghiên cứu thêm các cơ chế memory phù hợp khi ít kinh nghiệm khả dụng.

V. Brainstorming Space:​

1. Publish Papers:​

  1. Phương pháp scheduling đa tác tử tinh chỉnh chuyên biệt cho VLN: LLM planner học cách suy luận ràng buộc presence lock / holding chain và phân bổ ngầm trong chế độ centralized-implicit.
  2. Cơ chế memory thích ứng cho đội robot: cân bằng giữa kế thừa topo từ đồng đội và tự khám phá, tránh phụ thuộc vào cấu trúc kế thừa khi kinh nghiệm ít.
  3. Tối ưu hóa real-time: nén latency scheduling bằng mô hình nhỏ hoặc distilled, kết hợp giải quyết xung đột trực tuyến cho robot vật lý thật.

2. Patent:​

  1. Hệ điều phối robot dọn nhà theo nhóm trên điện thoại: người dùng nói một câu lệnh chung (ví dụ 'dọn bếp rồi bày bàn ăn'), ứng dụng dùng AI tách việc, giao cho từng robot, tự xếp thứ tự robot nào phải mở tủ trước, robot nào giữ chỗ chờ, và né đường cho nhau.
  2. Robot giao hàng trong kho hẹp: nhiều robot nhận đơn chung, hệ thống tự phân chia kệ hàng, ghi nhớ lối đi vào bản đồ chia sẻ để robot sau khỏi dò lại, đồng thời tìm đường tránh va chạm theo thời gian thực.
  3. Ứng dụng hướng dẫn đội ngũ bảo trì tòa nhà: nhân viên nhận chỉ dẫn tự nhiên phức tạp có phụ thuộc (kiểm tra đồng hồ trước khi thay van), hệ thống tự lập lịch ai làm gì, ai phải đứng giám sát tại hiện trường cho tới khi đồng nghiệp xác nhận xong.

Các đường dẫn liên quan​

Nền tảngĐường dẫn
Hugging Facehttps://huggingface.co/papers/2609.35965
ArXiv Abstracthttps://arxiv.org/abs/2609.35965
PDF Downloadhttps://arxiv.org/pdf/2609.35965.pdf
Github Repositoryhttps://github.com/xyz9911/MA-VLN