10 paper AI nổi bật nhất hôm nay trên Hugging Face: từ agent tự cải tiến đến video dài và đánh giá tư duy không gian
Hôm nay, bảng xếp hạng paper trên Hugging Face khá thú vị: có đủ từ AI agent tự cải tiến, LLM giáo dục, tracking cho embodied AI, đến mô hình diffusion cho ngôn ngữ, video extrapolation, và cả retrieval không còn chỉ tối ưu “độ liên quan”. Dưới đây là bản tổng hợp theo góc nhìn thực dụng: mỗi paper mình sẽ tóm tắt bài toán, ý tưởng, điểm mới, và ứng dụng thực tế.
1) AREX: Towards a Recursively Self-Improving Agent for Deep Research
- Upvotes: 130
- Paper: 2607.21461
- GitHub: https://github.com/VectorSpaceLab/arex-model
- Project: https://vectorspacelab.github.io/arex-model/
Bài toán
Các hệ thống “deep research” hiện nay thường làm tốt ở một vòng truy vấn–tổng hợp, nhưng khó tự phát hiện điểm yếu của chính mình rồi cải thiện lặp đi lặp lại. Nói cách khác, agent biết tìm thông tin, nhưng chưa thật sự biết học cách nghiên cứu tốt hơn qua mỗi vòng.
Ý tưởng
AREX hướng đến một agent tự cải tiến đệ quy. Thay vì chỉ trả lời xong là kết thúc, agent có thể:
- đánh giá đầu ra của mình,
- phát hiện thiếu sót,
- cập nhật chiến lược truy vấn/lập kế hoạch,
- chạy vòng nghiên cứu tiếp theo với chất lượng cao hơn.
Điểm mới
Điểm đáng chú ý nằm ở khái niệm recursively self-improving agent cho bài toán research. Thay vì tối ưu một pipeline tĩnh, paper nhấn mạnh cơ chế để agent tự sửa chính quy trình suy luận và thu thập thông tin. Đây là một bước gần hơn tới agent “biết làm việc” chứ không chỉ “biết trả lời”.
Ứng dụng thực tế
- Trợ lý nghiên cứu thị trường
- Hệ thống tổng hợp tài liệu khoa học
- AI analyst trong doanh nghiệp
- Copilot cho due diligence, policy analysis, legal research
2) SLAI T-Rex: Full-Parameter Post-training of the DeepSeek-V4 Family on Ascend SuperPOD
- Upvotes: 57
- Paper: 2607.20145
- GitHub: https://github.com/SLAI-AITP/SLAI-T-Rex
Bài toán
Phần lớn cộng đồng hiện tập trung vào huấn luyện/hậu huấn luyện mô hình trên stack NVIDIA CUDA. Điều này tạo ra phụ thuộc lớn vào một hệ sinh thái phần cứng duy nhất. Bài toán ở đây là: liệu có thể post-train các mô hình lớn theo kiểu full-parameter trên hạ tầng Ascend không?
Ý tưởng
SLAI T-Rex trình bày quy trình full-parameter post-training cho họ mô hình DeepSeek-V4 trên Ascend SuperPOD, tức là chứng minh tính khả thi của việc tinh chỉnh quy mô lớn ngoài hệ NVIDIA phổ biến.
Điểm mới
Điểm mới không nhất thiết nằm ở kiến trúc model, mà ở hạ tầng và kỹ thuật huấn luyện thực dụng:
- chứng minh khả năng scale trên Ascend,
- tối ưu training stack cho phần cứng thay thế,
- mở rộng lựa chọn triển khai cho tổ chức lớn.
Ứng dụng thực tế
- Doanh nghiệp muốn đa dạng hóa hạ tầng AI
- Tổ chức tối ưu chi phí/chuỗi cung ứng GPU
- Quốc gia hoặc viện nghiên cứu muốn tự chủ công nghệ huấn luyện LLM
3) K12-KGraph: A Curriculum-Aligned Knowledge Graph for Benchmarking and Training Educational LLMs
- Upvotes: 56
- Paper: 2605.09635
- GitHub: https://github.com/haolpku/K12-Dataset
- Project: https://haolpku.github.io/K12-KGraph-page/
Bài toán
LLM cho giáo dục thường gặp vấn đề: trả lời nghe có vẻ đúng nhưng không bám sát chương trình học, cấp lớp, hay mối quan hệ tiên quyết giữa các kiến thức. Giáo dục K-12 đòi hỏi tính chuẩn hóa theo curriculum rất cao.
Ý tưởng
Paper xây dựng một knowledge graph căn chỉnh theo chương trình K-12
