Các bài báo arXiv được đề xuất trên Hugging Face, tóm tắt bằng tiếng Việt dễ hiểu.
AIarXiv:2610.31329
Các tác giả giới thiệu WeVisOne-VL, một mô hình thị giác-ngôn ngữ thống nhất nhận thức ở mức đối tượng và mức điểm ảnh thông qua dự đoán token tiếp theo có cấu trúc. Họ tích hợp một bộ giải mã điểm ảnh nhẹ vào VLM qua token đặc biệt <OBJ> để tạo đầu ra mặt nạ theo từng thực thể, và huấn luyện bằng SFT theo chương trình ba giai đoạn rồi đến RL đa tác vụ.
221 lượt đề xuất
AIarXiv:2610.30949
Các tác giả giới thiệu IQuest-Q1, một mô hình nền tảng tác tử dạng Mixture-of-Experts thưa với tổng 320B tham số (15B được kích hoạt). Mô hình được xây dựng qua ba giai đoạn: tiền huấn luyện ổn định với chương trình hai giai đoạn tăng tỷ lệ dữ liệu lập trình, huấn luyện giữa chừng chi tiết với mở rộng ngữ cảnh dần dần, và hậu huấn luyện đa scaffold, đa phiên bản kết hợp SFT, RL chuyên biệt theo miền và MOPD, sau đó hợp nhất mô hình.
53 lượt đề xuất
AIarXiv:2610.30753
Các tác giả giới thiệu FilmFlow, một khung làm việc dựa trên tác tử, chuyển đổi chỉ dẫn bằng ngôn ngữ tự nhiên hoặc video tham chiếu thành quỹ đạo camera rõ ràng cho môi trường 3D động. Tác tử Director ghép các chuyển động cấp cao từ các thao tác nguyên tử đồng thời (dịch chuyển, xoay, khung hình), được hỗ trợ bởi các tác tử Interpreter, Scout và Critic. Nhóm cũng phát hành CinemaBench gồm 150 cảnh Blender, 750 tác vụ theo văn bản và 60 video tham chiếu.
26 lượt đề xuất
RobotarXiv:2610.29997
Các tác giả trình bày DONIC, một chính sách đa năng duy nhất cho bám quỹ đạo tham chiếu hai tay khéo léo, được huấn luyện chung trên nhiều nhóm thao tác và nhiều nguồn chuyển động người. Họ cũng giới thiệu BiHOI, bộ dữ liệu đa góc nhìn gồm 1.575 chuỗi tương tác hai tay trên 229 vật thể, với các tương tác được tái dựng và chuyển sang tham chiếu robot.
124 lượt đề xuất
AIarXiv:2610.29989
Các tác giả đề xuất Future Chunk Prediction (FCP), một mục tiêu huấn luyện phụ được tối ưu cùng với quá trình khử nhiễu teacher-forced trong các mô hình khuếch tán video tự hồi quy. FCP dự đoán các đoạn (chunk) tương lai cách nhau về thời gian mà không truy cập ngữ cảnh hình ảnh nằm giữa, và lấy tín hiệu giám sát trực tiếp từ video huấn luyện. Quá trình suy luận tự hồi quy không thay đổi và không cần thêm bộ mã hóa hình ảnh đã huấn luyện sẵn.
108 lượt đề xuất
AIarXiv:2610.27851
Nghiên cứu cho thấy các mô hình thế giới tiềm ẩn kiểu JEPA có thể học trên nhiều miền và nguồn dữ liệu khác nhau khi áp dụng giao diện điều kiện bằng ngôn ngữ của mô hình sinh video. Các tác giả đề xuất LaLa-World, mô tả cả hành động dạng số lẫn thay đổi thị giác bằng ngôn ngữ và xây dựng bộ dự đoán tương lai trên một mô hình ngôn ngữ, nhờ đó một bộ dự đoán duy nhất có thể huấn luyện chung trên các tập dữ liệu không đồng nhất. Mô hình đã huấn luyện trước cũng được dùng làm khởi tạo cho LaLa-Policy, mô hình dự đoán đồng thời hành động và biểu diễn thị giác tương lai.
27 lượt đề xuất
AIarXiv:2610.29722
Các tác giả xây dựng LASAGNA, một framework mã nguồn mở để đánh giá RAG có kiểm soát, và thử nghiệm 450 cấu hình trên tám bộ benchmark với kho tài liệu từ 5K đến 200K văn bản. Họ xem xét cách embedding, chia đoạn, truy xuất, xếp hạng lại, mở rộng truy vấn, nén ngữ cảnh và kiểm chứng theo tác tử hoạt động khi được kết hợp thay vì thử nghiệm riêng lẻ.
26 lượt đề xuất
AIarXiv:2610.30320
Các tác giả giới thiệu FRED, một khung huấn luyện World Action Models (WAM) nhằm cải thiện chất lượng biểu diễn video tương lai được trích xuất từ một bước khử nhiễu duy nhất. FRED sử dụng tự chưng cất để dự đoán biểu diễn tương lai từ nhiễu, với mục tiêu là biểu diễn lấy từ quan sát tương lai thực tế, đồng thời điều kiện mô hình video trên các quan sát quá khứ để cung cấp ngữ cảnh thời gian.
23 lượt đề xuất
AIarXiv:2610.30113
Các tác giả xây dựng một bộ benchmark và bảng xếp hạng công khai cho nghiên cứu định lượng end-to-end trên dữ liệu thị trường A-share thực. Mô hình viết đặc trưng và mã chấm điểm cổ phiếu chỉ với phản hồi từ 2022–2023, sau đó đóng băng một chiến lược để đánh giá trên năm 2024 được niêm phong, bằng bộ đánh giá tài khoản tiền mặt áp dụng ràng buộc giao dịch, chi phí và tác động thị trường ước tính từ sổ lệnh mô phỏng.
21 lượt đề xuất
AIarXiv:2610.29545
Các tác giả đề xuất PACE, một bộ lượng tử hóa 4-bit áp dụng sau huấn luyện cho trạng thái hồi quy của các mô hình ngôn ngữ attention tuyến tính. PACE chỉ làm tròn trạng thái sau mỗi vài token được sinh ra, lưu các token trung gian trong bộ đệm, và dùng chung một hệ số lượng tử cho mỗi cột vì các giá trị lớn của trạng thái gated-delta tập trung theo cột; các head giữ lại sai số lâu nhất được giữ ở 8-bit.
19 lượt đề xuất
AIarXiv:2610.28402
Nghiên cứu giới thiệu StreamEval, một bộ benchmark thống nhất cho việc tạo video phát trực tuyến tương tác. Bộ benchmark gồm 300 test case có kịch bản trên năm tác vụ (đối thoại avatar, trình diễn avatar, tạo thế giới, chỉnh sửa theo chỉ dẫn, chỉnh sửa theo tham chiếu), được chấm điểm bằng mười chỉ số riêng cho từng tác vụ trên bốn chiều đánh giá.
330 lượt đề xuất
AIarXiv:2610.28577
Các tác giả đề xuất kỹ thuật bộ nhớ đệm (cache engineering), cho phép tác tử LLM trực tiếp kiểm soát KV cache đang hoạt động bằng cách loại bỏ các cache được chọn khỏi cơ chế attention (drop) và điều chỉnh vị trí của các khóa được giữ lại (repos), mà không cần sửa quỹ đạo hay tiền nạp (re-prefill). Họ xây dựng công cụ phục vụ AKV, cung cấp giao diện không trạng thái nhưng xử lý nội bộ việc tái sử dụng, loại bỏ và khôi phục cache có trạng thái.
111 lượt đề xuất
AIarXiv:2610.28698
Nghiên cứu thực hiện một khảo sát có kiểm soát về tiền huấn luyện tiếp tục (CPT) cho tác nhân nhúng trong trò chơi, thay đổi lượng dữ liệu, mức đa dạng dữ liệu và kích thước mô hình qua 120 cấu hình. Các tác giả đánh giá bằng mất mát kiểm định ở ba cấp và bằng các bài kiểm tra chơi game, từ các thế giới đã thấy đến thế giới chưa thấy, rồi suy ra một định luật mở rộng thực nghiệm.
46 lượt đề xuất
AIarXiv:2610.28889
Nhóm tác giả đề xuất Policy-Mask, một chính sách có điều kiện theo ngân sách, được huấn luyện trên mục tiêu của tác vụ hạ nguồn, để chọn đồng thời timestep, block mạng và tập con kênh từ một mô hình khuếch tán đóng băng dưới một ngân sách kênh cố định. Họ chuẩn hóa thành phần điểm kênh theo số lượng phần tử của tập con để ba đầu chính sách cập nhật ở thang tương đương. Phương pháp cũng được điều chỉnh cho các diffusion transformer như PixArt-Σ và SD3.5 MMDiT.
43 lượt đề xuất
AIarXiv:2610.27598
Các tác giả so sánh Local Expert (chuyên gia riêng cho từng lớp, như trong các mô hình MoE phổ biến) với Meta Expert được đề xuất, loại chuyên gia dùng chung giữa các lớp. Họ thực hiện nghiên cứu thực nghiệm đa chiều và phân tích lý thuyết về các đường dẫn residual.
25 lượt đề xuất
AIarXiv:2610.28416
Các tác giả xây dựng Code2Video-Compass, một benchmark gồm 2.104 tác vụ tạo video bằng cách viết mã có thể thực thi, trong các thiết lập text-to-video, image-to-video và video-to-video. Các tác vụ trải dài 10 danh mục và 24 nhóm con, và được chấm điểm bằng 12 chỉ số khách quan cùng 5 chỉ số chủ quan do một MLLM đánh giá.
24 lượt đề xuất
RobotarXiv:2610.28589
Các tác giả giới thiệu AgenticRoboRL, một framework hậu huấn luyện bộ lập kế hoạch robot trên nhiều harness khác nhau. Framework kết hợp tinh chỉnh có giám sát với học tăng cường đa lượt, và dùng các adapter riêng cho từng harness để một pipeline RL chung hoạt động với cả việc gọi kỹ năng VLA lẫn sinh mã điều khiển, trong khi các thành phần thực thi được giữ cố định.
20 lượt đề xuất
AIarXiv:2610.30181
Các tác giả giới thiệu tác vụ OpenDS để đánh giá khả năng tìm kiếm sâu nhiều bước trên Web mở đang hoạt động, nơi tác nhân phải tìm, truy cập và tích hợp bằng chứng từ nhiều nguồn độc lập để đi đến một đáp án thực tế duy nhất. Họ xây dựng OpenDS-World, một benchmark gồm 200 tác vụ với nhiều loại phương thức thông tin, định dạng tệp và yêu cầu truy cập tương tác, được con người xác minh về tính hợp lệ của bằng chứng và tính duy nhất của đáp án, rồi đánh giá 12 mô hình tiên tiến trong một môi trường công cụ thống nhất.
149 lượt đề xuất
AIarXiv:2610.26659
Các tác giả giới thiệu SpatialScout, một bộ benchmark gồm 80 cảnh trong nhà với 3.140 vật thể mục tiêu. Các tác nhân VLM điều khiển camera để khám phá từng cảnh và ước lượng tâm vật thể trong một hệ tọa độ chung, dưới giới hạn số lần tương tác.
129 lượt đề xuất
AIarXiv:2610.26828
Các tác giả giới thiệu WildAWM, một quy trình có khả năng mở rộng để tổng hợp các môi trường và tác vụ sử dụng máy tính có thể điều khiển và thực thi được, bao gồm giao diện GUI, dịch vụ MCP và giao diện dòng lệnh. Quy trình hoàn toàn dựa trên các mô hình mã nguồn mở và bổ sung các cổng kiểm soát chất lượng dựa trên thực thi để đảm bảo tính khả giải, độ khó và độ tin cậy của bộ kiểm chứng.
64 lượt đề xuất
AIarXiv:2610.26233
Các tác giả đề xuất Heartbeat Thinking, một phương pháp cho phép tác nhân giọng nói bắt đầu suy luận và gọi công cụ ngay khi người dùng vẫn đang nói. Thay vì dừng quá trình sinh mỗi khi giọng nói được cập nhật, các lần gọi Thinker định kỳ đọc bản chép lời một phần mới nhất và bản ghi chung các kết quả suy luận và công cụ đã hoàn thành, trong khi các lần gọi trước và công cụ đã được kích hoạt vẫn được hoàn tất.
18 lượt đề xuất
AIarXiv:2610.19705
Các tác giả đề xuất RouteWeaver, một chính sách định tuyến LLM duy nhất kết hợp các chế độ định tuyến một vòng, nhiều vòng và agentic, đồng thời học cả việc chọn chế độ nào và chọn mô hình nào trong chế độ đó. Họ huấn luyện bằng COMET-GRPO, tách lợi thế cấp quỹ đạo thành tín hiệu riêng cho lựa chọn chế độ và thực thi trong chế độ, cùng với progressive exploration, chuyển dần từ chế độ được gán bên ngoài sang tự chọn.
17 lượt đề xuất
AIarXiv:2610.25100
Các tác giả đề xuất Deep Fusion Memory (DFM), một kiến trúc bộ nhớ tham số huấn luyện một bộ dự đoán bộ nhớ nhân quả để sinh bộ nhớ từ ngữ cảnh trước đó, được giám sát bằng embedding của các chunk truy xuất từ kho dữ liệu. Bộ nhớ dự đoán được chia sẻ cho các token trong cùng chunk và được hợp nhất vào hidden state qua cross-attention có cổng, với backbone đóng băng và không cần truy xuất khi suy luận.
39 lượt đề xuất
RobotarXiv:2610.23479
Các tác giả kiểm tra tác tử lập trình dựa trên mô hình ngôn ngữ-thị giác (VLM) có thể đi xa đến đâu khi điều khiển robot hai tay qua dòng lệnh thay vì máy tính. Tác tử nhận thông tin từ ba camera RGB đã hiệu chỉnh và sau mỗi lần thất bại, nó viết hoặc sửa các công cụ nhỏ dùng tam giác đạc và giao điểm mặt phẳng để xác định vị trí vật thể. Các công cụ được xây dựng trên mười bố cục cho mỗi tác vụ, sau đó được đóng băng và kiểm tra trên mười bố cục mới.
84 lượt đề xuất
AIarXiv:2610.23121
Các tác giả giới thiệu Scene-Designer, một khung làm việc theo tác tử học cả khả năng thiết kế lẫn phê bình cảnh nội thất 3D, sử dụng hai bộ dữ liệu mới gồm kinh nghiệm thiết kế và phê bình. Họ huấn luyện mô hình bằng Scene-GRPO, một biến thể GRPO được Critic dẫn dắt, giúp đưa ra quyết định thiết kế tốt hơn và giảm số lần sửa lỗi thử-và-sai.
40 lượt đề xuất
AIarXiv:2610.23181
Các tác giả đề xuất TreeOPSD, một khung làm việc không cần critic, phân nhánh các phần tiếp nối thay thế từ tiền tố chung, lan truyền phần thưởng cuối về tín dụng ở cấp lượt, và ánh xạ mỗi tín dụng sang một phân phối giáo viên có dạng đóng, bị chặn. Việc cực tiểu hóa độ phân kỳ giữa giáo viên và chính sách học sinh khôi phục hướng gradient chính sách, đồng thời giữ các cập nhật mini-batch tuần tự quanh một mục tiêu hữu hạn.
27 lượt đề xuất
AIarXiv:2610.23542
Các tác giả giới thiệu MIST, một bài kiểm tra trí nhớ tách riêng việc cảnh có được thiết lập hay không, thay đổi được yêu cầu có được thực hiện hay không, và khung hình cuối có thể hiện kết quả hay không. Sau đó, họ đề xuất M3-Agent, phương pháp sửa đệ quy các chi tiết của chỉ dẫn để mô hình đông lạnh thực hiện đúng thay đổi được yêu cầu.
19 lượt đề xuất
AIarXiv:2610.23230
Các tác giả xây dựng RAP, một bộ dữ liệu gồm hơn 25K cặp bài báo-poster đã được kiểm chứng từ các hội nghị học máy (2022-2026), trong đó mỗi poster do con người làm được chuyển thành HTML/CSS có kiểu dáng và các ô (slot) có thể điền lại. Họ cũng công bố một bộ benchmark giữ lại gồm 150 bài báo và sử dụng kho dữ liệu này theo hai hướng: PosterRAG, một pipeline đa tác nhân không cần huấn luyện, truy xuất và điền lại mẫu; và một mô hình SFT+RL.
19 lượt đề xuất
AIarXiv:2610.23787
Các tác giả đề xuất DLite, một khung giải mã suy đoán cho AI tác nhân, tái sử dụng trạng thái ẩn từ mô hình đích và dự đoán cục bộ mà không lưu trữ ngữ cảnh lịch sử ngày càng dài. Một đầu tuần tự nhẹ khôi phục các phụ thuộc nhân quả trong từng khối, và một chiến lược huấn luyện hai giai đoạn được thiết kế riêng được dùng để huấn luyện kiến trúc này.
18 lượt đề xuất
AIarXiv:2610.23194
Các tác giả giới thiệu OfficeTown, một khung làm việc sinh ra các tổ chức chuyên nghiệp mô phỏng từ mô tả bằng ngôn ngữ tự nhiên về mục đích và hoạt động của tổ chức. Các thành viên phối hợp công việc, giao các nhiệm vụ có phạm vi rõ ràng cho tác nhân trợ lý và xem xét sản phẩm đầu ra, trong khi các sản phẩm, quyết định và vấn đề còn tồn đọng được duy trì và ảnh hưởng đến công việc sau đó. Nhóm nghiên cứu đã chuyển các yêu cầu công việc, bối cảnh và phản hồi đánh giá thành OfficeTown Bench và dữ liệu huấn luyện.
16 lượt đề xuất