Bài toán:

Khi LLM agent làm việc dài hơi, chúng cần “trí nhớ” để lưu thông tin người dùng, lịch sử nhiệm vụ, kế hoạch, công cụ từng dùng, hay kết quả trung gian. Nhưng đa số hệ thống hiện nay ghép nhiều module nhớ lại với nhau theo kiểu ad-hoc, thiếu chuẩn đánh giá rõ ràng.

Ý tưởng:

Paper nhìn memory của agent như một hệ quản trị dữ liệu hoàn chỉnh. Thay vì chỉ hỏi “agent có nhớ không?”, tác giả tách bài toán thành nhiều module: biểu diễn/lưu trữ, trích xuất, truy hồi/định tuyến, bảo trì/cập nhật. Sau đó đánh giá từng phần dưới các workload khác nhau.

Điểm mới:

Đóng góp lớn nhất không phải một thuật toán cụ thể, mà là khung phân tích có hệ thống cho agent memory: đo độ trung thực biểu diễn, độ chính xác truy hồi, độ đúng khi cập nhật, độ ổn định theo thời gian dài, và trade-off chi phí/hiệu năng. Đây là bước quan trọng để biến “memory for agents” từ ý tưởng sang hạ tầng thực thụ.

Ứng dụng thực tế:

Rất hữu ích cho các công ty xây AI assistant dài hạn, như trợ lý khách hàng, copilot nội bộ, tutor cá nhân, hay agent điều phối workflow. Nếu không có memory tốt, agent sẽ quên ngữ cảnh, lặp sai, hoặc cập nhật thông tin sai.

Bài toán:

Sinh video từ text đã khó; sinh video với một chủ thể cụ thể (người, thú cưng, đồ vật) mà vẫn giữ đúng nhận diện qua nhiều bối cảnh còn khó hơn, nhất là khi chủ thể thuộc miền mở chứ không bị giới hạn trong một domain nhỏ.

Ý tưởng:

DomainShuttle đưa vào cơ chế domain-aware modeling để phân biệt xử lý giữa các miền dữ liệu khác nhau, đồng thời dùng Video-Reference DualRoPE để căn chỉnh token từ ảnh tham chiếu và token video trong các không gian vị trí phù hợp.

Điểm mới:

Có 2 ý đáng chú ý:

Ứng dụng thực tế:

Marketing, làm phim ngắn, video cá nhân hóa, virtual influencer, hay tạo video quảng cáo với nhân vật thương hiệu cố định. Đây là mảnh ghép quan trọng cho các hệ thống “image-to-character-to-video”.

Bài toán:

Các mô hình sinh ảnh hiện đại thường giỏi một vài tác vụ riêng: tạo ảnh từ text, chỉnh sửa cục bộ, chỉnh sửa toàn cục. Nhưng gom tất cả vào một mô hình student thống nhất mà vẫn giữ chất lượng cao là bài toán khó.

Ý tưởng:

DanceOPD dùng on-policy generative field distillation để chưng cất nhiều “năng lực chuyên gia” vào một mô hình duy nhất. Hệ thống có routing theo capability, nghĩa là mẫu nào phù hợp với kỹ năng nào sẽ được hướng tới expert tương ứng trong quá trình học.

Điểm mới:

Khác với distillation tĩnh, paper này làm distillation on-policy trên chính quỹ đạo sinh của student. Đồng thời dùng velocity-based training trong bối cảnh flow matching, phù hợp với họ mô hình sinh mới hơn diffusion truyền thống.

Ứng dụng thực tế:

Các sản phẩm chỉnh ảnh “all-in-one” cho người dùng cuối: từ tạo ảnh, thêm vật thể, thay nền, sửa chi tiết khuôn mặt đến chỉnh phong cách toàn ảnh. Điều này giúp giảm số model phải triển khai trong production.

Bài toán:

Phần lớn AI cho nhiếp ảnh tập trung vào hậu kỳ. Nhưng trong thực tế, rất nhiều lỗi xảy ra ngay lúc chụp: bố cục lệch, chủ thể tạo dáng chưa ổn, hậu cảnh gây nhiễu.

Ý tưởng:

ShutterMuse xây benchmark và dataset cho hướng dẫn chụp ảnh theo thời gian thực, đồng thời huấn luyện một MLLM có thể vừa gợi ý bố cục cho người chụp, vừa đề xuất pose cho người được chụp.

Điểm mới:

Điểm hay là bài toán được chia thành 2 phía:

Ứng dụng thực tế:

Camera app trên điện thoại, trợ lý chụp ảnh du lịch, studio AI, kiosk selfie, hay smart glasses hỗ trợ nhiếp ảnh. Nếu triển khai tốt, đây có thể là “Google Maps cho việc chụp ảnh đẹp”.

Bài toán:

Trong multimodal learning, ảnh thường phải resize mạnh hoặc dùng continuous features rất tốn tài nguyên. Cần một dạng biểu diễn rời rạc, gọn nhẹ, nhưng vẫn giữ được cả ngữ nghĩa cấp cao lẫn chi tiết cấp thấp.

Ý tưởng:

ViQ đề xuất framework lượng tử hóa biểu diễn thị giác sao cho được align với text, đồng thời hỗ trợ ảnh ở độ phân giải bất kỳ. Mục tiêu là dùng token thị giác rời rạc hiệu quả hơn cho mô hình đa phương thức.

Ứng dụng thực tế:

Huấn luyện VLM quy mô lớn với chi phí thấp hơn, xử lý tài liệu/ảnh độ phân giải cao, hoặc xây mô hình chạy trên thiết bị giới hạn tài nguyên. Rất phù hợp với xu hướng tiết kiệm compute trong multimodal AI.

Bài toán:

LLM hiện nay gần như mặc định là autoregressive: sinh token từ trái sang phải. Cách này mạnh nhưng có giới hạn về song song hóa và đôi khi chưa tận dụng hết ngữ cảnh hai chiều.

Ý tưởng:

Paper quay lại hướng diffusion cho ngôn ngữ, cụ thể là masked diffusion language models với attention hai chiều đầy đủ. Mô hình dần “khử nhiễu” chuỗi token bị mask để tạo ra văn bản hoàn chỉnh.

Điểm mới:

Kết quả cho thấy mô hình diffusion ngôn ngữ có thể vượt autoregressive trên một số benchmark như BBH, ARC-Challenge, MATH, HumanEval, trong khi vẫn cạnh tranh về chất lượng tổng thể. Đây là tín hiệu đáng chú ý vì diffusion cho text từng bị xem là kém thực dụng hơn.

Ứng dụng thực tế:

Nếu hướng này tiếp tục tiến bộ, ta có thể có các language model hỗ trợ generation linh hoạt độ dài, sửa nhiều vị trí đồng thời, hoặc suy luận theo kiểu iterative refinement — rất hợp cho code editing, paraphrase, hoặc constrained generation.

Bài toán:

Sinh code từ mô tả ngôn ngữ tự nhiên đã phát triển mạnh, nhưng thực tế ngày càng nhiều bài toán cần nhìn rồi mới code: từ giao diện GUI, biểu đồ khoa học, sơ đồ vector, đến các artifact thị giác khác.

Ý tưởng:

Đây là một bài survey hệ thống hóa lĩnh vực Multimodal Code Intelligence — nơi mô hình phải chuyển từ perception sang program generation/reasoning. Tác giả phân loại các hướng theo loại đầu vào thị giác và loại tác vụ.

Điểm mới:

Điểm giá trị nhất là góc nhìn verification-centered. Paper không chỉ hỏi “mô hình có sinh đúng code không?”, mà còn nhấn mạnh các hướng như:

Ứng dụng thực tế:

Xây công cụ tạo giao diện từ mockup, phân tích chart bằng code, tạo hình vector từ sketch, hoặc agent tự động sửa GUI/web app. Với doanh nghiệp, đây là hướng rất gần sản phẩm.

Bài toán:

Text prompt thường quá ngắn để mô tả đủ bối cảnh cho việc tạo ảnh chất lượng cao. “Một quán cà phê vintage buổi chiều mưa” nghe hay, nhưng mô hình thiếu vô số ngữ cảnh ngầm định về phong cách, vật thể, bố cục, ánh sáng, văn hóa, thời đại.

Ý tưởng:

Qwen-Image-Agent xem tạo ảnh là một bài toán agentic. Thay vì nhận prompt rồi sinh ảnh ngay, hệ thống có thể lập kế hoạch, suy luận, tìm kiếm, và dùng memory để xây dựng generation context đầy đủ hơn trước khi vẽ.

Điểm mới:

Đây là bước dịch chuyển từ “text-to-image model” sang “image-generation agent”. Paper cũng đưa ra cách đánh giá năng lực agent qua Image Agent Bench, nhấn mạnh vào các thành phần plan/reason/search/memory.

Ứng dụng thực tế:

Sinh ảnh quảng cáo, minh họa sản phẩm, storyboard, thiết kế sáng tạo chuyên nghiệp — nơi người dùng không muốn tự viết prompt cực dài mà muốn AI tự hỏi tiếp, tự bổ sung ngữ cảnh, rồi mới tạo.

Bài toán:

Sinh video đa góc nhìn hoặc novel-view video thường gặp lỗi không nhất quán hình học: vật thể méo, chuyển động lệch giữa các góc camera, hoặc cấu trúc không giữ vững theo thời gian.

Ý tưởng:

MVTrack4Gen dùng multi-view point tracking làm tín hiệu giám sát hình học cho mô hình diffusion sinh video. Mô hình học không chỉ từ frame appearance mà còn từ correspondence cues giữa các view.

Điểm mới:

Paper thêm một auxiliary multi-view tracking head và huấn luyện joint training để truyền thông tin tracking vào các lớp attention. Đây là cách khá trực tiếp để bơm “cảm nhận hình học” vào mô hình sinh.

Ứng dụng thực tế:

AR/VR, tái dựng cảnh động, game, quay sản phẩm ảo, digital twin, và sản xuất nội dung 3D/video tương tác. Với các bài toán cần camera bay quanh chủ thể, tính nhất quán hình học là yếu tố sống còn.

Bài toán:

Huấn luyện language agent bằng reinforcement learning thường rất tốn mẫu và sparse reward: agent chỉ biết mình làm tốt hay tệ ở cuối hành trình, còn giữa đường thiếu tín hiệu học.

Ý tưởng:

OPID khai thác dense hindsight supervision từ các trajectory đã hoàn thành. Nói đơn giản, sau khi agent làm xong, hệ thống nhìn lại toàn bộ quá trình để rút ra các skill trung gian rồi distill ngược vào policy.

Điểm mới:

Điểm mạnh là on-policy skill distillation, cùng với các biến thể skill-conditioned và cơ chế critical-first routing. Điều này giúp agent học hiệu quả hơn từ chính trải nghiệm mới nhất của mình, thay vì chỉ dựa vào replay hay reward cuối cùng.

Ứng dụng thực tế:

Agent dùng tool, web agent, coding agent, hay assistant đa bước. Bất kỳ hệ thống nào cần ra quyết định dài hạn đều hưởng lợi nếu có thể biến “kinh nghiệm làm xong việc” thành supervision dày đặc hơn.