Bài toán:

Khi xây dựng AI agent dùng LLM, “memory” không còn đơn giản là lưu vài đoạn hội thoại. Agent hiện đại cần lưu trữ thông tin dài hạn, rút trích tri thức, truy hồi đúng ngữ cảnh, cập nhật ký ức cũ và giữ ổn định theo thời gian. Vấn đề là cộng đồng vẫn thiếu một cách đánh giá có hệ thống cho toàn bộ pipeline này.

Ý tưởng:

Paper nhìn memory của agent như một bài toán quản trị dữ liệu. Thay vì chỉ hỏi “agent có nhớ không?”, tác giả tách memory system thành nhiều module: biểu diễn/lưu trữ, extraction, retrieval/routing, maintenance. Từ đó họ đánh giá từng thành phần qua nhiều workload khác nhau.

Điểm mới:

Điểm đáng chú ý là cách tiếp cận data management perspective. Đây không chỉ là benchmark hiệu năng chung, mà là framework để đo các thuộc tính như:

Ứng dụng thực tế:

Paper rất hữu ích cho những ai đang xây AI assistant dài hạn, customer support agent, copilot doanh nghiệp, hay agent tự động hóa workflow. Thực tế, nhiều sản phẩm agent thất bại không phải vì model kém, mà vì memory sai, cũ hoặc truy hồi lệch ngữ cảnh.

Bài toán:

Trong mô hình tạo ảnh hiện nay, các khả năng như text-to-image, local editing và global editing thường được tối ưu khá rời rạc. Kết quả là mô hình khó vừa mạnh ở sinh ảnh mới, vừa giỏi chỉnh sửa ảnh.

Ý tưởng:

DanceOPD đề xuất một framework on-policy generative field distillation cho các mô hình flow-matching. Ý tưởng là dùng nhiều “expert capability” và huấn luyện student model bằng cách routing theo năng lực phù hợp, đồng thời tối ưu trên trường vận tốc (velocity field).

Điểm mới:

Có hai điểm mới đáng chú ý:

Ứng dụng thực tế:

Phù hợp cho các sản phẩm AI creative tools, image editor thông minh, thiết kế marketing, nơi người dùng muốn vừa tạo ảnh từ prompt, vừa sửa cục bộ hoặc chỉnh phong cách toàn cục trong cùng một hệ thống.

Bài toán:

Text-to-video đã tiến bộ nhanh, nhưng khi muốn tạo video với chủ thể cụ thể từ một ảnh tham chiếu, mô hình thường gặp khó ở hai điểm: giữ đúng danh tính/chủ thể và tổng quát sang các domain lạ.

Ý tưởng:

DomainShuttle giải quyết bài toán subject-driven text-to-video trong cả tình huống cùng miền dữ liệu lẫn khác miền dữ liệu. Họ đưa vào mô hình hóa theo domain và cơ chế DualRoPE để xử lý quan hệ giữa token ảnh tham chiếu và token video.

Điểm mới:

Các thành phần mới gồm:

Ứng dụng thực tế:

Rất tiềm năng cho quảng cáo video cá nhân hóa, virtual influencer, content creator tools, e-commerce video generation, nơi người dùng muốn “lấy người/vật này làm nhân vật chính rồi tạo video theo prompt”.

Bài toán:

Phần lớn AI cho nhiếp ảnh hiện nay hoạt động sau khi chụp. Nhưng người mới thường cần hỗ trợ ngay lúc đang chụp: bố cục ra sao, nên crop thế nào, người mẫu nên tạo dáng gì.

Ý tưởng:

ShutterMuse xây dựng benchmark, dataset và một mô hình đa phương thức thống nhất để hỗ trợ cả hai phía:

Điểm mới:

Paper không chỉ đưa ra mô hình mà còn xây nền tảng đánh giá cho tác vụ “capture-time guidance” — một bài toán rất thực tế nhưng còn ít được chuẩn hóa. Việc kết hợp supervised fine-tuning và reinforcement fine-tuning cũng cho thấy họ muốn tối ưu theo phản hồi gần với trải nghiệm người dùng.

Ứng dụng thực tế:

Có thể dùng trong camera app thông minh, trợ lý chụp ảnh trên smartphone, studio AI assistant, hoặc công cụ hỗ trợ cho creator quay/chụp nội dung mạng xã hội.

Bài toán:

Robot ngoài đời thật luôn gặp thay đổi: tải trọng khác, ma sát khác, cấu hình khác. Nếu mỗi thay đổi đều cần fine-tune model thì quá chậm và đắt.

Ý tưởng:

Paper đề xuất In-Context World Modeling (ICWM): robot tự tạo ra một số tương tác thăm dò, rồi dùng chính lịch sử đó để suy ra biến trạng thái/hệ động lực ẩn. Nói cách khác, system identification được biến thành một bài toán in-context adaptation, không cần cập nhật tham số.

Điểm mới:

Điểm mới nằm ở việc dùng tinh thần của in-context learning trong LLM cho robotic control. Thay vì “học lại”, policy suy luận thích nghi tại chỗ từ chuỗi quan sát-hành động.

Ứng dụng thực tế:

Rất quan trọng với robot công nghiệp, robot thao tác trong kho, robot gia đình, nơi môi trường thay đổi liên tục. Nếu làm tốt, robot sẽ triển khai linh hoạt hơn mà không cần pipeline retraining phức tạp.

Bài toán:

Huấn luyện language agent bằng reinforcement learning thường thiếu tín hiệu học dày đặc. Phần thưởng cuối cùng quá thưa, khiến việc học chậm và dễ bất ổn.

Ý tưởng:

OPID tận dụng các trajectory đã hoàn thành để trích xuất dense hindsight supervision. Từ kết quả cuối cùng, hệ thống suy ngược ra các kỹ năng con cần thiết và distill chúng vào policy.

Điểm mới:

Các đóng góp nổi bật gồm:

Ứng dụng thực tế:

Hữu ích cho coding agents, web agents, research agents, và các hệ agent đa bước cần ra quyết định dài hơi.

Bài toán:

Khoảng cách lớn của text-to-image hiện nay là context gap: prompt người dùng thường thiếu thông tin, mơ hồ hoặc ngầm định rất nhiều, trong khi mô hình sinh ảnh chỉ nhận một chuỗi text ngắn.

Ý tưởng:

Qwen-Image-Agent biến việc tạo ảnh thành một tiến trình mang tính agentic hơn: lập kế hoạch, suy luận, tìm kiếm, và dùng memory để dần xây dựng ngữ cảnh đầy đủ trước khi sinh ảnh.

Điểm mới:

Điểm mới ở đây không nằm thuần trong backbone generative model, mà ở khung tác tử bao quanh mô hình tạo ảnh. Paper cũng nhấn mạnh một benchmark mới để đánh giá khả năng của image agent trong các tình huống thực tế.

Ứng dụng thực tế:

Rất phù hợp với thiết kế thương mại, AI content production, creative assistant cho doanh nghiệp, nơi yêu cầu hình ảnh thường phụ thuộc vào brand guideline, bối cảnh, tài liệu tham chiếu và tri thức ngoài prompt.

Bài toán:

Khi huấn luyện coding agent, ta thường dùng các tín hiệu kiểm chứng như test case, static analysis, hoặc proxy metric. Nhưng các tín hiệu này dễ bị reward hacking: agent tối ưu điểm số mà không thực sự đáp ứng ý định con người.

Ý tưởng:

Paper lập luận rằng không có “viên đạn bạc” nào cho reward của coding agents. Khi năng lực sinh của agent mạnh lên, các cơ chế verification cũ sẽ dần bị khai thác hoặc bão hòa. Vì vậy verification phải tiến hóa cùng agent.

Điểm mới:

Đây là một đóng góp thiên về khung khái niệm hơn là một thuật toán đơn lẻ. Paper đưa ra góc nhìn “verification horizon” để giải thích vì sao nhiều reward tưởng tốt lại nhanh chóng mất tác dụng khi agent giỏi hơn.

Ứng dụng thực tế:

Rất đáng đọc cho đội ngũ xây AI coding assistant, autonomous software engineer, hoặc bất kỳ hệ thống nào dùng proxy reward. Nó nhắc rằng bài toán không chỉ là “đo được”, mà là “đo đúng điều con người thật sự muốn”.

Bài toán:

Biểu diễn ảnh rời rạc (quantized/discrete representations) hữu ích cho multimodal learning vì tiết kiệm tính toán. Nhưng thường phải đánh đổi giữa ngữ nghĩa mạnh và giữ chi tiết hình ảnh.

Ý tưởng:

ViQ đề xuất một framework quantization có căn chỉnh với text, nhằm tạo ra biểu diễn thị giác rời rạc nhưng vẫn giàu ngữ nghĩa và hỗ trợ đầu vào ở độ phân giải tự nhiên bất kỳ.

Điểm mới:

Một số thành phần nổi bật:

Ứng dụng thực tế:

Có thể cải thiện multimodal foundation models, vision-language pretraining, retrieval, captioning, và cả các pipeline cần nén biểu diễn thị giác hiệu quả.

Bài toán:

Trong sinh video novel-view hoặc 4D, mô hình thường tạo chuyển động đẹp nhưng thiếu nhất quán hình học giữa các góc nhìn. Điều này làm video trông “ảo”, đặc biệt trong cảnh có camera di chuyển.

Ý tưởng:

MVTrack4Gen đưa vào multi-view point tracking như một dạng giám sát hình học cho mô hình diffusion. Bằng cách học các correspondence cues giữa nhiều góc nhìn, mô hình có thể giữ cấu trúc không gian và chuyển động chính xác hơn.

Ứng dụng thực tế:

Phù hợp cho 3D/4D content creation, game asset generation, AR/VR, cinematic video synthesis, nơi tính nhất quán không gian là yếu tố sống còn.