Bài toán:

Agent hiện nay thường yếu ở khả năng lập kế hoạch dài hạn vì thiếu một “mô hình thế giới” để dự đoán nếu làm hành động A thì môi trường sẽ chuyển sang trạng thái nào. Việc huấn luyện trực tiếp trên môi trường thật cũng tốn kém và chậm.

Ý tưởng:

Qwen-AgentWorld xây dựng world model bằng ngôn ngữ, tức dùng language model để mô phỏng diễn tiến của môi trường, trạng thái, phản hồi và kết quả hành động. Agent có thể “tập dượt” trong môi trường mô phỏng này trước khi ra quyết định thật.

Điểm mới:

Điểm đáng chú ý là tác giả dùng language-based environment simulation cho nhiều domain khác nhau, thay vì chỉ cho một game hay một tác vụ đơn lẻ. Cách này kết hợp dự đoán trạng thái kế tiếp, reasoning theo chuỗi dài, và reinforcement learning để cải thiện policy của agent.

Ứng dụng thực tế:

Rất phù hợp cho các general-purpose agent: trợ lý phần mềm, agent web, agent doanh nghiệp, hay robot software cần thử nghiệm chiến lược an toàn trước khi chạy thật.

Bài toán:

Self-attention ngày càng đắt đỏ khi model lớn hơn. GQA giúp giảm chi phí KV cache, nhưng vẫn chưa tận dụng được khả năng chuyên môn hóa như Mixture-of-Experts.

Ý tưởng:

Paper này đưa ra Grouped Query Experts (GQE): thay vì tất cả query heads cùng hoạt động, model dùng router để chọn một nhóm query-head experts phù hợp theo từng token.

Điểm mới:

Cái hay là tác giả giữ lại lợi ích của Grouped-Query Attention về hiệu quả bộ nhớ và cache, nhưng thêm cơ chế chuyên gia giống MoE ở phần query. Đây là một thiết kế khá “sạch”: tăng năng lực biểu diễn mà không phải trả toàn bộ chi phí của dense attention.

Ứng dụng thực tế:

Có giá trị lớn cho LLM suy luận dài ngữ cảnh, inference tiết kiệm chi phí, và các hệ thống phục vụ model ở quy mô lớn nơi latency và memory là yếu tố sống còn.

Bài toán:

Nhiều benchmark coding hiện chỉ đo xem agent có viết được code đúng không, nhưng không trả lời câu hỏi khó hơn: agent có tái tạo hoặc đạt trình độ khám phá khoa học như các paper top-tier không?

Ý tưởng:

NatureBench xây dựng một benchmark gồm 90 tác vụ khoa học liên ngành xuất phát từ các bài báo thuộc hệ Nature. Thay vì các bài toán toy, đây là các nhiệm vụ gần với nghiên cứu thật.

Điểm mới:

Điểm mới quan trọng là benchmark không chỉ đo reproduction, mà hướng tới đánh giá năng lực discovery-oriented coding agents. Kết quả cho thấy phần lớn agent hiện mới giỏi “dịch phương pháp thành code”, chưa thực sự sáng tạo khoa học.

Ứng dụng thực tế:

Paper này hữu ích cho các nhóm xây dựng AI scientist, coding agent hỗ trợ R&D, và các tổ chức muốn đo xem agent đã đủ tin cậy để tham gia pipeline nghiên cứu hay chưa.

Bài toán:

Mobile GUI agent thường cần nhiều dữ liệu gán nhãn đắt đỏ để thích nghi với app mới, trong khi giao diện di động thay đổi liên tục.

Ý tưởng:

MobileForge đề xuất cách annotation-free adaptation, tức cho agent học thích nghi mà không cần gán nhãn thủ công. Hệ thống khai thác tương tác thật với app và tối ưu policy bằng hierarchical feedback-guided policy optimization.

Điểm mới:

Thay vì phụ thuộc vào dataset có nhãn, paper tận dụng feedback phân cấp để cải thiện dần hành vi của agent. Đây là hướng rất thực dụng vì mobile ecosystem thay đổi quá nhanh để con người luôn kịp annotate.

Ứng dụng thực tế:

Phù hợp cho trợ lý thao tác điện thoại, tự động hóa app testing, hỗ trợ người dùng khuyết tật, và agent thực hiện các workflow như đặt xe, chuyển tiền, mua sắm, điền biểu mẫu.

Bài toán:

Mobile agent thường thất bại ở tác vụ dài vì quên ngữ cảnh: trước đó đã bấm gì, thông tin nào quan trọng, màn hình nào đã đi qua.

Ý tưởng:

MemGUI-Agent đưa ra cơ chế proactive context management với khái niệm Context-as-Action (ConAct). Tức là việc quản lý bộ nhớ/ngữ cảnh được xem như một loại hành động chủ động của agent.

Điểm mới:

Thay vì nhồi toàn bộ lịch sử vào prompt, mô hình dùng các trường ngữ cảnh có cấu trúc như folded action history, folded UI state, recent step record. Đây là một cách tiếp cận gọn hơn và phù hợp với tác vụ nhiều bước.

Ứng dụng thực tế:

Rất hữu ích cho các tác vụ mobile dài hơi như đặt vé máy bay, xử lý khiếu nại, đăng ký dịch vụ, hoặc các workflow đòi hỏi chuyển qua nhiều màn hình và nhớ thông tin từ đầu đến cuối.

Bài toán:

Hiện nay phần lớn agent chạy “trên” hệ điều hành chứ chưa được coi là thực thể hạng nhất trong OS. Điều này gây hạn chế về hiệu năng, cá nhân hóa, và đặc biệt là bảo mật.

Ý tưởng:

AOHP xây dựng một framework ở mức hệ điều hành Android, nơi agent được tích hợp như một thành phần gốc của OS thay vì lớp ứng dụng chắp vá bên trên.

Điểm mới:

Paper nhấn mạnh 3 điểm: personalized interaction, efficient agent interfaces, và secure information flow. Tức không chỉ làm agent mạnh hơn, mà còn làm nó an toàn và rẻ hơn khi vận hành.

Ứng dụng thực tế:

Đây là hướng rất tiềm năng cho agent-native OS trong điện thoại, xe hơi, thiết bị IoT, hay enterprise device management — nơi agent cần quyền truy cập sâu nhưng vẫn phải tuân thủ policy bảo mật.

Bài toán:

Thông thường LLM luôn dùng layer cuối để dự đoán token tiếp theo. Nhưng layer cuối không phải lúc nào cũng tốt nhất, đặc biệt khi alignment hoặc fine-tuning gây nhiễu cho reasoning gốc.

Ý tưởng:

Paper đề xuất Confident Layer Decoding: trong quá trình sinh, hệ thống động chọn layer trung gian đáng tin hơn dựa trên entropy-guided search.

Điểm mới:

Điểm mới nằm ở cách xem việc chọn layer như một optimal stopping problem. Thay vì mặc định “càng sâu càng tốt”, paper cho thấy đôi khi layer giữa cho tín hiệu tốt hơn, giúp giảm “alignment tax” mà không cần retrain nặng.

Ứng dụng thực tế:

Có giá trị ngay cho inference-time optimization trên các model reasoning, nhất là khi muốn tăng chất lượng trả lời toán, logic, khoa học mà không đổi kiến trúc hay tốn thêm quá nhiều compute.

Bài toán:

Dữ liệu sinh học tồn tại ở nhiều modality: sequence, structure, và natural language. Phần lớn model mới chỉ xử lý tốt một hoặc hai dạng, khiến tri thức bị phân mảnh.

Ý tưởng:

BioMatrix xây dựng một multimodal biological foundation model trong kiến trúc decoder-only thống nhất, đưa sequence, structure và text vào cùng một không gian token rời rạc.

Điểm mới:

Điểm mạnh là tư duy “modality matrix”: thay vì xem protein sequence, molecular structure và mô tả ngôn ngữ là ba thế giới tách rời, paper gom chúng vào chung một framework tiền huấn luyện liên tục.

Ứng dụng thực tế:

Rất đáng chú ý cho drug discovery, protein engineering, chú giải chức năng sinh học, và hệ thống hỏi-đáp khoa học có khả năng nối kiến thức ngôn ngữ với cấu trúc phân tử thực.

Bài toán:

Đánh giá LLM trong y tế tâm thần rất khó vì không chỉ cần chẩn đoán đúng, mà còn phải hỏi đúng, khai thác đúng, và tư vấn phù hợp trong đối thoại động.

Ý tưởng:

LingxiDiagBench xây dựng benchmark multi-agent cho tư vấn và chẩn đoán tâm thần bằng tiếng Trung, bám theo EMR và ICD-10.

Điểm mới:

Paper chỉ ra một phát hiện thú vị: chất lượng hội thoại không đồng nghĩa với độ chính xác chẩn đoán. Một model có thể nói chuyện trôi chảy nhưng vẫn suy luận lâm sàng kém.

Ứng dụng thực tế:

Dùng để đánh giá trợ lý y tế, hệ thống sàng lọc sức khỏe tâm thần, và các mô hình hội thoại chuyên ngành cần tuân thủ tiêu chuẩn lâm sàng thay vì chỉ “nói hay”.

Bài toán:

Computer-use agents học kỹ năng mới liên tục, nhưng trong môi trường động và có yếu tố đối kháng, việc tái sử dụng kỹ năng cũ có thể dẫn tới hành vi nguy hiểm hoặc sai ngữ cảnh.

Ý tưởng:

SkillHarness xây dựng framework để học, chọn, dùng và loại bỏ kỹ năng theo vòng đời, đồng thời gắn với các ràng buộc an toàn.

Điểm mới:

Paper không xem skill chỉ là một primitive để tái sử dụng, mà là một thực thể có biên an toàn, có thể tự cải thiện constraint và được giám sát từ nhiều nguồn tín hiệu khác nhau.

Ứng dụng thực tế:

Quan trọng cho agent thao tác máy tính trong doanh nghiệp: xử lý email, chỉnh sửa tài liệu, thao tác dashboard, hay vận hành back-office — nơi sai sót nhỏ cũng có thể gây rò rỉ dữ liệu hoặc thao tác ngoài quyền hạn.