Ngừng Hỏi Mô Hình Nào Thông Minh Nhất: DeepSeek V4 Flash, Qwen3.8-Max và Kỷ Nguyên 'Đủ Tốt'

Hai mô hình mới ra mắt chỉ cách nhau vài ngày, và chúng hướng theo hai hướng rất khác nhau.

DeepSeek V4 Flash 0731 gần như rẻ một cách phi lý.

Qwen3.8-Max gần như lớn một cách phi lý.

Cả hai đều được xây dựng cho cùng một thế giới đang nổi lên: các hệ thống AI không chỉ trả lời câu hỏi, mà còn viết mã, dùng tools, giữ context lớn và làm việc qua các task đa bước. Đó có lẽ thú vị hơn những con số benchmark.

Cuộc đua mô hình đang thay đổi — từ thông minh nhất sang thông minh nhất cho mỗi đô-la.

graph LR
  A["Mô hình nào thông minh nhất?"] -->|"2023-2025"| B["GPT vs Claude vs Gemini"]
  B --> C["Bảng xếp hạng benchmark"]
  D["Bao nhiêu trí tuệ cho mỗi đô-la?"] -->|"2026+"| E["DeepSeek V4 Flash: $0.03/task"]
  D --> F["Qwen3.8-Max: 2.4T + 1M ctx"]
  C -.->|"câu hỏi chuyển dịch"| D

DeepSeek V4 Flash: con ngựa thồ

DeepSeek V4 Flash 0731 là mô hình thu hút sự chú ý của tôi trước tiên. Không phải vì nó là mô hình có năng lực nhất hiện có — nó không phải. Điều thú vị nằm ở sự kết hợp giữa năng lực, tốc độ, open weights và chi phí suy luận cực thấp.

Theo dữ liệu Artificial Analysis được BigGo đưa tin, V4 Flash đạt 50 trên Chỉ số Thông minh (Intelligence Index) trong khi tốn khoảng $0,03 cho mỗi task benchmark. Các mô hình frontier đắt hơn nhiều có thể tốn gấp hàng chục lần với chỉ cải thiện khiêm tốn về điểm số (BigGo Finance).

Đó là một đề xuất rất khác với “đây là một mô hình tốt”. Đề xuất thực sự là:

Đây là mô hình bạn có thể dùng ở mọi nơi.

Và điều đó cực kỳ quan trọng đối với agents.

Tại sao mô hình rẻ lại quan trọng hơn với agents

Hãy tưởng tượng một chatbot truyền thống. Người dùng hỏi một câu; mô hình tạo câu trả lời; xong. Có thể vài cent.

Giờ hãy xem xét một agent coding. Một yêu cầu người dùng duy nhất có thể bùng nổ thành hàng loạt lệnh gọi mô hình:

graph TD
  A["Yêu cầu người dùng"] --> B["Đọc repository"]
  B --> C["Kiểm tra file"]
  C --> D["Tìm kiếm tham chiếu"]
  D --> E["Lập kế hoạch"]
  E --> F["Gọi tools"]
  F --> G["Sửa đổi mã"]
  G --> H["Chạy tests"]
  H --> I["Đọc lỗi"]
  I --> J["Sửa đổi lại"]
  J --> K["Xem xét kết quả"]
  K --> L["Tạo phản hồi"]

Một yêu cầu duy nhất có thể tạo ra hàng chục lệnh gọi mô hình và hàng triệu token. Kinh tế học thay đổi hoàn toàn. Nếu mỗi lệnh gọi cần một mô hình frontier tốn vài đô-la, việc chạy agents tự chủ ở quy mô lớn sẽ trở nên đắt đỏ rất nhanh. Nhưng nếu một mô hình đủ tốt với $0,03 mỗi task, bạn đột nhiên có thể để nó làm việc.

Đó là lý do tại sao thuộc tính quan trọng nhất của V4 Flash không phải thứ hạng benchmark. Mà là giá.

DeepSeek không chỉ làm nó rẻ hơn

Bản phát hành 0731 thú vị vì DeepSeek tập trung mạnh vào hiệu năng agentic và coding. Mô hình giữ kiến trúc mixture-of-experts — hàng trăm tỷ tham số tổng cộng, nhưng chỉ một phần nhỏ được kích hoạt mỗi lần suy luận. Bản 0731 được cải thiện đáng kể thông qua post-training, không chỉ đơn thuần trở thành mô hình lớn hơn (BigGo Finance).

Sự phân biệt đó quan trọng. Chúng ta thấy nhiều bằng chứng rằng post-training và kiến trúc suy luận có thể quan trọng ngang với tổng số tham số. Mô hình không cần kích hoạt mọi thứ nó biết cho mỗi yêu cầu — một trong những ý tưởng cơ bản để làm cho các mô hình rất lớn trở nên hữu dụng về kinh tế.

Và câu chuyện 8 nghìn tỷ token

Ngay sau khi phát hành, OpenCode báo cáo rằng DeepSeek V4 Flash xử lý khoảng 8 nghìn tỷ token trong một ngày qua nền tảng của họ — năm nghìn tỷ từ dùng miễn phí, ba nghìn tỷ từ người dùng trả phí (BigGo Finance).

Hãy hiểu con số này với sự thận trọng: nó là con số cụ thể của một nền tảng, không phải đo lường toàn ngành AI. Nhưng ngay cả như vậy, nó minh họa điều quan trọng. Mọi người không nhất thiết muốn mô hình thông minh nhất cho mỗi yêu cầu. Họ muốn một mô hình đủ tốt để không phải nghĩ về mô hình chút nào. Đó là hình dáng của một con ngựa thồ — để tạo mã, sửa lỗi, tái cấu trúc, viết tests, trích xuất dữ liệu, tóm tắt, gọi tools, điều phối và chạy các agent nền. Và vì nó rẻ, bạn ngừng canh đồng hồ token. Điều đó thay đổi trải nghiệm developer.

Qwen3.8-Max đi theo hướng ngược lại

Nếu DeepSeek V4 Flash là con ngựa thồ rẻ, thì Qwen3.8-Max gần giống một mô hình tổng quát quy mô frontier hơn. Alibaba nói nó có 2,4 nghìn tỷ tham số, dùng kiến trúc mixture-of-experts nên toàn bộ mô hình không hoạt động cho mỗi yêu cầu. Nó cũng hỗ trợ cửa sổ context 1 triệu token, đầu vào đa phương thức, lập luận và gọi hàm (Reuters).

Sự kết hợp là điều làm nó thú vị. Không đơn thuần 2,4 nghìn tỷ tham số, mà là 2,4T + context khổng lồ + đa phương thức + lập luận + tools.

1 triệu token thay đổi cách chúng ta xây dựng ứng dụng

Một cửa sổ context 1 triệu token nghe như một con số trên tờ thông số kỹ thuật. Nó không phải. Với developer, context dài có thể thay đổi kiến trúc ứng dụng.

Ngày nay bạn thường xây dựng một hệ thống truy xuất xung quanh mô hình:

Kho mã
    ↓
Bộ lập chỉ mục
    ↓
Embeddings
    ↓
Cơ sở dữ liệu vector
    ↓
Bộ truy xuất
    ↓
Các file liên quan
    ↓
LLM

Điều này vẫn hữu ích. Nhưng nếu một mô hình có thể làm việc đáng tin cậy với các context khổng lồ, đôi khi bạn có thể đưa nhiều hơn toàn bộ dự án thực tế trực tiếp vào mô hình. Thay vì hỏi “làm sao để truy xuất 5 file có thể liên quan?” bạn ngày càng có thể hỏi “tôi có thể cho mô hình toàn bộ phần liên quan của hệ thống?” — một thiết kế rất khác.

Context dài không tự động tốt hơn

Cửa sổ 1 triệu token không có nghĩa mô hình hiểu hoàn hảo một triệu token. Dung lượng context và sự tận dụng context là hai thứ khác nhau. Một mô hình về mặt kỹ thuật có thể chấp nhận một prompt khổng lồ trong khi vẫn kém tin cậy hơn khi thông tin quan trọng bị chôn vùi bên trong — context rot, hiện tượng tương tự làm giảm hiệu suất khi độ dài đầu vào tăng (Chroma, Anthropic).

Vì vậy tôi sẽ không xây dựng xung quanh “Qwen hỗ trợ 1M, nên chúng ta gửi 1M mọi lần.” Đó là lãng phí. Context dài cho bạn một lựa chọn khác — giữ nhiều trạng thái hơn khi thực sự hữu ích: toàn bộ codebase, tài liệu dài, lịch sử khách hàng lớn, spec phức tạp, trạng thái agent chạy dài. Nó giảm thiểu việc quản lý context ở tầng ứng dụng, không loại bỏ nó.

Qwen3.8-Max cũng thú vị vì tính cởi mở

Alibaba đã nói Qwen3.8-Max sẽ được phát hành với open weights (The Verge). Điều đó quan trọng về mặt chiến lược. Hệ sinh thái đang chia rẽ làm hai:

• Mô hình đóng — bạn gọi một API, không kiểm soát trọng số hay hạ tầng, trả tiền cho suy luận.
• Mô hình open-weight — bạn có thể tải xuống, chạy, fine-tune, kiểm tra và xây dựng stack riêng.

Các đánh đổi về kinh tế và kỹ thuật hoàn toàn khác nhau. DeepSeek và Alibaba đang đẩy mạnh ở phía mở.

Nhưng đừng để bị phân tâm bởi số lượng tham số

Có một cám dỗ khi nhìn DeepSeek: hàng trăm tỷ và Qwen: 2,4 nghìn tỷ rồi kết luận Qwen chắc chắn tốt hơn hẳn. Đó không phải cách các mô hình MoE hiện đại hoạt động. Tổng số tham số cho bạn biết quy mô, không phải lượng tính toán mỗi token hay năng lực trên workload của bạn. Qwen3.8-Max được cho là chỉ kích hoạt một phần tham số cho mỗi yêu cầu (Reuters); DeepSeek cũng vậy.

Câu hỏi hữu ích không phải “mô hình nào có nhiều tham số hơn?” Mà là “mô hình nào cho kết quả tốt nhất cho task này với chi phí và độ trễ chấp nhận được?”

Benchmark hữu ích — nhưng không đủ

Qwen3.8-Max ra mắt với những tuyên bố benchmark rất mạnh; Reuters đưa tin nó nhanh chóng đứng đầu các mô hình Trung Quốc trên bảng xếp hạng văn bản Arena, dù vẫn xếp sau một số mô hình Anthropic (Reuters). Nhưng mô hình thắng một benchmark không nhất thiết là mô hình thắng ứng dụng của bạn. Workload của bạn có thể là trích xuất thông tin menu, tạo TypeScript, gọi API, điều hướng trình duyệt, viết truy vấn MongoDB, hay duy trì một cuộc hội thoại dài. Một mô hình có thể xuất sắc ở cái này và tệ ở cái kia. Kiểm thử thực tế vẫn thiết yếu.

Vậy bạn nên dùng cái nào?

Tôi không nghĩ chúng cạnh tranh cho cùng một công việc.

DeepSeek V4 Flash

Hãy cân nhắc khi chi phí và thông lượng quan trọng. Ứng viên tốt: coding agents, agent nền, tự động hóa, phân loại, trích xuất, điều phối, tóm tắt, xử lý lượng lớn, gọi tool, hỗ trợ coding hàng ngày. Lợi thế đơn giản: bạn có thể dùng rất nhiều nó.

Qwen3.8-Max

Hãy cân nhắc khi năng lực và context quan trọng hơn. Ứng dụng tiềm năng: coding khó, lập luận phức tạp, repository lớn, task đa phương thức, tài liệu dài, nghiên cứu, workflow agent phức tạp, lập kế hoạch tinh vi. Lợi thế: bạn có thể cho nó xử lý nhiều hơn.

Kiến trúc thú vị không phải là chọn một

Đây là nơi mọi thứ trở nên thú vị. Ứng dụng AI tương lai có thể không có một mô hình. Nó có nhiều.

graph TD
  U["Người dùng"] --> Ag["AI Agent"]
  Ag --> R{"Độ phức tạp task?"}
  R -->|"đơn giản / lượng lớn"| D["DeepSeek V4 Flash"]
  R -->|"khó / context dài"| Q["Qwen3.8-Max"]
  R -->|"trường hợp frontier"| F["Mô hình frontier"]
  D --> T["Tools"]
  Q --> T
  F --> T
  T --> W["Web / Code / DB"]

Mô hình rẻ xử lý phần lớn công việc. Mô hình đắt chỉ được gọi khi task xứng đáng. Đó thú vị hơn về kinh tế so với việc chọn “mô hình tốt nhất”.

Bước đột phá thực sự là kinh tế học mô hình

Năng lực AI đang cải thiện, nhưng đồng thời chi phí trí tuệ đang giảm. Hãy tưởng tượng một mô hình tốt hơn 20% trong khi suy luận rẻ đi 10 lần. Con số thứ hai có thể quan trọng hơn — vì suy luận rẻ hơn cho phép bạn làm những việc trước đây không khả thi về kinh tế:

• chạy nhiều vòng lặp agent hơn
• cho agent nhiều context hơn
• dùng nhiều agent
• xác minh đầu ra
• thử lại các thao tác thất bại
• sinh nhiều giải pháp
• chạy task nền liên tục
• xử lý tập dữ liệu lớn hơn
• tích hợp tính năng AI vào sản phẩm trước đây không đủ khả năng

Kết quả không đơn thuần là AI rẻ hơn. Đó là phần mềm khác đi.

Từ chatbot đến công nhân AI

Một chatbot tạo một phản hồi. Một agent làm việc — trong mười phút, một giờ, hay chạy liên tục ở nền. Khi bạn xây dựng các hệ thống như vậy, kinh tế học token trở thành kinh tế học hạ tầng. Một yêu cầu $3 không chỉ là $3. Nhân nó với 100.000 người dùng, 20 yêu cầu mỗi người, nhiều lệnh gọi mỗi yêu cầu, thử lại, gọi tool, context dài — và hóa đơn AI của bạn trở thành một trong những chi phí hạ tầng lớn nhất. Các mô hình như DeepSeek V4 Flash làm cho công việc AI liên tục trở nên thực tế.

Chúng ta có thể đang bước vào kỷ nguyên “đủ tốt”

Các developer từng hỏi “mô hình thông minh nhất là gì?” Ngày càng nhiều tôi nghe “mô hình rẻ nhất mà đủ tốt là gì?” — một câu hỏi sản xuất hữu dụng hơn nhiều. Nếu DeepSeek V4 Flash giải quyết 90% task với một phần nhỏ chi phí mô hình frontier, tại sao dùng mô hình đắt cho tất cả 100%? Bạn sẽ không. Bạn sẽ điều hướng 10% khó hơn sang mô hình mạnh hơn. Đó là khởi đầu của model routing như một kiến trúc cốt lõi.

Chiến lược mô hình phân tầng đơn giản

Với một agent sản xuất, hãy nghĩ theo các tầng:

graph TD
  subgraph t1 ["Tier 1 — Rẻ & Nhanh"]
      A1["DeepSeek V4 Flash"]
      A2["Trích xuất, phân loại, coding đơn giản, chọn tool, vòng lặp agent thường quy"]
  end
  subgraph t2 ["Tier 2 — Tổng quát mạnh"]
      B1["Qwen3.8-Max"]
      B2["Lập luận khó, context dài, coding phức tạp, đa phương thức, lập kế hoạch"]
  end
  subgraph t3 ["Tier 3 — Frontier"]
      C1["Mô hình đắt nhất"]
      C2["Các trường hợp Tier 1 và Tier 2 thất bại"]
  end

Điều này cho bạn thứ tốt hơn tối ưu hóa năng lực. Bạn tối ưu hóa cho năng lực × chi phí × độ trễ × độ tin cậy — một thước đo sản xuất hữu dụng hơn nhiều.

Cuộc cạnh tranh đang trở nên khốc liệt

DeepSeek đẩy chi phí xuống. Qwen đẩy năng lực lên trong khi giữ tham vọng open-weight. Các lab khác phát hành các mô hình khổng lồ. OpenAI, Anthropic và Google tiếp tục đẩy frontier. Các mô hình mở ngày càng cạnh tranh với hệ thống đóng. Developer có nhiều lựa chọn hơn bao giờ hết — điều tốt, vì khi mô hình trở thành hàng hóa thay thế được, lợi thế chuyển đi nơi khác: dữ liệu, thiết kế sản phẩm, kiến trúc agent, tools, workflow và phân phối. Mô hình trở thành một thành phần. Không phải sản phẩm.

Điều tôi sẽ theo dõi tiếp theo

Với hai mô hình này, tôi ít quan tâm đến một bảng xếp hạng khác mà quan tâm đến những gì xảy ra tiếp theo.

• DeepSeek: Liệu mức năng lực này có thể giữ rẻ ở quy mô khổng lồ không?
• Qwen: Qwen3.8-Max tốt đến đâu khi developer có trọng số và thực sự xây dựng xung quanh chúng?
• Cả hai: Chúng hoạt động thế nào bên trong các agent tự chủ thực tế — không trong demo chatbot, không trong ảnh chụp benchmark, mà trong phần mềm phải hoạt động hàng giờ mà không có người liên tục sửa lỗi.

DeepSeek V4 Flash và Qwen3.8-Max trông khác nhau trên giấy. Một là MoE kinh tế tối ưu cho lượng sử dụng thực tế khổng lồ; kia là flagship 2,4 nghìn tỷ tham số nhắm đến frontier, với context khổng lồ và năng lực đa phương thức. Nhưng chúng cùng hướng: AI đang trở thành hạ tầng — rẻ, nhanh, mở rộng, có năng lực, thay thế được, có sẵn trong nhiều cấu hình. Người chiến thắng có thể là hệ sinh thái cho phép developer dùng đúng mô hình cho mọi task, và thế hệ ứng dụng AI tiếp theo sẽ ít giống “tôi nên dùng LLM API nào?” và hơn giống “làm sao để phân bổ trí tuệ trên toàn bộ hệ thống của tôi?” Đó là một bài toán kỹ thuật thú vị hơn nhiều.

Đọc Thêm

• Executable Skills for Agents Are Better Than Docs — tài liệu được xây dựng cho con người; agents cần mã có thể thực thi
• Anthropic Removed 80% of Claude Code’s System Prompt — quá nhiều prompting gây hại; hãy cho Claude ít context hơn
• Full Agent Observability in Your Own Database — truy vết mọi lệnh LLM trong LangChain DeepAgents
• Spec-Driven vs Code-First vs Chat-to-Code — ba triết lý để dạy AI về doanh nghiệp của bạn
• Determinism as Infrastructure — tại sao nền tảng AI cần thực thi xác định

Câu Hỏi Thường Gặp

Tại sao chi phí suy luận lại quan trọng hơn điểm benchmark với agents? Một agent thực hiện hàng chục lệnh gọi mô hình mỗi yêu cầu — đọc file, gọi tools, chạy tests, thử lại. Một yêu cầu frontier $3 nhân với 100.000 người dùng, 20 yêu cầu mỗi người, cộng thử lại và context dài, trở thành một trong những chi phí hạ tầng lớn nhất. Mô hình rẻ với một phần nhỏ giá giúp công việc AI liên tục trở nên thực tế về kinh tế.

Model routing là gì và tại sao nó trở thành kiến trúc cốt lõi? Model routing gửi mỗi task đến mô hình rẻ nhất có thể làm tốt. Mô hình rẻ xử lý phần lớn công việc; mô hình đắt chỉ được gọi khi task xứng đáng. Bạn tối ưu hóa cho năng lực × chi phí × độ trễ × độ tin cậy thay vì năng lực thô — một thước đo sản xuất hữu dụng hơn nhiều.

Cửa sổ context 1 triệu token có làm RAG lỗi thời? Không. Context dài thay đổi các đánh đổi — đôi khi bạn có thể đưa toàn bộ codebase hoặc tài liệu dài trực tiếp vào mô hình — nhưng dung lượng context và sự tận dụng context là khác nhau. Một mô hình có thể chấp nhận một triệu token và vẫn suy giảm khi thông tin quan trọng bị chôn vùi. Đó là context rot. Hãy giữ RAG; coi context dài là một lựa chọn khác, không phải sự thay thế.

Tại sao tôi không nên chỉ chọn mô hình có nhiều tham số nhất? Các mô hình mixture-of-experts hiện đại chỉ kích hoạt một phần tham số tổng cộng mỗi token. Qwen3.8-Max có 2,4 nghìn tỷ tham số nhưng kích hoạt ít hơn nhiều mỗi yêu cầu; DeepSeek cũng vậy. Tổng số tham số không cho bạn biết lượng tính toán mỗi token hay năng lực trên workload. Câu hỏi hữu ích là: mô hình nào cho kết quả tốt nhất cho task này với chi phí và độ trễ chấp nhận được?

Kỷ nguyên “đủ tốt” có ý nghĩa gì với AI sản xuất? Các developer đang chuyển từ “mô hình thông minh nhất là gì?” sang “mô hình rẻ nhất mà đủ tốt là gì?” Nếu một mô hình rẻ giải quyết 90% task với một phần nhỏ chi phí, bạn điều hướng 10% khó hơn sang mô hình mạnh hơn. Mô hình trở thành một thành phần của hệ thống, không phải sản phẩm — và lợi thế chuyển sang dữ liệu, thiết kế sản phẩm, kiến trúc agent và phân phối.

Tags: model-routing deepseek qwen ai-agents model-economics inference-cost moe llm context-window good-enough-era