Một cuộc chuyển mình đang diễn ra trong các phòng thí nghiệm AI lớn, khi giới nghiên cứu ngày càng hoài nghi về việc chạy đua vô hạn về số lượng tham số (parameter) và dữ liệu huấn luyện. Ba ngày sau khi ra mắt, mô hình Claude Fable 5 của Anthropic bị chính phủ Mỹ cấm sử dụng vì lý do an ninh quốc gia, lần đầu tiên một mô hình AI bị chặn vì chỉ một lỗ hổng jailbreak duy nhất.

Mô hình nhỏ hơn, thông minh hơn?

Trên bảng xếp hạng Artificial Analysis Intelligence Index, các mô hình lớn nhất thế giới vẫn dẫn đầu. Nhưng GLM-5.2 (753 tỷ tham số, chỉ 40 tỷ active) của Z.ai - được phát hành dưới giấy phép MIT open source - chỉ kém GPT-5.5 có 4 điểm và kém Fable 5 có 9 điểm. Trong khi đó, GPT-5.5 và Opus 4.8 ước tính có tới 1-2 nghìn tỷ tham số, lớn gấp 1,5-2 lần nhưng trí thông minh thực tế gần như ngang bằng.

Điều đáng nói: DeepSeek V4 Pro (1.6 nghìn tỷ tham số, 49B active) đạt điểm số cao trên benchmark nhưng lại ghi nhận tỷ lệ bịa đặt thông tin lên tới 94% trên chuẩn AA-Omniscience. Nghĩa là khi không biết câu trả lời, nó chỉ thừa nhận "tôi không biết" có 6% số lần, còn lại tự tin bịa ra thông tin sai. GLM-5.2 chỉ bịa đặt 28%, Opus 4.8 là 36%, Fable 5 là 48%, và GPT-5.5 lên tới 86%.

Thử nghiệm thực tế: ai thực sự hiểu vấn đề?

Khi được hỏi một câu hỏi lập trình Python phức tạp có lỗi thiết kế rõ ràng, DeepSeek V4 Pro dùng gần gấp 10 lần lượng token suy luận và vẫn đưa ra câu trả lời sai một cách tự tin. Ngược lại, GLM-5.2 chỉ mất 12 giây và 800 token để nhận ra "bất khả thi" của tác vụ. Giống như yêu cầu một tài xế giao hàng giao ba kiện hàng cùng lúc mà không bao giờ dừng xe, đó là điều không thể về mặt kỹ thuật.

Bài học rút ra: chạy đua về kích thước mô hình không còn là con đường duy nhất để tạo ra AI thông minh và đáng tin cậy. Những mô hình open source như GLM-5.2 đang chứng minh rằng tối ưu chất lượng dữ liệu và khả năng nói "không" còn quan trọng hơn nhiều so với việc tăng số lượng tham số một cách vô tội vạ.