Tại sao Qwen3 khiến tôi nhìn thấy lợi thế lớn cho việc ứng dụng AI?
Tuyển chọn TechFlowTuyển chọn TechFlow
Tại sao Qwen3 khiến tôi nhìn thấy lợi thế lớn cho việc ứng dụng AI?
Việc "đồng bộ" với các nhà phát triển thực ra là một chiến lược cốt lõi chưa được nêu rõ của Qwen3.
Chuyên sâu báo cáo Web3Tác giả:
Các bạn có nhận thấy không, dạo gần đây mọi người dường như đã hơi "tê liệt" trước các mô hình lớn? Tôi thì cứ thấy lượng truy cập bài viết về chủ đề này, hay độ nóng trên mạng xã hội, rõ ràng là sự quan tâm đến mô hình đang giảm xuống.
Ví dụ như việc Qwen3, Gemini 2.5, GPT-4.1 và Grok-3 liên tiếp ra mắt những mô hình xuất sắc với tiến triển rõ rệt gần đây, nếu đổi lại 2 năm trước, chắc chắn sẽ là một tháng bùng nổ.
Nhưng khi tôi hỏi thăm trong cộng đồng các nhà phát triển, thì thấy thực tế không phải là "tê liệt", mà là chuyển từ "sự háo hức đứng ngoài quan sát" sang "tăng tốc hành động". Cộng đồng phát triển đã chuyển từ việc "xem" sang "làm" với các mô hình, góc nhìn chú ý cũng đã thay đổi —— ngoài khả năng nâng cấp của mô hình, điều quan trọng hơn là liệu mô hình đó có thể cải thiện đáng kể hiệu suất công việc của họ hay không, nói cách khác, mức độ "đồng bộ hóa" giữa mô hình và nhà phát triển bắt đầu trở thành một góc nhìn quan trọng.
Ví dụ như trước khi Qwen3 ra mắt, nhiều doanh nhân khởi nghiệp và lập trình viên xung quanh tôi đều biết rằng đội ngũ Qwen đang âm thầm chuẩn bị sản phẩm lớn, họ thậm chí còn theo dõi sát sao từ hơn một tháng trước, và ngay lập tức chuyển mô hình nền tảng cho các ứng dụng AI họ đang phát triển sang Qwen3 ngay khi phát hành. Gần đây khi nói chuyện với họ về những thay đổi mới ở cấp độ mô hình, tôi thấy Qwen3 được nhắc đến ngày càng nhiều.
Theo họ, việc đánh giá hiệu suất mô hình chỉ dựa vào điểm benchmark như hai năm qua giờ đã không còn nhiều ý nghĩa, bởi vì con đường nâng cao năng lực mô hình đã rõ ràng —— tiền huấn luyện + hậu huấn luyện + học tăng cường —— khiến cho nhiều kỹ năng đơn lẻ như viết mã, sáng tạo nội dung sẽ được các bên thu hẹp khoảng cách. Quan trọng hơn, điều đó không còn phản ánh đúng tình huống sử dụng thực tế trong môi trường thật, đặc biệt sau khi chìa khóa tăng tốc ứng dụng Agent AI được bật lên trong năm nay.
Nhìn từ góc độ này, ngoài việc nâng cao năng lực cơ bản, Qwen3 thực chất đã thực hiện rất nhiều "đồng bộ hóa" với nhu cầu và kịch bản thực tế của các nhà phát triển, có thể nói là được thiết kế và mài giũa riêng để dễ dàng áp dụng cho doanh nghiệp và lập trình viên.
Ví dụ, mục tiêu tối ưu hóa tổng thể của Qwen3 là đạt được hiệu suất mạnh mẽ với chi phí thấp hơn, giúp lập trình viên dễ dàng sử dụng và dùng tốt hơn. Đằng sau đó, Qwen3 thực tế đã thực hiện rất nhiều phân tích mục tiêu và giải pháp kỹ thuật. Trước đây, kích thước mô hình Qwen được doanh nghiệp ưa chuộng nhất là 72B, nhưng khi nhận phản hồi từ các nhà phát triển rằng cần tới hai card H800 mới chạy được, gây bất tiện, đội ngũ Qwen đã nghiên cứu phiên bản hiệu quả hơn là 32B, giúp lập trình viên sử dụng thuận tiện hơn.
Con đường của Qwen3 thực sự mang tính gợi mở: bằng cách liên tục tối ưu hóa thông qua "đồng bộ hóa" với nhà phát triển trong các tình huống thực tế, Qwen3 đang trở thành "giải pháp tối ưu nhất để triển khai ứng dụng AI" cho doanh nghiệp và lập trình viên. Với kỳ vọng này, việc xây dựng ứng dụng AI theo đà cải tiến liên tục và toàn diện của mô hình trở thành điều chắc chắn nhất đối với các nhà phát triển và doanh nghiệp trong năm nay.
01
Làm thế nào để “đồng bộ hóa” với nhà phát triển
Thực tế, gần đây Yao Shunyu (tác giả chính của Deep Research, Operator), một nhà nghiên cứu tại OpenAI, đã từng nói đầy đủ về những thay đổi ở cấp độ mô hình trong bài viết "Nửa sau của AI", gây tiếng vang sâu rộng nhất trong giới doanh nhân và lập trình viên từ đầu năm đến nay.
Theo anh ấy, khi học tăng cường cuối cùng đã tìm được con đường khái quát hóa, không còn chỉ hiệu quả trong lĩnh vực cụ thể như AlphaGo đánh bại kỳ thủ cờ vây, mà có thể đạt trình độ gần bằng con người trong nhiều lĩnh vực như kỹ nghệ phần mềm, sáng tác văn chương, toán học cấp IMO, thao tác chuột và bàn phím.
Trong trường hợp này, việc so sánh điểm số trên bảng xếp hạng hay đạt điểm cao hơn trên các bảng đánh giá phức tạp hơn sẽ dễ dàng hơn. Nói cách khác, phương pháp đánh giá này đã lỗi thời; giờ đây, điều cạnh tranh là khả năng định nghĩa vấn đề.
Nhìn từ góc độ này, mới thấy được giá trị thực sự của Qwen3. Vì trong các benchmark, năng lực mô hình đều rất mạnh, nhưng một mô hình đứng đầu bảng đánh giá chưa chắc đã là lựa chọn tối ưu cho lập trình viên.
Trong trường hợp này, điều gì mà lập trình viên thực sự coi trọng hơn khi sử dụng mô hình trong tình huống thực tế?
Về mặt tổng thể, có lẽ là hiệu suất mô hình, chi phí, dễ triển khai... Nhưng trong các tình huống cụ thể, đó là cách thức triển khai kỹ thuật của các mô hình và công cụ khác nhau. Đây cũng là lý do tại sao Qwen luôn theo đuổi việc khám phá giới hạn trí tuệ ở mọi kích thước, mọi dạng thức, đồng thời phát hành các phiên bản mô hình với độ lượng hóa khác nhau để lập trình viên có quyền lựa chọn linh hoạt hơn.
Một lập trình viên đã giúp tôi phân tích: anh ấy nói Qwen3 có 8 mô hình, gồm hai mô hình MoE (chuyên gia hỗn hợp) và sáu mô hình dày đặc, phục vụ nhu cầu khác nhau cho các tình huống khác nhau.
Trong các mô hình dày đặc, mô hình 0.6B và 1.7B đặc biệt phù hợp cho nghiên cứu, thậm chí có thể chạy mà không cần GPU hay card đồ họa rời, để kiểm chứng tập dữ liệu hoặc làm việc phân bổ dữ liệu.
Các mô hình 4B và 8B phù hợp cho ngành điện tử tiêu dùng và ô tô, vì chúng thích hợp để tích hợp vào thiết bị đầu cuối; mô hình 4B phù hợp với điện thoại, mô hình 8B có thể đặt vào AIPC và buồng lái thông minh.
Mô hình 32B được ưa chuộng rộng rãi trong triển khai quy mô lớn tại doanh nghiệp. Ngoài ra, hai mô hình MoE có thể triển khai quy mô lớn trực tiếp qua máy chủ, nâng cao hiệu suất sử dụng và áp dụng cho các tình huống quy mô lớn hơn.
Anh ấy cho rằng cách làm này là đúng, vì chỉ khi xem xét kỹ lưỡng tất cả các tổ hợp nhu cầu nhỏ nhất, mới có thể đảm bảo các lập trình viên phát triển sản phẩm khác nhau trong mọi tình huống đều có được mô hình thực tiễn tốt nhất để sử dụng ngay, dù sau đó vẫn cần tự tùy chỉnh.
Lần này, Qwen3 tiếp tục mở rộng thêm hướng này, với tư cách là mô hình suy luận hỗn hợp đầu tiên trong nước, tích hợp khả năng phản hồi nhanh, gọn nhẹ và khả năng suy luận chuỗi tư duy sâu hơn vào một mô hình duy nhất, đạt được sự thống nhất giữa mô hình suy luận và không suy luận, thậm chí cho phép lập trình viên tự chọn "ngân sách suy nghĩ" để phù hợp với nhu cầu nhiệm vụ đa dạng.
Trong các tình huống doanh nghiệp, hầu hết đều sẽ tinh chỉnh mô hình nguồn mở kết hợp với dữ liệu riêng. Như lần nâng cấp Qwen3 này hỗ trợ 119 ngôn ngữ, mặc dù mới ra mắt nửa tháng tại thị trường Nhật Bản, nhưng đã được ưa chuộng hơn Claude, GPT-4o... vì doanh nghiệp đổ thêm dữ liệu tình huống tiếng Nhật vào Qwen3 nguồn mở, hiệu quả này linh hoạt hơn mô hình đóng kín chỉ đơn thuần hỗ trợ tiếng Nhật, đạt được hiệu quả lấy sức nhẹ đẩy nặng.
Tất nhiên, ngoài những điều này, thái độ của lập trình viên với Qwen phần lớn vẫn đến từ điều họ nói nhiều nhất —— mô hình nền tốt.
Mô hình nền tốt có nghĩa là khi thực hiện chưng cất, tinh chỉnh huấn luyện, học tăng cường trên mô hình nền, hiệu quả sẽ tốt hơn. Đặc biệt, Scaling Law của học tăng cường càng cần một mô hình tiền huấn luyện chất lượng cao, đây là một yếu tố quyết định khả năng khái quát hóa của mô hình. Tôi nhớ rõ, ngay cả mô hình nhỏ được chưng cất trong bài báo DeepSeek-R1 cũng chọn Qwen làm mô hình nền, tận dụng dữ liệu suy luận do DeepSeek-R1 tạo ra để tinh chỉnh mô hình nền Qwen-7B, truyền khả năng suy luận của DeepSeek-R1 sang Qwen-7B thông qua chưng cất tri thức, cho hiệu suất mô hình rất tốt.
Các thành viên nhóm Geeker Park đã thảo luận riêng với Xu Dong, Tổng giám đốc kinh doanh mô hình lớn Tongyi của Alibaba Cloud, về việc "mô hình nền tốt" theo cảm nhận của lập trình viên thực tế nghĩa là gì và làm thế nào để đạt được.
Xu Dong cho rằng mỗi lần nâng cấp năng lực mô hình nhất định thể hiện ở hai điểm: mật độ kiến thức và tuân thủ lệnh. Điều này khiến các kịch bản ứng dụng AI trước đây không thể làm được, hoặc tỷ lệ thành công thấp, cần "rút thẻ" giờ đây mô hình trở nên "nghe lời" hơn. Qwen3 thông qua kỹ thuật dữ liệu và lặp lại thuật toán đã nâng cao hơn nữa biểu hiện về mật độ kiến thức và tuân thủ lệnh.
Bây giờ Qwen3 có thể dựa vào mật độ kiến thức mạnh mẽ của mô hình và huấn luyện tỉ mỉ ở giai đoạn SFT để chính xác rút ra 88 trường dữ liệu từ tài liệu đấu thầu 600 trang; trong tình huống giám sát dư luận, Qwen3 có thể khái quát đánh giá của người tiêu dùng thành các nhãn chuẩn hóa như "xe cỡ nhỏ", "xe sedan", tránh quá khớp hoặc khái quát mơ hồ; trong tình huống dịch vụ khách hàng thông minh phổ biến hơn, Qwen3 có thể nắm bắt chính xác nhu cầu người dùng, dẫn dắt thời điểm đề xuất sản phẩm, giảm tỷ lệ mất khách.
Khi cả ngành bắt đầu lao vào lĩnh vực Agent trong năm nay, Qwen3 cũng kịp thời nâng cao yêu cầu năng lực mà kịch bản Agent đặt ra cho mô hình, tối ưu hóa khả năng gọi công cụ và viết mã cho Agent, đồng thời tăng cường hỗ trợ MCP. Kết hợp với khung Qwen-Agent được đóng gói sẵn mẫu gọi công cụ và bộ phân tích gọi công cụ, làm giảm đáng kể độ phức tạp lập trình, khiến các nhiệm vụ như thao tác Agent trên điện thoại và máy tính trở nên khả thi hơn.
Tối ưu hóa này vẫn đang tiếp tục, tuần trước trên trang web chính thức QwenChat, chúng tôi còn thấy hai chức năng Deep Research (nghiên cứu sâu) và WebDev (tạo trang web) được ra mắt. Những chức năng này được thực hiện dựa trên khung Agent của Qwen. Qwen3 hỗ trợ agent gọi công cụ, cũng hỗ trợ giao thức MCP gốc, trong đánh giá BFCL về khả năng gọi công cụ là mô hình hàng đầu có biểu hiện tốt nhất.
Khả năng tăng cường Agent của Qwen3 cũng phát huy tác dụng trong các tình huống khách hàng đa ngành. Ví dụ như sau khi Qwen3 ra mắt, nền tảng Agent Baiying của Lenovo ngay lập tức chuyển động cơ mô hình lớn phía sau nền tảng của họ sang Qwen3. Với tư cách là giải pháp IT, nền tảng Baiying tận dụng đặc điểm Qwen3 mã nguồn mở, hỗ trợ gọi công cụ agent, hỗ trợ MCP, cộng thêm khả năng suy luận mạnh hơn, nâng cấp các giải pháp tình huống như vận hành IT (dịch vụ AI), văn phòng AI, marketing AI, giúp các doanh nghiệp vừa và nhỏ trong thời đại AI tự DIY các loại Agent trong tình huống chuyên biệt, thực hiện bước nhảy từ cung cấp công cụ sản xuất sang trực tiếp truyền tải năng suất "nhân viên số", tiếp tục giảm chi phí và tăng hiệu quả.
Tiếp tục lặp lại mô hình theo tình huống lập trình viên, "đồng bộ hóa" với lập trình viên, thực tế cũng là bước chuyển hướng tập thể mà các nhà cung cấp mô hình lớn gần đây cần thực hiện.
Gần đây, Michelle Pokrass, nhà nghiên cứu cốt lõi của GPT-4.1 tại OpenAI cũng chỉ ra rằng, đôi khi điều chỉnh mô hình để tối ưu hóa benchmark, kết quả trông có vẻ tốt, nhưng khi dùng thực tế lại phát hiện một số vấn đề, ví dụ như mô hình không tuân thủ lệnh, định dạng kỳ lạ, hoặc ngữ cảnh quá ngắn. Chính những phản hồi này mới xác định được chỉ số đánh giá nào thực sự cần ưu tiên tối ưu hóa cho khách hàng. Theo cô ấy, mục tiêu của GPT-4.1 là khiến lập trình viên cảm thấy dễ chịu khi sử dụng. Mục tiêu tối ưu hóa GPT-5 hiện tại là giúp mô hình tự phân biệt khi nào mở chế độ trò chuyện, khi nào kích hoạt suy nghĩ sâu, giảm bớt sự phức tạp và lãng phí mà mô hình OpenAI gây ra cho lập trình viên.
Các mô hình xuất sắc của Trung-Mỹ bắt đầu có sự đồng thuận này, có ý thức "đồng bộ hóa" với lập trình viên, do đó việc hiện thực hóa giá trị AI sắp tới chắc chắn là tín hiệu tích cực.
02
Phá giải COT (chuỗi tư duy) của Alibaba trước khi “vào vô não”
Quá trình giao lưu dần với các lập trình viên dùng Qwen, bạn sẽ thấy Qwen thậm chí bắt đầu có hiệu ứng tin tưởng kiểu "fan cuồng". Niềm tin này thực chất bắt nguồn từ sự trưởng thành "ổn định về mặt cảm xúc" lâu dài.
Bạn sẽ thấy Qwen cập nhật hàng tháng, thậm chí nửa tháng sau khi Qwen3 ra mắt, gia đình Qwen lại cập nhật thêm vài mô hình nữa, chăm chỉ hơn cả Llama.
Tôi nhớ Wang Tiezhen, người phụ trách khu vực Trung Quốc của Hugging Face, từng tóm tắt lý do Qwen được yêu thích trên cộng đồng mã nguồn mở Hugging Face là "nhiều, no, cập nhật nhanh, mô hình nền tốt", sự chắc chắn này khiến lập trình viên tin tưởng rằng họ sẽ luôn có mô hình mới nhất, tốt nhất, nhanh nhất trong tay.
Hiện tượng này khá thú vị, ứng dụng AI ít nhất là công trình xây dựng dài hạn và phức tạp trong thập kỷ tới, việc tin chắc có một mô hình được đầu tư liên tục là điều quá quan trọng. Chúng ta đều nói phải xây dựng ứng dụng AI theo kiểu nước dâng thuyền nổi, các lập trình viên ứng dụng AI nhất định mong muốn dòng nước lớn, nước dâng nhanh, nguồn nước không ngừng, mới yên tâm phát triển ứng dụng.
Chắc cũng vì vậy mà Qwen trở thành mô hình mã nguồn mở có nhiều mô hình phái sinh nhất toàn cầu, xây dựng ảnh hưởng toàn cầu cho riêng mình. Có lẽ cũng nhận thấy Llama tuy kiên trì mã nguồn mở nhưng tốc độ cập nhật và hiệu suất đều thua kém mô hình đóng kín cùng thời kỳ. Nếu Qwen có thể kiên trì liên tục, nhanh chóng cung cấp "súng" tốt nhất cho mọi người, liên tục mã nguồn mở mô hình SOTA mọi dạng thức, mọi kích thước, thì lá cờ mã nguồn mở này đáng lẽ phải do Qwen cầm.
Mọi "nếu" đều phải có chuỗi logic làm nền tảng. Vậy, liệu Alibaba có ủng hộ Qwen kiên quyết tiếp tục mã nguồn mở toàn diện mô hình SOTA hay không, cần xem COT (Chain of Thought) của chính Alibaba có phù hợp với kỳ vọng này hay không.
Trước đây, trong bài phân tích chiến lược AI của Alibaba tôi từng viết, tôi đã tóm tắt rằng, do các tình huống riêng của Alibaba, họ nhất định sẽ tiếp tục khám phá giới hạn trí tuệ. Trong thời đại AI, định hướng "giúp việc kinh doanh dễ dàng hơn trên thế giới" của Alibaba chắc chắn vẫn phải cung cấp hạ tầng cho đổi mới và chuyển đổi AI của hàng ngàn ngành nghề. Điều này có nghĩa là từng lớp cơ hội nền tảng —— từ điện toán đám mây, họ mô hình Qwen và hệ sinh thái mã nguồn mở, đến nền tảng ứng dụng —— đều cần tiếp tục tiến hóa. Mục tiêu chính nhất, chắc chắn là theo đuổi hiện thực hóa AGI, để từ đó đột phá nâng cấp chuyển đổi AI hiện tại và ứng dụng gốc AI.
Hơn nữa, khác với Llama dựa vào Meta, ngay cả khi Alibaba mã nguồn mở mô hình SOTA tốn chi phí nghiên cứu phát triển cao, họ vẫn có thể tạo vòng khép kín kinh doanh thông qua Alibaba Cloud, với tư cách là nhà cung cấp đám mây lớn nhất châu Á - Thái Bình Dương, đây là cơ sở để Alibaba kiên quyết mã nguồn mở. Nhiều doanh nhân khởi nghiệp và lập trình viên trong cộng đồng Geeker Park chia sẻ với tôi rằng, đừng thấy mô hình mã nguồn mở dường như không kiếm tiền, chỉ nhằm thương hiệu công nghệ, thực tế mô hình mã nguồn mở Qwen đã mang lại tăng trưởng doanh thu thực tế cho Alibaba Cloud, có thể nói là sản phẩm bán hàng tốt nhất của Alibaba Cloud trong hơn một năm qua. Khi chọn mô hình mã nguồn mở Qwen, lựa chọn tự nhiên là mua Alibaba Cloud, vì sử dụng toàn bộ Tongyi và các mô hình phái sinh của nó, hiệu suất chạy trên Alibaba Cloud là tốt nhất.
Câu nói "Alibaba Cloud là nhà cung cấp điện toán đám mây duy nhất trên thế giới tích cực nghiên cứu phát triển mô hình lớn cơ bản và đóng góp toàn diện, mã nguồn mở toàn diện" mà Alibaba Cloud tuyên bố thực tế thể hiện mục tiêu của họ.
Bởi vì MaaS đã trở thành thành phần kinh doanh rất quan trọng của Alibaba Cloud. Nhìn vào 7 quý tăng trưởng trước đây của Alibaba Cloud, khách hàng sử dụng API Tongyi sẽ thúc đẩy việc sử dụng nhiều sản phẩm đám mây khác, đây là hiệu ứng bán chéo khách hàng rất rõ rệt. Với Alibaba, bất kể tương lai năng lực mô hình và ứng dụng AI tiến hóa ra sao, AI và hạ tầng điện toán đám mây đều có mô hình kinh doanh rõ ràng —— mạng điện toán đám mây.
Qwen liên tục mã nguồn mở SOTA, không chỉ nhất quán với lợi ích của lập trình viên và khách hàng, mà còn nhất quán với lợi ích của cả hệ sinh thái. Đây cũng là lý do tại sao ngay ngày đầu ra mắt Qwen3, rất nhiều doanh nghiệp thiết bị đầu cuối và chip đã tuyên bố hỗ trợ mô hình Qwen3, bao gồm cả NVIDIA, MediaTek và AMD. Về mặt nào đó, bạn lớn nhất của mã nguồn mở chính là NVIDIA và các nhà sản xuất máy chủ, khi có mô hình mã nguồn mở tốt nhất, họ có thể bán máy tích hợp, bán thêm GPU.
Rõ ràng, chỉ khi thúc đẩy sự thịnh vượng của toàn bộ hệ sinh thái, giá trị của Qwen mới có thể đạt được vòng khép kín giá trị trong vòng khép kín kinh doanh lớn hơn của Alibaba. Theo logic này, Qwen chắc chắn sẽ "tự giác gắng sức" nâng lá cờ mã nguồn mở SOTA, đây là một chuỗi logic trông an tâm hơn.
Cuối cùng đã có một mô hình giúp lập trình viên "vào vô não", không rủi ro, "ăn theo" không áp lực, khiến mô hình mã nguồn mở có thể trở thành nền tảng công nghệ với kỳ vọng ổn định trong thế giới thương mại, điều này rất quan trọng. Cũng là tín hiệu tích cực lớn cho việc bắt đầu tăng tốc hiện thực hóa giá trị ứng dụng AI.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
极客公园
