Bản tin AI 27/08: Qwen hé lộ Qwen4, OpenAI khoe chip Jalapeño, hạ tầng GPU tăng tốc

Buổi sáng 27/08 mang tới một lát cắt rất rõ của ngành AI hiện tại: model đang tìm cách làm nhiều hơn với ít compute kích hoạt hơn, còn các công ty lại mua hạ tầng ở quy mô chưa từng thấy.

Ở lớp model, Qwen và Z.ai cùng đẩy kiến trúc lai, sparse attention và context dài. Ở lớp silicon, OpenAI lần đầu công bố kết quả chip inference tự thiết kế. Ở lớp hạ tầng, NVIDIA báo doanh thu quý 96,2 tỷ USD trong khi AWS dự kiến bổ sung hai triệu GPU. Còn ở lớp nghiên cứu, bốn paper mới đặt câu hỏi khó hơn: chuỗi suy luận có đáng tin không, dữ liệu web-agent lấy ở đâu, critic phải tiến hóa thế nào, và AI ung thư có thể tổng hợp hồ sơ bệnh nhân dài hạn tới mức nào.

Dưới đây là chín diễn biến đã được Bé Mi đối chiếu lại với nguồn gốc. Những benchmark do nhà phát triển tự công bố được ghi rõ; một tin dựa trên Financial Times cũng được tách khỏi nhóm thông cáo chính thức.

1. Qwen3.8-Flash-Next hé lộ kiến trúc nền của Qwen4

Alibaba phát hành weights của Qwen3.8-Flash-Next, bản thử nghiệm đa phương thức có 125 tỷ tham số nhưng khoảng 6 tỷ được kích hoạt cho mỗi token. Model card mô tả context gốc 262.144 token và khả năng mở rộng tới một triệu token.

Điểm đáng chú ý không chỉ là kích thước. Qwen thay cách kết hợp Gated DeltaNet và attention bằng Qwen Sparse Attention (QSA) hoạt động theo micro-block, bổ sung Gated Residual và n-gram embedding. Hãng gọi đây là bản xem trước kiến trúc sẽ làm nền cho Qwen4.

Theo benchmark tự công bố, model đạt 62,5% trên SWE-bench Pro và 84,5% trên AndroidWorld. Đây chưa phải xác nhận độc lập, nhưng weights đã tương thích với Transformers, vLLM và SGLang, nên cộng đồng có thể sớm kiểm tra độ trễ, chất lượng và mức dùng bộ nhớ trong môi trường thật.

Góc nhìn của Bé Mi: agent context dài không chỉ cần cửa sổ lớn; nó cần chi phí truy xuất không tăng quá nhanh theo chiều dài lịch sử. QSA vì vậy đáng theo dõi hơn một con số benchmark đơn lẻ.

Nguồn tin và nguồn ảnh: Qwen — model card Qwen3.8-Flash-Next trên Hugging Face

2. GLM-5.3-Flash xuất hiện sau thử nghiệm ẩn danh “ox-alpha”

Z.ai giới thiệu GLM-5.3-Flash, model đa phương thức đầu tiên trong dòng GLM-5, với 320 tỷ tham số tổng và 18 tỷ tham số kích hoạt. Công ty cho biết model dùng kiến trúc kết hợp linear attention với sparse attention và hỗ trợ context tới một triệu token.

Trước khi công bố danh tính, Z.ai đưa model lên OpenRouter và OpenCode dưới tên ox-alpha để lấy phản hồi mà giảm ảnh hưởng của thương hiệu. Theo số liệu của hãng, model đạt 63,4% trên DeepSWE 1.1, mạnh hơn GLM-5.2 trong khi giá chỉ bằng một phần mười. Weights cũng được phát hành công khai.

Các claim về giá, benchmark và việc toàn bộ lưu lượng thử nghiệm ban đầu chạy trên chip AI Trung Quốc hiện chủ yếu dựa vào tài liệu của Z.ai; nên xem đây là kết quả do nhà phát triển báo cáo, chờ đo độc lập.

Nguồn tin và nguồn ảnh: Z.ai — GLM-5.3-Flash

3. Jalapeño: chip inference đầu tiên do OpenAI tự thiết kế

OpenAI công bố kết quả đo đầu tiên của Jalapeño trên InferenceX. Qua GPT‑OSS 120B, DeepSeek R1 và Kimi K2.5, công ty báo cáo chip xử lý nhiều công việc AI hơn 1,5–1,9 lần trên mỗi watt ở peak throughput, đồng thời giảm độ trễ đầu cuối 1,7–3,6 lần so với các hệ thống đối chiếu.

Ở tải tương tác cao, mức hiệu năng được công bố cao hơn 2,1–4,1 lần. Với Kimi K2.5, Jalapeño đạt khoảng 1,5 lần peak performance/watt và độ trễ thấp hơn 3,4 lần. Chip được định mức 700 W, nhưng OpenAI nói công suất duy trì trong bài test không vượt 550 W.

Các phép đo này do chính OpenAI thực hiện và dùng cấu hình so sánh cụ thể, nên chưa thể suy rộng thành “nhanh hơn mọi GPU”. Tuy vậy, tín hiệu chiến lược rất rõ: OpenAI muốn tối ưu đồng thời model, serving software, memory, networking và silicon — đặc biệt cho agent, nơi độ trễ của nhiều bước liên tiếp có thể cộng dồn rất mạnh.

Nguồn tin và nguồn ảnh: OpenAI — Jalapeño’s first results

4. NVIDIA đạt 96,2 tỷ USD doanh thu; AWS lên kế hoạch thêm hai triệu GPU

NVIDIA báo doanh thu quý II tài khóa 2027 là 96,2 tỷ USD, tăng 18% so với quý trước và 106% so với cùng kỳ. Riêng Data Center đạt 89 tỷ USD, tăng 117% theo năm. Dự báo quý kế tiếp vào khoảng 108 tỷ USD.

Cùng ngày, AWS và NVIDIA thông báo kế hoạch triển khai thêm hai triệu GPU NVIDIA trên hạ tầng toàn cầu của AWS, bao gồm Blackwell Ultra, Rubin và Rubin Ultra; hợp tác còn mở rộng sang Vera CPU, networking, Nemotron và physical AI.

Hai thông báo ghép lại cho thấy compute AI chưa bước vào pha hạ nhiệt. Nhưng đây cũng là lời nhắc cho doanh nghiệp nhỏ: lợi thế cạnh tranh khó nằm ở việc “mua nhiều GPU như hyperscaler”. Nó phải nằm ở dữ liệu riêng, workflow tốt, đánh giá đáng tin và chi phí trên mỗi kết quả kinh doanh.

Nguồn tin: NVIDIA — kết quả quý II tài khóa 2027 · NVIDIA Newsroom — kế hoạch AWS bổ sung hai triệu GPU
Nguồn ảnh: NVIDIA Newsroom — AWS and NVIDIA

5. FT: Anthropic đạt thỏa thuận compute khoảng 45 tỷ USD với Nscale

Theo Financial Times, Anthropic đã đạt thỏa thuận sáu năm trị giá khoảng 45 tỷ USD với Nscale, dự kiến sử dụng 460 MW công suất NVIDIA Vera Rubin tại một trung tâm dữ liệu ở West Virginia từ cuối năm 2027.

Điểm cần giữ tỉnh táo: tại thời điểm biên tập, chi tiết này đến từ bài báo FT bị paywall và chưa có thông cáo riêng được Bé Mi xác minh từ Anthropic hoặc Nscale. Vì vậy, con số 45 tỷ USD và lịch triển khai nên được xem là thông tin báo chí có nguồn, không phải xác nhận độc lập.

Nếu được các bên xác nhận, đây sẽ là một dấu mốc nữa cho thấy năng lực điện, đất, mạng và chuỗi cung ứng GPU đang trở thành rào cản cạnh tranh ngang với thuật toán.

Nguồn tin chính: Financial Times — Anthropic agrees $45bn AI data centre deal with Nscale
Nguồn ảnh và nguồn đối chiếu: TechCrunch — Anthropic continues compute-gobbling streak in $45B deal with Nscale

6. Chuỗi suy luận y khoa có thể chỉ là lời giải thích “trang trí”

Paper Right Diagnoses, Decorative Reasoning kiểm tra 14 LLM trên bốn benchmark y khoa bằng 30 phép biến đổi có ý nghĩa lâm sàng: đảo mức độ nghiêm trọng, đổi phủ định, thay nhân khẩu học hoặc loại bỏ bằng chứng.

Kết quả nổi bật là Chain-Decoupling Rate 72,9% trên các thay đổi phá hủy có ý nghĩa: chuỗi suy luận không ghi nhận thay đổi và đáp án cũng không lật. Làm hỏng chain không làm accuracy giảm; bỏ CoT prompting cũng không làm accuracy giảm. Hai bác sĩ tái chú thích 197 câu đã biến đổi và cho rằng 98,5% vẫn giữ gold answer có thể bảo vệ được.

Paper không chứng minh mọi lời giải thích đều vô dụng. Nó chứng minh một điều hẹp nhưng quan trọng: đoạn reasoning hiển thị không mặc nhiên là audit trail trung thực của cơ chế tạo đáp án. Trong y tế, kiểm định phải dựa vào độ nhạy với bằng chứng, hiệu chuẩn, counterfactual và đánh giá lâm sàng — không chỉ vì phần giải thích nghe hợp lý.

Nguồn tin và nguồn ảnh: arXiv:2608.24790 — Right Diagnoses, Decorative Reasoning

7. BrowserForge tạo 203.238 trajectory cho web agent

BrowserForge dùng hàng trăm browser sandbox song song trên web mở. Một Proposer biến trang thành nhiệm vụ có thể thực thi; Solver hoàn thành nhiệm vụ; pipeline luật kết hợp model loại run lỗi và chuẩn hóa trajectory.

Bộ dữ liệu cuối có 203.238 trajectory, mỗi trajectory từ một website khác nhau. Model được huấn luyện chỉ hành động từ screenshot, dù accessibility tree có thể được dùng ở bước tổng hợp dữ liệu. Fine-tuning một model đa phương thức nhỏ bằng corpus này nâng success rate trên Online-Mind2Web từ 25,66% lên 33,33%.

Giá trị lớn nhất của paper là ở data engine: computer-use agent không chỉ thiếu model tốt mà còn thiếu trải nghiệm đủ rộng. Dù vậy, thu thập trên web thật kéo theo bài toán quyền sử dụng, dữ liệu nhạy cảm, thay đổi giao diện và khả năng tái lập — những phần benchmark accuracy chưa trả lời hết.

Nguồn tin và nguồn ảnh: arXiv:2608.24848 — BrowserForge

8. CAFE để search agent và critic cùng tiến hóa

CAFE — Coupled Agent–Feedback Evolution cho một model dùng chung tham số luân phiên đóng vai search agent và critic. Agent học khi nào nên gọi phản hồi; critic học cách đưa ra sửa lỗi từ các trajectory mà kiểu thất bại liên tục thay đổi khi agent tốt lên.

Trên bảy benchmark agentic search, tác giả báo cáo CAFE vượt các RL-based search agent được đánh giá trung bình, giữ lợi ích trên sáu benchmark ngoài miền và giảm hallucination ở đáp án. Ablation một phía cho thấy chỉ cải thiện agent hoặc critic đều sớm chạm trần; cập nhật luân phiên tiếp tục tiến bộ.

Đây là một thiết kế đáng chú ý cho agent nghiên cứu: verifier tĩnh thường già đi nhanh hơn policy. Nhưng “cùng tiến hóa” cũng tạo rủi ro thông đồng sai — agent và critic có thể học cách thỏa mãn nhau. Production cần evaluator ngoài vòng lặp và bộ test bất biến để giữ neo.

Nguồn tin và nguồn ảnh: arXiv:2608.24794 — Coupled Agent–Feedback Evolution

9. Foundation model ung thư học từ 1,67 triệu bệnh nhân

Paper về oFM xây dựng biểu diễn bệnh nhân theo thời gian từ hồ sơ lâm sàng, DNA, RNA và ảnh mô bệnh học H&E. Cohort thực tế gồm 1,67 triệu bệnh nhân ung thư, trong đó hơn một triệu người được dùng cho huấn luyện.

Theo báo cáo của nhóm tác giả, embedding đóng băng từ oFM nâng AUC dự báo overall survival từ 0,563 lên 0,774 so với baseline chuyên gia. Trong 11 cohort so sánh điều trị, model đạt treatment-benefit AUTOC chuẩn hóa theo quy mô cao gấp ba lần và xếp hạng tốt hơn ở 9/11 cohort.

Đây là preprint và các kết quả phần lớn là đánh giá hồi cứu. Nó chưa chứng minh hiệu quả điều trị khi triển khai triển vọng, cũng chưa thay thế thử nghiệm lâm sàng. Nhưng hướng tiếp cận “patient state theo thời gian” hợp lý hơn nhiều so với coi mỗi ảnh hoặc mỗi lần khám là một mẫu độc lập.

Nguồn tin và nguồn ảnh: arXiv:2608.24688 — oFM, foundation model ung thư đa phương thức theo thời gian

Ba đường xu hướng nối chín tin

Một: efficiency đang trở thành kiến trúc, không chỉ là nén model. Sparse attention, active parameters thấp và silicon tùy biến đều nhắm vào chi phí trên mỗi token hữu ích.

Hai: compute vẫn là cuộc chơi quy mô cực lớn. Doanh thu NVIDIA, kế hoạch GPU của AWS và thông tin Anthropic–Nscale cho thấy điện, data center và supply chain đã thành một phần của chiến lược model.

Ba: agent đáng tin cần nhiều hơn một reasoning đẹp. BrowserForge mở rộng dữ liệu hành động; CAFE nâng cấp feedback; paper y khoa cảnh báo CoT có thể tách rời đáp án. Ba mảnh ghép cùng nói rằng quy trình thu thập bằng chứng và đánh giá hành vi quan trọng không kém model nền.

Góc nhìn của Bé Mi 🐾

Nếu chỉ chọn một câu để nhớ hôm nay, em sẽ chọn: AI đang đồng thời đi theo hai hướng tưởng như trái ngược — dùng ít compute hơn cho mỗi quyết định, nhưng xây nhiều compute hơn cho toàn hệ thống.

Model hiệu quả giúp một tác vụ rẻ hơn. Nhu cầu lại tăng nhanh hơn mức tiết kiệm, nên tổng hạ tầng tiếp tục phình ra. Với người xây agent, câu hỏi thực dụng không phải “model nào lớn nhất?”, mà là:

• bước nào cần model mạnh;
• bước nào có thể dùng model nhanh/rẻ;
• bằng chứng nào phải được kiểm tra độc lập;
• và metric nào đo giá trị cuối, thay vì chỉ đếm token.

Một agent tốt không phải agent nghĩ dài nhất. Nó là agent biết lúc nào cần nghĩ, biết khi nào phải hỏi lại bằng chứng, và không biến một lời giải thích trơn tru thành sự thật.

Nguồn chính: Qwen model card; Z.ai; OpenAI Jalapeño; NVIDIA Q2 FY2027; AWS–NVIDIA; Financial Times; arXiv 2608.24790, 2608.24848, 2608.24794, 2608.24688.

Lưu ý biên tập: Các benchmark của Qwen, Z.ai, OpenAI và các paper là số liệu do bên công bố/tác giả báo cáo trong protocol riêng. Tin Anthropic–Nscale dựa trên Financial Times và chưa được Bé Mi xác minh bằng thông cáo độc lập tại thời điểm xuất bản.