Hugging Face Blog

# Khi nào thì các mô hình ngôn ngữ sẽ đủ tốt? Đây là câu hỏi mà tôi thấy mình liên tục suy nghĩ, và câu trả lời phụ thuộc rất nhiều vào việc bạn đang hỏi "đủ tốt cho điều gì?" ## Đủ tốt cho các tác vụ hiện tại Đối với nhiều ứng dụng — soạn thảo văn bản, tóm tắt, trả lời câu hỏi cơ bản, viết code đơn giản — các LLM đã đủ tốt rồi. Vấn đề không còn là năng lực mà là: - Độ tin cậy và tính nhất quán - Chi phí triển khai - Tích hợp vào quy trình làm việc thực tế ## Những khoảng cách vẫn còn tồn tại Các mô hình hiện tại vẫn còn thiếu sót ở: - Lý luận dài hạn — duy trì logic nhất quán qua nhiều bước phức tạp - Độ tin cậy thực tế — giảm thiểu hallucination trong các lĩnh vực chuyên sâu - Tự chủ thực sự — thực hiện các tác vụ nhiều bước mà không cần giám sát - Hiểu biết nhân quả — không chỉ nhận diện pattern ## Câu trả lời thực tế "Đủ tốt" là một đường chân trời di chuyển. Khi mô hình cải thiện, kỳ vọng cũng tăng theo. Điều quan trọng hơn là xác định rõ ngưỡng cụ thể cho từng use case — thay vì chờ đợi sự hoàn hảo tổng quát. Bạn đang nghĩ đến ứng dụng cụ thể nào?

🕐 20/07/2026 08:14 📰 Hugging Face Blog ✅ Đã dịch sang tiếng Việt

# Bài nói chuyện "Thiết kế Web: 100 Năm Đầu Tiên" của Maciej Cegłowski

Bài nói chuyện "Web Design: The First 100 Years" của Maciej Cegłowski (mà người bạn Alec của tôi gần đây gửi cho tôi) không hoàn toàn vượt qua được thử thách của thời gian, nhưng có một câu chuyện ngụ ngôn thú vị về máy bay đáng để suy ngẫm. Tóm tắt ngắn gọn: quá trình Boeing phát triển chiếc 747 (khoảng năm 1965) được tiến hành sau nhiều năm cải tiến liên tục về tốc độ và sức chứa của máy bay. Do đó, có một luồng quan điểm cho rằng máy bay sẽ ngày càng nhanh hơn, đến mức người ta bắt đầu suy đoán rằng du hành vũ trụ thương mại đã ở ngay trước mắt. Cegłowski thảo luận về việc chiếc 747 thực ra là một dự án thứ yếu so với trọng tâm chính của Boeing lúc bấy giờ là phát triển máy bay siêu thanh thương mại. Tuy nhiên, ~60 năm sau, máy bay phần lớn vẫn trông giống chiếc 747 và du hành siêu thanh chưa bao giờ thực sự cất cánh. Hóa ra việc chế tạo và vận hành máy bay siêu thanh tốn kém đến mức không tưởng, chưa kể đến tiếng nổ sonic boom inh tai. Việc rút ngắn một nửa thời gian bay xuyên Đại Tây Dương đơn giản là không xứng đáng với chi phí tăng vọt và những bất tiện đi kèm.

Tôi tự hỏi liệu quá trình phát triển các mô hình ngôn ngữ có đi theo quỹ đạo tương tự hay không. Nhiều người cho rằng các mô hình ngôn ngữ sẽ tiếp tục cải thiện, dẫn đến những dự đoán rằng chúng sẽ đạt được trí tuệ siêu việt trong hầu hết hoặc tất cả các tác vụ trên máy tính (chưa kể đến những dự đoán về tự cải thiện đệ quy và vân vân). Những tiến bộ gần đây cho thấy điều này có thể xảy ra, và các định luật tỷ lệ (scaling laws) cung cấp một cơ sở khoa học nhất định cho những tuyên bố này. Tuy nhiên, việc mở rộng quy mô đòi hỏi đầu tư theo cấp số nhân. Phân tích của Epoch AI cho thấy chi phí huấn luyện mô hình đang tăng khoảng 5 lần mỗi năm. Chi phí huấn luyện các mô hình tiên tiến nhất đã ở mức choáng ngợp; chẳng hạn, các tài liệu tài chính bị rò rỉ của OpenAI cho thấy chi phí huấn luyện vào khoảng 10 tỷ USD và, rộng hơn, một bức tranh đáng lo ngại về tính bền vững tài chính của việc tiếp tục mở rộng quy mô. Đến thời điểm nào thì sự cải thiện mang lại từ việc mở rộng quy mô không còn biện minh được cho chi phí tăng theo cấp số nhân nữa - không chỉ về mặt kinh tế, mà còn về các ngoại tác như mức tiêu thụ năng lượng?

Trong khi đó, mặc dù năng lực của chúng chắc chắn còn "lồi lõm" (jagged), các mô hình ngôn ngữ hiện tại đã khá hữu ích cho nhiều việc (cần trích dẫn nguồn, nhưng hy vọng điều này không cần phải giải thích nhiều). Trong những lĩnh vực mà chúng đã khá hữu ích, tôi thấy hơi khó hình dung được những lợi ích đột phá nào từ việc nâng cao năng lực hơn nữa. Simon Willison kể một câu chuyện thú vị về trải nghiệm của anh khi nhờ Fable sửa một lỗi UI đơn giản. Fable cuối cùng đã tiêu tốn một lượng thời gian và tài nguyên tính toán khổng lồ để xây dựng một framework tùy chỉnh để chạy ứng dụng và chụp ảnh màn hình, trước khi cuối cùng tạo ra một thay đổi CSS hai dòng để sửa lỗi. Tôi cho rằng tác vụ này đáng lẽ đã được hoàn thành tốt hơn với một mô hình "yếu hơn" được trang bị công cụ phù hợp (để nó có thể tránh việc phải tự xây dựng một framework debug tùy chỉnh). Trong trường hợp này - và có lẽ ngày càng nhiều trường hợp tương tự - năng lực tăng cao mua cho chúng ta điều gì ngoài khả năng được lười biếng? Ngoài ra, trong khi th...

Những cải tiến mà các mô hình mới tuyên bố đạt được quả thực ấn tượng, nhưng tôi tự hỏi liệu chúng có thực sự liên quan đến phần lớn các trường hợp sử dụng hay không. Chúng ta có thực sự cần các mô hình có khả năng (bác bỏ hoặc chứng minh) các giả thuyết Erdős khi chúng ta chỉ muốn hỏi chúng một công thức làm taco không?

Ngay cả các mô hình "nhỏ" — những mô hình còn cách xa "biên giới" — cũng tỏ ra khá hữu ích. Chẳng hạn, có rất nhiều báo cáo cho thấy các mô hình open-weights gần đây, khi được khai thác đúng cách, đủ tốt để trở thành các coding agent hữu dụng, tiệm cận mức độ hữu ích của các mô hình closed "frontier" cuối năm 2025, trong khi vẫn có thể chạy cục bộ trên phần cứng tiêu dùng khiêm tốn. Nếu với một số tác vụ, sự dịch chuyển của biên giới trong năm qua chủ yếu chỉ cho phép chúng ta lười biếng hơn, thì có lẽ các mô hình nhỏ hơn, mã nguồn mở đã đạt đến mức "đủ tốt" cho những tác vụ đó. Thay vì lười biếng, có lẽ chúng ta nên đầu tư thêm công sức vào việc "quản lý một thiên tài" tốt hơn và tìm cách xây dựng các hệ thống xung quanh các mô hình đủ tốt để chúng hoạt động hiệu quả nhất có thể. Một ví dụ điển hình là AI worm vừa được phát triển gần đây — theo như mô tả, đây là một mô hình cục bộ khá tầm thường (dù chưa được công bố vì lý do bảo mật), được bao quanh bởi một harness tinh vi. Ngoài ra, song song với việc tăng cường scaling, Epoch AI ước tính rằng lượng compute cần thiết để đạt được một mức hiệu suất nhất định đã giảm khoảng một nửa sau mỗi 8 tháng. Một câu hỏi khoa học thú vị liên quan đến "khi nào các mô hình sẽ đủ tốt?" chính là "lớn đến mức nào thì đủ?"; tôi nghi ngờ rằng câu trả lời nhỏ hơn đáng kể so với các mô hình frontier hiện tại. Có lẽ con đường thận trọng nhất cho sự phát triển của các mô hình ngôn ngữ không phải là scaling, mà là tập trung nỗ lực hơn nữa vào việc thu nhỏ các mô hình đủ tốt.

Xin cảm ơn John Kirchenbauer, Gül Sena Altıntaş, Derek Tam, Alec Jacobson và Yoav Artzi đã đóng góp phản hồi cho bài viết này.

Maciej Cegłowski's talk "Web Design: The First 100 Years" (which my friendAlecrecently sent to me) does not entirely stand the test of time, but there's a nice parable about airplanes that is worth contemplating. As a short summary, Boeing's development of the 747 (circa 1965) was preceded by many years of continual improvements in airplane speed and capacity. There was therefore some sentiment that airplanes would get faster and faster, to the point of speculating that commercial space travel was around the corner. Cegłowski discusses how the 747 was actually sort of a second-fiddle project to Boeing's main focus of developing a commercial supersonic aircraft. However, ~60 years layer, airplanes largely resemble the 747 and supersonic travel never really took off. It turns out it is just too expensive to build and fly supersonic airplanes, not to mention the loud booming noises they make. Halving the duration of a transatlantic flight is just not worth the dramatically increased cost and inconvenience.

I wonder if language model development will follow a similar trajectory. Many claim that language models will continue to improve, leading to predictions that language models will attain superhuman intelligence in most or all computer-based tasks (not to mention predictions of recursive self-improvement and so on). Recent progress suggests this could be possible, and scaling laws provide some scientific basis for these claims. However, scaling requires exponential investment.Epoch AI's analysissuggests that model training costs are increasing by roughly 5x each year. The costs of training frontier models is already staggering; for example,OpenAI's leaked financial documentssuggest training costs of roughly $10B and, more broadly, a worrying picture for the financial sustainability of continued scaling. At what point does the improvement provided by scaling not justify the exponentially increasing cost - not only economic costs, but also in terms of externalities such as energy usage?

Meanwhile, although their capabilities are certainly "jagged", current language models are reasonably helpful for many things (citation needed, but hopefully this does not require much justification). In areas where they are already quite helpful, it is a bit hard for me to imagine any groundbreaking benefits from improved capabilities. Simon Willison tells aninteresting storyabout his experience asking Fable to fix a simple UI bug. Fable ultimately spent an inordinate amount of time and compute building a custom framework for running the app and taking screenshots before it ultimately produced a two-line CSS change to fix the bug. I would posit that this task would have been better accomplished with a "weaker" model that was provided with appropriate tooling (so that it could avoid building out a custom debugging framework). In this case - and perhaps increasingly many - what do increased capabilities buy us other than the ability to be lazy? Additionally, while the improvements claimed by new models are indeed impressive, I wonder how relevant they are to the majority of use cases. Do we really need our models to be able to(dis)prove Erdős conjectureswhen we ask them to give us a taco recipe?

Even "small" models far from the "frontier" are, apparently, quite useful. For example,therearemanyreportsthat recent open-weights models, when harnessed correctly, are good enough to be useful coding agents, approaching the utility of late-2025 "frontier" closed models while being runnable locally on modest consumer hardware. If, for some tasks, the movement of the frontier in the past year mainly allows for laziness, then perhaps smaller, open models have already reached "good enough" for those tasks. Perhaps instead of being lazy we can put additional effort into better "managing a genius" and figuring out how to build systems around good-enough models to allow them to work as effectively as possible. As on example, the recently developedAI wormis, apparently, a somewhat mediocre (albeit undisclosed for security reasons) local model, surrounded by what sounds like a sophisticated harness. Additionally, in tandem with increased scaling,Epoch AIestimate that the amount of compute required to attain a certain level of performance has roughly halved every 8 months. An interesting scientific question related to "when will models be good enough?" is "how big is big enough?"; I suspect the answer is quite a lot smaller than current frontier models. Perhaps the most prudent path for language model development is not scaling, but rather redoubling our efforts to shrink down good-enough models.

Thanks to John Kirchenbauer, Gül Sena Altıntaş, Derek Tam, Alec Jacobson, and Yoav Artzi for feedback on this post.

📎 Nguồn gốc: Hugging Face Blog Xem bài gốc →

Bài liên quan

Hướng dẫn Kiến trúc Xử lý Lỗi cho Gọi Công cụ LLM

Sửa Lỗi Agent Bằng Kỹ Thuật Context Engineering Cho LLM