Tuần này AI tiến gần người dùng hơn ở cả hai đầu. Ở đầu cloud, GPT-6 tới mọi người dùng ChatGPT, kể cả gói miễn phí, và câu trả lời giờ có thể là một giao diện tương tác thay vì chỉ là văn bản. Ở đầu thiết bị, Google đưa embedding đa phương thức xuống điện thoại, còn NVIDIA và Microsoft đưa model hơn 100B tham số lên laptop. Song song, luật chơi chặt hơn: OpenAI bắt đầu gắn watermark văn bản ở EU, Anthropic đổi chính sách sử dụng. Dưới đây là 9 tin, mỗi tin kèm nguồn chính thức và lý do đáng để ý.
01Model mới
OpenAI đưa GPT-6 tới mọi người dùng ChatGPT, kèm Intelligent UI
07/10/2026 · Nguồn: OpenAI
Tháng trước GPT-6 chỉ có cho khách trả phí. Từ 07/10, GPT-6 bắt đầu tới các gói Plus, Pro, Business và Enterprise; từ hôm sau mở rộng sang gói Free và Go. Gói trả phí chạy GPT-6 Sol, gói Free và Go chạy GPT-6 Luna. Điểm mới lớn nhất là Intelligent UI: model tự ghép câu trả lời từ văn bản, biểu đồ, nút bấm, form và công cụ nhỏ tương tác được, và tự quyết khi nào chỉ cần văn bản. Phía sau là một thư viện component có sẵn, stream được, cùng một compiler dựng giao diện dần dần trong lúc model đang sinh. ChatGPT cũng có thể vừa suy luận vừa trả lời. Theo số của OpenAI, với câu hỏi cần tìm web, GPT-6 Instant bắt đầu trả lời sớm hơn trung bình 44% so với GPT-5.6 Instant.
Vì sao đáng chú ý. Output của LLM không còn mặc định là chuỗi văn bản. Đó là một cây component mà model tự chọn bố cục. Với người làm sản phẩm, câu hỏi thiết kế dời từ “render markdown thế nào” sang “cho model dùng những component nào và kiểm soát chúng ra sao”. Kiểu “vừa nghĩ vừa trả lời” cũng đổi cách đo độ trễ: thời gian tới token đầu tiên quan trọng hơn tổng thời gian sinh. Lưu ý: bản cập nhật chỉ áp dụng cho tab Chat; model chạy Work và Codex không đổi.
Google ra EmbeddingGemma 2: embedding đa phương thức chạy trên thiết bị
06/10/2026 · Nguồn: Google, Hugging Face
EmbeddingGemma 2 là model embedding mở 740M tham số, giấy phép Apache 2.0, xây trên kiến trúc Gemma 4. Model đưa văn bản, ảnh, âm thanh và video vào cùng một không gian vector. Thiết kế dạng module: phần văn bản 270M, encoder ảnh 170M và encoder âm thanh 300M là tùy chọn. Context 8K token, gấp 4 lần bản đầu, đủ cho khoảng 5,5 phút âm thanh hoặc 29 ảnh. Theo Google, bản chỉ văn bản đã lượng tử hoá dùng khoảng 191MB RAM; bản đầy đủ khoảng 567MB trên Pixel 11 Pro. Vector 768 chiều có thể cắt xuống 512, 256 hoặc 128 chiều nhờ Matryoshka Representation Learning. Model chạy được với transformers, sentence-transformers, llama.cpp, Ollama, vLLM và nhiều công cụ khác.
Vì sao đáng chú ý. Đây là tin hữu ích nhất cho người làm RAG tuần này. Một model nhỏ cho phép tìm chéo giữa văn bản, ảnh, âm thanh và video, hoàn toàn offline, không phải gửi dữ liệu ra ngoài. Cắt chiều vector giúp giảm dung lượng index tới 6 lần, đổi lại một phần độ chính xác; cần tự đo trên dữ liệu của mình. Nếu cần ôn lại embedding là gì, xem bài Embedding trong LLM.
Mistral Large 4 ra bản xem trước, hứa mở trọng số cuối tháng 10
06/10/2026 · Nguồn: Mistral AI
Mistral Large 4 là model Mixture of Experts với 1T tham số tổng và 52B tham số hoạt động, nhận văn bản và ảnh, gộp chế độ instruct và reasoning trong một model. API xem trước đã chạy trên Mistral Studio, giá $1,36 cho 1M token input và $4,18 cho 1M token output. Mistral hứa mở trọng số trước cuối tháng 10. Các số benchmark đều do Mistral tự công bố: 61,7% trên DeepSWE v1.1, 28,3% trên Terminal Bench 4.0, và 42% trên bài visual grounding Dense 200, nhỉnh hơn mức 41% của GPT-6 Astra. Mistral cũng nói bản triển khai ở châu Âu do hãng tự vận hành theo luật châu Âu.
Vì sao đáng chú ý. Nếu trọng số ra đúng hẹn, doanh nghiệp cần giữ dữ liệu trong EU có thêm một model lớn để tự host. Nhưng 1T tham số tổng vẫn cần cả cụm GPU để chạy, dù mỗi token chỉ dùng 52B. Trang công bố chưa ghi giấy phép của trọng số; đây là điều cần xem trước khi lên kế hoạch dùng.
02An toàn và chính sách
OpenAI gắn watermark văn bản theo luật AI EU (textGrain)
05/10/2026 · Nguồn: OpenAI, báo cáo kỹ thuật
Luật AI EU yêu cầu văn bản do AI tạo phải nhận diện được bằng máy. OpenAI trả lời bằng textGrain, một tín hiệu thống kê ẩn trong cách model chọn từ. Khách API trên toàn cầu có thể bật watermark cho một số model; mặc định vẫn tắt. Trong các tuần tới, văn bản của ChatGPT và Codex ở EU sẽ có watermark, nhưng chỉ ở EU. Công cụ phát hiện chỉ mở cho nhà nghiên cứu và tổ chức được duyệt. Số liệu của OpenAI, ở tỉ lệ dương tính giả mục tiêu 1%: phát hiện khoảng 80% đoạn 200 token và 95% đoạn 400 token với nội dung như tâm lý học. Với đoạn 400 token, thay 10% số từ bằng từ đồng nghĩa làm tỉ lệ phát hiện giảm từ khoảng 92% xuống 66%; thay 25% thì chỉ còn 17%. OpenAI cũng cho biết benchmark của Astra gần như không đổi khi bật watermark.
Vì sao đáng chú ý. Đây là kế hoạch cụ thể của một hãng lớn để đáp ứng quy định nguồn gốc văn bản của luật AI EU, kèm số liệu về điểm yếu. Điều đáng giá là OpenAI tự công bố giới hạn: văn bản ngắn, văn bản ít lựa chọn từ như toán, và văn bản đã sửa đều khó phát hiện. Hệ quả thực tế: không phát hiện được watermark không chứng minh văn bản do người viết. Ai định dùng watermark để “bắt bài AI” cần đọc kỹ phần này.
Anthropic mở rộng chương trình xác minh cho người làm bảo mật
06/10/2026 · Nguồn: Anthropic, bài liên quan ngày 08/10: Anthropic Cyber Mission
Cyber Verification Program có ba cấp. Defense Access cho công việc phòng thủ như phân tích malware, xử lý sự cố, kiểm chứng lỗ hổng; cá nhân và người duy trì dự án mã nguồn mở cũng đăng ký được. Red Team Access thêm pentest và red team có ủy quyền, chỉ cho tổ chức. Specialized Access dành cho tổ chức được phép kiểm thử hệ thống trọng yếu như lưới điện hay viễn thông, hiện xét duyệt cùng chính phủ Mỹ. Người được xác minh dùng các model Claude với lớp chặn an ninh mạng nới theo cấp. Hai ngày sau, Anthropic công bố Anthropic Cyber Mission, trong đó có OSS Scanner: quét định kỳ miễn phí cho dự án mã nguồn mở đã đăng ký, báo cáo do model sinh và không qua người duyệt, với tỉ lệ đúng dự kiến trên 90% theo Anthropic.
Vì sao đáng chú ý. Thay vì một chính sách an toàn chung cho mọi người, Anthropic cấp năng lực theo danh tính đã xác minh. Đây là một cách phát hành model mạnh mà các hãng khác cũng đang thử. Người duy trì thư viện mã nguồn mở có thêm một nguồn báo lỗi miễn phí, nhưng vẫn phải tự kiểm chứng vì báo cáo không có người duyệt.
Anthropic cập nhật chính sách sử dụng 2026
08/10/2026, có hiệu lực 12/11/2026 · Nguồn: Anthropic
Chính sách mới cấm theo dõi người khác khi không có sự đồng ý, dù theo thời gian thực hay qua dữ liệu lịch sử. Claude không được quyết định hay đề xuất ai bị điều tra, bắt giữ hoặc truy tố. Khi Claude điều khiển phần cứng có thể gây thương tích, phải có người vận hành đủ năng lực quan sát và dừng được thiết bị, và thiết bị phải giữ được trạng thái an toàn khi mất kết nối với Claude. Chính sách cũng nói rõ hơn về vũ khí, gồm phần mềm dẫn đường và trang bị vũ khí cho drone.
Vì sao đáng chú ý. Agent điều khiển thiết bị thật giờ có yêu cầu thiết kế cụ thể: nút dừng do người nắm và trạng thái an toàn khi mất kết nối. Team làm robot hoặc agent nối với phần cứng trên Claude cần rà lại hệ thống trước 12/11.
03Hạ tầng và công cụ
NVIDIA và Microsoft ra RTX Spark: model hơn 100B tham số trên laptop Windows
07/10/2026 · Nguồn: NVIDIA
Chip RTX Spark gộp GPU Blackwell RTX tới 6.144 core và CPU Grace tới 20 core, nối ở 600 GB/s, với tới 128GB bộ nhớ dùng chung. Theo NVIDIA, chip đạt 1 petaflop FP4 và chạy được model 125B tham số mà không cần cloud. Laptop của Acer, ASUS, Dell, HP, Lenovo, Microsoft, MSI và Gigabyte mở đặt trước từ 07/10 và có hàng từ 16/10; máy để bàn nhỏ bán từ tháng 11. Cùng sự kiện, Microsoft công bố GA Microsoft Execution Containers (MXC), hạ tầng cấp hệ điều hành để agent chạy nền an toàn và lâu dài dưới sự kiểm soát của Windows.
Vì sao đáng chú ý. 128GB bộ nhớ dùng chung là ngưỡng để chạy model mở cỡ lớn tại máy. Với agent và RAG cần giữ dữ liệu riêng tư, đây là lựa chọn thay cho API cloud. MXC thì cho thấy sandbox cho agent đang thành tính năng của hệ điều hành, không còn là việc mỗi team tự làm.
LoGRA: tinh chỉnh RL model 27B trên một máy 8 GPU
05/10/2026 · Nguồn: arXiv 2610.06647
Khi post-training bằng RL, optimizer như Adam cần giữ trạng thái lớn cho mọi tham số. LoGRA thay gradient đầy đủ bằng một bản phác hạng thấp (low-rank gradient sketch), kèm cơ chế kiểm soát bước cập nhật dựa trên KL dự đoán để huấn luyện không mất ổn định. Theo các tác giả, bộ nhớ huấn luyện trung bình giảm tới 45,7% trên các bài suy luận mà không giảm chất lượng. Model 27B huấn luyện ổn định hơn 1.100 bước trên một máy 8 GPU, trong khi Adam đầy đủ hết bộ nhớ. Mã nguồn có trong thư viện Molt.
Vì sao đáng chú ý. RL post-training trước nay gần như chỉ dành cho team có cụm máy lớn. Nếu kết quả lặp lại được, nhóm nhỏ có thể tự tinh chỉnh RL cho model cỡ vừa. Ý tưởng gần với LoRA, nhưng nén gradient thay vì giới hạn tham số được học; xem bài LoRA, QLoRA và quantization và Post-training để có bối cảnh.
vLLM v0.31.0: khởi động lại nhanh hơn, có thay đổi phá tương thích
05/10/2026 · Nguồn: GitHub release
Lệnh mới vllm preload chạy một daemon giữ trọng số đã lượng tử hoá trong bộ nhớ GPU qua các lần khởi động lại engine. Bản này cũng thêm tính năng thử nghiệm vllm snapshot create/restore dùng CRIU để khôi phục một engine đã khởi tạo xong (hiện cho TP1). Có nhiều tối ưu cho các model mở mới như DeepSeek-V4.1-Flash, GLM-5.3-Flash và Kimi-K3. Về bảo mật, payload đa phương thức mới được ưu tiên hơn cache cũ, và hash của các block trong prefix cache giờ ghi rõ nguồn của khoá phụ và tính cả đường dẫn LoRA. Thay đổi phá tương thích gồm: mm_processor_kwargs và media_io_kwargs theo từng request bị từ chối mặc định (bật lại bằng --trust-request-mm-kwargs), bỏ tokenizer_mode="slow", cờ --enable-mamba-fine-grained-prefix-cache đổi tên thành --enable-mamba-shared-prefix-checkpoint, và quantization="fp8" giờ chuyển sang chế độ fp8_per_tensor.
Vì sao đáng chú ý. Nạp trọng số thường chiếm phần lớn thời gian khởi động lại server; giữ trọng số trên GPU giúp rollout và autoscale nhanh hơn. Nhưng các thay đổi trên có thể làm hỏng cấu hình đang chạy, nhất là ai đang dùng quantization="fp8" hoặc gửi tham số đa phương thức theo request. Đọc release notes và chạy thử trên staging trước khi nâng cấp. Bài KV cache, prefill và decode giải thích prefix cache là gì.
04Đáng theo dõi tuần tới
- 16/10: laptop RTX Spark có hàng. Các phép đo độc lập đầu tiên sẽ cho biết model 100B+ chạy nhanh tới đâu ngoài đời thật.
- Cuối tháng 10: Mistral hứa mở trọng số Large 4. Cần xem giấy phép là gì và benchmark độc lập có khớp số Mistral công bố không.
- Các tuần tới: watermark textGrain bắt đầu xuất hiện trong ChatGPT và Codex ở EU, và báo cáo kỹ thuật sẽ được cập nhật.
- 12/11: chính sách sử dụng mới của Anthropic có hiệu lực.
05Tổng kết
- Câu trả lời của LLM đang thành giao diện: GPT-6 tự dựng component, và “vừa nghĩ vừa trả lời” đổi cách đo độ trễ.
- AI chạy tại máy tiến thêm một bước ở cả hai đầu: EmbeddingGemma 2 cho RAG đa phương thức offline, RTX Spark cho model hơn 100B trên laptop.
- Watermark văn bản đã vào sản phẩm thật ở EU, kèm số liệu cho thấy nó dễ bị yếu đi khi văn bản bị sửa.
- Anthropic chọn hai hướng song song: nới năng lực theo danh tính đã xác minh, và đặt yêu cầu cụ thể cho agent điều khiển phần cứng.
- Với người vận hành, vLLM v0.31.0 và LoGRA giảm chi phí ở hai đầu: phục vụ model và tinh chỉnh RL.
Tài liệu tham khảo
- OpenAI — GPT-6 and Intelligent UI for everyone, 07/10/2026
- OpenAI — Our approach to EU text provenance rules, 05/10/2026 · báo cáo kỹ thuật textGrain
- Google — EmbeddingGemma 2, 06/10/2026 · google/embeddinggemma-2 trên Hugging Face
- Mistral AI — Mistral Large 4, 06/10/2026
- Anthropic — Expanding the Cyber Verification Program, 06/10/2026
- Anthropic — Anthropic Cyber Mission, 08/10/2026
- Anthropic — 2026 Usage Policy Update, 08/10/2026
- NVIDIA — RTX Spark và Microsoft Windows, 07/10/2026
- Zhang và cộng sự — LoGRA: Scaling LLM Reinforcement Learning with Low-Rank Gradient Sketches, arXiv 2610.06647, 05/10/2026
- vLLM — Release v0.31.0, 05/10/2026