Hai sự kiện AI nổi bật nhất năm 2026 tính đến thời điểm này

Tất nhiên, cả hai đều là sản phẩm độc quyền. Tuy nhiên, các đối thủ mã nguồn mở cũng không chịu thua kém.

Tuần này, chúng ta chào đón một giải pháp mã nguồn mở mới thay thế cho Nano Banana Pro trong phân khúc tạo ảnh chính xác, nhiều chữ: GLM-Image, một mô hình mới với 16 tỷ tham số từ công ty khởi nghiệp Trung Quốc Z.ai vừa lên sàn.

Bằng cách từ bỏ kiến trúc “khuếch tán thuần túy” (pure diffusion) – vốn là tiêu chuẩn của ngành – để chuyển sang thiết kế lai giữa tự hồi quy (auto-regressive – AR) và khuếch tán, GLM-Image đã đạt được hiệu suất đỉnh cao trong việc tạo ra các hình ảnh chứa nhiều chữ và thông tin dày đặc như đồ họa thông tin, slide và sơ đồ kỹ thuật – lĩnh vực trước đây vốn được xem là thế mạnh của các mô hình độc quyền.

Thậm chí, nó còn vượt qua Nano Banana Pro của Google trong một số điểm chuẩn được Z.ai công bố, dù trong thử nghiệm nhanh của tôi, nó kém chính xác hơn trong việc tuân theo chỉ dẫn và kết xuất chữ (và nhiều người dùng khác cũng đồng tình).

Nhưng đối với các doanh nghiệp đang tìm kiếm giải pháp thay thế tiết kiệm chi phí, dễ tùy chỉnh và có giấy phép thân thiện hơn so với các mô hình AI độc quyền, GLM-Image của Z.ai có thể đã “đủ tốt” hoặc hơn thế để đảm nhận vai trò công cụ tạo ảnh chính, tùy thuộc vào nhu cầu và yêu cầu cụ thể của họ.

Điểm Chuẩn: Thách Thức Gã Khổng Lồ Độc Quyền

Lập luận thuyết phục nhất cho GLM-Image không nằm ở tính thẩm mỹ, mà ở độ chính xác. Trong điểm chuẩn CVTG-2k (Complex Visual Text Generation) đánh giá khả năng kết xuất chữ chính xác trên nhiều vùng của hình ảnh, GLM-Image đạt điểm trung bình Độ Chính xác Từ (Word Accuracy) là 0.9116.

Để so sánh, Nano Banana 2.0 (hay Pro) – thường được coi là chuẩn mực về độ tin cậy cho doanh nghiệp – chỉ đạt 0.7788. Đây không phải là cải tiến nhỏ, mà là một bước nhảy vọt về khả năng kiểm soát ngữ nghĩa.

Biểu đồ so sánh điểm chuẩn CVTG-2K của GLM-Image. Nguồn: Z.ai

Mặc dù Nano Banana Pro vẫn giữ lợi thế nhỏ trong việc tạo văn bản tiếng Anh dài đơn luồng (0.9808 so với 0.9524 của GLM-Image), nó lại gặp khó khăn khi độ phức tạp tăng lên.

Khi số lượng vùng chữ tăng, độ chính xác của Nano Banana duy trì ở mức 70%, trong khi GLM-Image vẫn giữ được độ chính xác >90% ngay cả với nhiều phần tử chữ riêng biệt.

Đối với các trường hợp sử dụng trong doanh nghiệp – chẳng hạn một slide marketing cần đồng thời tiêu đề, ba điểm đánh dấu và một chú thích – độ tin cậy này chính là ranh giới giữa một tài sản sẵn sàng sử dụng và một kết quả sai lệch (hallucination).

Tuy nhiên, thử nghiệm nhanh của tôi với bản demo suy luận của GLM-Image trên Hugging Face cho thấy nó kém tin cậy hơn so với kỳ vọng từ điểm chuẩn.

Prompt của tôi: “tạo một đồ họa thông tin ghi nhãn tất cả các chòm sao chính có thể nhìn thấy từ Bắc Bán cầu Hoa Kỳ vào lúc này ngày 14 tháng 1 năm 2026 và đặt hình ảnh mờ của các nhân vật cùng tên phía sau các sơ đồ đường kết nối sao” đã không tạo ra kết quả như mong muốn, mà chỉ đáp ứng được khoảng 20% hoặc ít hơn các yêu cầu đưa ra.

Bí mật: Tôi không ngờ ChatGPT có thể làm được điều này — 10 tính năng ẩn ngay trước mắt

Nguồn: VentureBeat tạo bằng GLM-Image trên không gian multimodalart của Hugging Face

Trong khi đó, Google Nano Banana Pro xử lý prompt này một cách xuất sắc:

VentureBeat tạo bằng Google Gemini

Một phần nguyên nhân chắc chắn là do Nano Banana Pro được tích hợp với công cụ tìm kiếm Google, cho phép nó tra cứu thông tin trên web để phản hồi prompt, trong khi GLM-Image thì không. Do đó, GLM-Image có lẽ yêu cầu các hướng dẫn cụ thể hơn nhiều về nội dung văn bản và hình ảnh.

Dù vậy, một khi đã quen với việc chỉ cần nhập vài hướng dẫn đơn giản và nhận được một hình ảnh chính xác, nội dung phong phú từ Nano Banana Pro, thật khó để chuyển sang một giải pháp thay thế kém hơn, trừ khi bạn có yêu cầu rất cụ thể về chi phí, vị trí lưu trữ dữ liệu, bảo mật hoặc nhu cầu tùy chỉnh đặc biệt lớn.

Hơn nữa, Nano Banana Pro vẫn có lợi thế hơn GLM-Image về mặt thẩm mỹ – sử dụng điểm chuẩn OneIG, Nano Banana 2.0 đạt 0.578 so với 0.528 của GLM-Image. Quả thực, như hình ảnh minh họa đầu bài cho thấy, GLM-Image không phải lúc nào cũng tạo ra được hình ảnh sắc nét, chi tiết tinh tế và đẹp mắt như công cụ của Google.

Sự Thay Đổi Kiến Trúc: Tại Sao “Lai” Là Quan Trọng

Tại sao GLM-Image thành công ở nơi các mô hình khuếch tán thuần túy thất bại? Câu trả lời nằm ở việc Z.ai coi việc tạo ảnh là một bài toán suy luận trước tiên, và vẽ tranh là thứ yếu.

Các mô hình khuếch tán tiềm ẩn (latent diffusion) tiêu chuẩn (như Stable Diffusion hay Flux) cố gắng xử lý đồng thời bố cục tổng thể và chi tiết kết cấu, điều này thường dẫn đến “trôi dạt ngữ nghĩa” (semantic drift), khi mô hình quên mất các chỉ dẫn cụ thể (như “đặt chữ ở góc trên bên trái”) trong khi tập trung vào việc làm cho pixel trông thực tế.

GLM-Image tách biệt các mục tiêu này thành hai “bộ não” chuyên biệt với tổng cộng 16 tỷ tham số:

Bộ Tạo Tự Hồi Quy (AR) (“Kiến trúc sư”): Được khởi tạo từ mô hình ngôn ngữ GLM-4-9B của Z.ai, mô-đun 9 tỷ tham số này xử lý prompt một cách logic. Nó không tạo pixel, mà xuất ra các “token thị giác” – cụ thể là các token VQ ngữ nghĩa (semantic-VQ tokens). Những token này đóng vai trò như bản thiết kế nén của hình ảnh, xác định bố cục, vị trí chữ và mối quan hệ đối tượng trước khi bất kỳ pixel nào được vẽ. Điều này khai thác sức mạnh suy luận của LLM, cho phép mô hình “hiểu” các chỉ dẫn phức tạp theo cách mà các mô hình khuếch tán thuần túy không thể.
Bộ Giải Mã Khuếch Tán (“Họa sĩ”): Sau khi bố cục được xác định bởi mô-đun AR, một bộ giải mã Transformer Khuếch tán (Diffusion Transformer – DiT) 7 tỷ tham số, dựa trên kiến trúc CogView4, sẽ tiếp quản để lấp đầy các chi tiết tần số cao như kết cấu, ánh sáng và phong cách.

Bằng cách tách biệt “cái gì” (AR) với “như thế nào” (Khuếch tán), GLM-Image giải quyết được vấn đề xử lý thông tin dày đặc. Mô-đun AR đảm bảo chữ được đánh vần chính xác và đặt đúng vị trí, trong khi mô-đun Khuếch tán đảm bảo kết quả cuối cùng trông chân thực.

Huấn luyện Mô hình Lai: Một Quá Trình Tiến Hóa Nhiều Giai Đoạn

Bí quyết cho hiệu suất của GLM-Image không chỉ nằm ở kiến trúc, mà còn ở quy trình huấn luyện nhiều giai đoạn, buộc mô hình phải học cấu trúc trước khi học chi tiết.

Bí mật: Tôi đã chuyển sang dùng một phần mềm mã nguồn mở miễn phí cho việc sao lưu

Quá trình bắt đầu bằng việc “đóng băng” lớp nhúng từ vựng văn bản của mô hình GLM-4 gốc, đồng thời huấn luyện một lớp nhúng từ vựng thị giác mới và một bộ xử lý ngôn ngữ thị giác chuyên biệt. Điều này cho phép mô hình ánh xạ các token thị giác vào cùng không gian ngữ nghĩa với văn bản, về cơ bản là dạy LLM “nói” bằng hình ảnh. Z.ai đã triển khai MRoPE (Multidimensional Rotary Positional Embedding) để xử lý sự đan xen phức tạp giữa văn bản và hình ảnh cần thiết cho việc tạo nội dung đa phương thức.

Sau đó, mô hình trải qua chiến lược huấn luyện với độ phân giải tăng dần:

Giai đoạn 1 (256px): Huấn luyện trên các chuỗi độ phân giải thấp 256 token với thứ tự quét raster đơn giản.
Giai đoạn 2 (512px – 1024px): Khi độ phân giải tăng, nhóm nghiên cứu nhận thấy khả năng kiểm soát giảm. Để khắc phục, họ chuyển từ quét đơn giản sang chiến lược tạo tiến triển.

Trong giai đoạn nâng cao này, mô hình đầu tiên tạo ra khoảng 256 “token bố cục” từ một phiên bản có độ phân giải thấp của hình ảnh mục tiêu. Những token này đóng vai trò điểm neo cấu trúc. Bằng cách tăng trọng số huấn luyện trên các token sơ bộ này, nhóm nghiên cứu buộc mô hình ưu tiên bố cục toàn cục trước khi tạo chi tiết độ phân giải cao. Đây là lý do GLM-Image xuất sắc trong việc tạo poster và sơ đồ: nó “phác thảo” bố cục chính xác trước khi kết xuất pixel.

Phân Tích Giấy Phép: Lợi Thế Cho Doanh Nghiệp, Dù Có Chút Không Nhất Quán

Đối với các giám đốc công nghệ (CTO) và bộ phận pháp lý, cấu trúc cấp phép của GLM-Image là một lợi thế cạnh tranh so với các API độc quyền, dù tồn tại một điểm không nhất quán nhỏ trong tài liệu.

Điểm không nhất quán: Kho lưu trữ mô hình trên Hugging Face gắn nhãn trọng số (weights) với Giấy phép MIT, trong khi kho lưu trữ GitHub và tài liệu đi kèm lại tham chiếu đến Giấy phép Apache 2.0.

Tại Sao Đây Vẫn Là Điểm Tích Cực: Bất chấp sự khác biệt nhỏ, cả hai giấy phép đều là “tiêu chuẩn vàng” cho mã nguồn mở thân thiện với doanh nghiệp.

Tính Khả Thi Thương Mại: Cả MIT và Apache 2.0 đều cho phép sử dụng, sửa đổi và phân phối thương mại không hạn chế. Không giống một số giấy phép mã nguồn mở khác hạn chế mục đích sử dụng, GLM-Image có thể được dùng cho mục đích kinh doanh ngay lập tức.
Lợi Thế Của Apache (Nếu Áp Dụng): Nếu áp dụng Apache 2.0, điều này đặc biệt có lợi cho tổ chức lớn vì giấy phép này bao gồm điều khoản cấp bằng sáng chế rõ ràng, làm giảm nguy cơ kiện tụng bằng sáng chế trong tương lai.
Không Mang Tính “Lan Truyền”: Không giấy phép nào có tính chất “copyleft” mạnh (như GPL). Bạn có thể tích hợp GLM-Image vào sản phẩm độc quyền mà không bị buộc phải mở mã nguồn của mình.

Đối với nhà phát triển, khuyến nghị là coi trọng số theo giấy phép MIT (như trên Hugging Face) và mã nguồn suy luận theo Apache 2.0. Cả hai cách hiểu đều cho phép lưu trữ nội bộ, tinh chỉnh trên dữ liệu nhạy cảm và xây dựng sản phẩm thương mại mà không cần ràng buộc hợp đồng với nhà cung cấp.

Bí mật: Apple’s Creator Studio bundle is now live for everyone to use.

Tầm Quan Trọng Đối Với Doanh Nghiệp Hiện Tại

Đối với người ra quyết định, GLM-Image xuất hiện tại thời điểm then chốt. Các công ty đang chuyển từ dùng AI tạo sinh cho nội dung trừu tượng sang các ứng dụng thực tế: tạo nội dung đa ngôn ngữ cho quảng cáo, phác thảo giao diện người dùng tự động và tài liệu đào tạo động.

Trong các quy trình này, tỷ lệ lỗi 5% khi kết xuất chữ là không thể chấp nhận. Nếu một mô hình tạo slide đẹp nhưng đánh vần sai tên sản phẩm, tài sản đó trở nên vô giá trị. Điểm chuẩn cho thấy GLM-Image là mô hình mã nguồn mở đầu tiên vượt qua ngưỡng tin cậy cho các nhiệm vụ phức tạp này.

Hơn nữa, giấy phép linh hoạt thay đổi hoàn toàn bài toán kinh tế khi triển khai. Trong khi Nano Banana Pro gắn doanh nghiệp với cơ cấu chi phí API theo từng lần gọi hoặc hợp đồng đám mây, GLM-Image có thể được tự lưu trữ, tinh chỉnh trên dữ liệu nội bộ và tích hợp vào các pipeline bảo mật cao, thậm chí cách ly mạng (air-gapped) mà không lo ngại rò rỉ dữ liệu.

Điểm Trừ: Yêu Cầu Phần Cứng Mạnh

Cái giá cho khả năng suy luận này là nhu cầu tính toán lớn. Kiến trúc mô hình kép khá nặng. Việc tạo một hình ảnh 2048×2048 duy nhất mất khoảng 252 giây trên GPU H100, chậm hơn đáng kể so với các mô hình khuếch tán nhỏ được tối ưu hóa cao.

Tuy nhiên, đối với các tài sản có giá trị cao – mà giải pháp thay thế là một nhà thiết kế dành hàng giờ trong Photoshop – độ trễ này có thể chấp nhận được.

Z.ai cũng cung cấp một API được quản lý với giá $0.015 mỗi hình ảnh, tạo bước đệm cho các nhóm muốn thử nghiệm mà không cần đầu tư ngay vào phần cứng đắt tiền.

GLM-Image là minh chứng cho thấy cộng đồng mã nguồn mở không còn chỉ theo sau các phòng thí nghiệm độc quyền; trong các phân khúc chuyên sâu như tạo ảnh chứa nhiều thông tin, họ đang bắt đầu dẫn đầu. Thông điệp cho doanh nghiệp rất rõ ràng: nếu trở ngại trong hoạt động của bạn là độ tin cậy của hình ảnh phức tạp, giải pháp không còn nhất thiết phải là sản phẩm đóng của Google – mà có thể là một mô hình mã nguồn mở mà bạn tự kiểm soát.

Tags: GLM-Image, AI tạo ảnh mã nguồn mở, AI doanh nghiệpGLM-Image, AI tạo ảnh mã nguồn mở, AI doanh nghiệp