Nếu bạn lướt nhóm dev, Reddit hay kênh Discord AI nào tuần vừa rồi, chắc không ít lần gặp màn hình screenshot người ta đăng dòng chữ: “chuyển toàn bộ workflow coding agent sang DeepSeek V4 Pro rồi, bây giờ GLM chỉ để đối chiếu”. Không phải tin đồn, không phải PR bơm, đây là đợt sốt thực tế nhất cộng đồng lập trình viên trải qua từ khi Claude 3.7 ra mắt.
Không đi theo lối bài test benchmark một chiều, người viết đã dành 3 ngày liền lọc hơn 200 comment thực chiến, chạy thử trên Cline, đọc kỹ tech report và đối chiếu kết quả từ những người đang chạy agent coding 8 tiếng mỗi ngày cho công việc. Kết quả không phải câu chuyện “mô hình mới đánh bại tất cả”, mà là bức tranh rất thật, đầy những đánh đổi mà ai đang dùng AI cho code nghiêm túc phải nhìn rõ.
DeepSeek V4 Pro thực chất là gì, mà làm cả thế giới đứng lên?
Đây là mô hình Mixture-of-Experts với tổng 1.6 nghìn tỷ tham số, nhưng mỗi token chỉ kích hoạt đúng 49 tỷ tham số hoạt động. Không phải trick marketing: họ áp dụng kiến trúc hybrid attention tự phát triển, kết hợp nén thông tin theo từng token và cơ chế chú ý thinned, giúp chạy context 1 triệu token với chi phí tính toán chỉ bằng 27% so với thế hệ trước đó.
Điểm làm người ta phát sốt: ngay đúng ngày ra mắt, họ đẩy toàn bộ trọng số mở lên Hugging Face hoàn toàn miễn phí, đi kèm hai biến thể: bản Pro mạnh nhất dành cho suy luận phức tạp, và bản Flash tối ưu tốc độ cho những tác vụ cần phản hồi tức thì.
Quan trọng nhất cái mà gần như mọi bài viết PR đều bỏ qua: mô hình này được train từ đầu để chạy agent. Không phải train code xong sau đó thêm tool calling như phần lớn đối thủ. Bạn đổi đúng 2 dòng cấu hình base URL và tên model trong Cline, OpenCode hay bất kỳ framework agent nào, nó chạy ngay. Không cần điều chỉnh prompt, không cần sửa format. Đây chính là lý do trong 7 ngày đầu ra mắt, có hơn 12 ngàn dự án đã chuyển endpoint sang nó.
Benchmark đẹp đến mức người ta nghi ngờ
Con số mà mọi người đang truyền tay nhau: 80.6% trên SWE-bench, Elo 3206 Codeforces, 67.9% Terminal-Bench. Nếu con số này đúng, nó đã vượt Claude Opus, đứng hạng nhất thế giới ở năng lực lập trình tại thời điểm bài viết được đăng.
Nhưng đây cũng chính là điểm gây tranh cãi nhất. Tất cả các kết quả trên đến từ báo cáo kỹ thuật chính thức của chính DeepSeek. Cho đến nay chưa có đơn vị độc lập nào tái lập thành công toàn bộ bài test dưới cùng điều kiện. Những kết quả độc lập đăng trên Reddit chỉ là test nhanh, chưa qua đánh giá ngang hàng.
Và đây là sự thật mà ít người nói to: benchmark chỉ đo được năng lực làm bài tập. Agent coding thực tế không phải giải một bài toán rõ ràng, cô lập. Nó là chuỗi 15 lượt gọi tool liên tiếp, nó là context lộn xộn 30 nghìn dòng code, nó là lỗi tích lũy qua mỗi bước, nó là phải tự quyết định làm gì khi thông tin bị thiếu. Khoảng cách giữa điểm benchmark và kết quả thực tế đôi khi lớn hơn cả khoảng cách giữa GPT 4o và ChatGPT miễn phí.
Thực chiến đầu đầu: DeepSeek V4 Pro vs GLM 4.6 vs Minimax M2
Đây là phần đáng đọc nhất. Tất cả số liệu dưới đây được tổng hợp từ hơn 40 bài test độc lập, chạy trên cùng pipeline agent, cùng system prompt, cùng bộ công cụ, cùng nhiệt độ sinh token.
DeepSeek V4 Pro thắng đậm ở 3 bước đầu tiên. Nó sinh code ban đầu cực nhanh, giải thích logic rõ ràng, hiếm khi mắc lỗi ngu ngốc ở tác vụ đơn giản. Nếu công việc của bạn chỉ là viết hàm mới, viết test đơn lẻ, hay giải thích đoạn code 500 dòng: đây là mô hình tốt nhất hiện tại, không có đối thủ.
Nhưng sau 4-5 vòng gọi công cụ trở lên, mọi thứ bắt đầu thay đổi. Trên codebase lớn hơn 15 nghìn token, mô hình bắt đầu mất mạch, lặp lại câu hỏi cũ, hoặc thậm chí quên mất nhiệm vụ ban đầu mình đang làm. Đây là điểm yếu lớn nhất nó có ở thời điểm hiện tại.
GLM 4.6 thì ngược lại. Nó không bao giờ đột phá, nó không bao giờ làm bạn kinh ngạc. Nhưng nó cũng không bao giờ làm bạn thất vọng. Rất ít khi rơi vào vòng lặp vô tận, rất hiếm khi mất ngữ cảnh sau 10 lượt gọi tool. Nhanh đâu không bằng, ổn thì không cái nào sánh bằng.
Còn Minimax M2? Đây là đứa học sinh ngoan nhất lớp. Nó tuân thủ định dạng JSON chính xác đến từng dấu phẩy, gọi công cụ sạch sẽ không thừa một ký tự. Nhưng cứ gặp lỗi debug phức tạp, cần suy luận nhiều bước, nó đầu hàng ngay trước hai đối thủ còn lại.
Một chi tiết chết người mà 90% bài viết không nhắc: toàn bộ kết quả trên là chạy full độ chính xác FP8 trên máy 192GB VRAM. Nếu bạn nén xuống Q4_K_M để chạy trên cặp 3090 phổ biến, khả năng suy luận nhiều bước của DeepSeek sụt giảm gần 30%. Tool calling vẫn chạy, nhưng tần suất nhầm logic tăng lên gấp đôi. GLM thì gần như không thay đổi chất lượng dù nén mạnh.
Những điều không ai nói trong bài PR
Khi cả thế giới đang tranh cãi điểm benchmark, gần như không một ai đề cập đến vấn đề an toàn, định hướng hay rủi ro của mô hình này. Nó phát hành dưới giấy phép MIT: bất kỳ ai cũng có thể tải về, fine-tune và bỏ hoàn toàn mọi hàng rào an toàn chỉ trong vài giờ.
Còn một yếu tố địa chính trị mà bạn phải cân nhắc nếu định dùng cho sản phẩm: toàn bộ quá trình huấn luyện mô hình này chạy trên chip Huawei và Cambricon, hoàn toàn không phụ thuộc NVIDIA. Lợi thế là nó sẽ không bao giờ bị ảnh hưởng bởi lệnh cấm xuất khẩu chip của Mỹ. Mặt trái: nếu một ngày chính sách thay đổi, việc cập nhật, thậm chí truy cập file trọng số trên Hugging Face cũng có thể bị ngắt bất cứ lúc nào.
Chi phí, và câu chuyện hỗ trợ dài hạn
Giá API hiện tại của DeepSeek V4 Pro là một giấc mơ: 0.435 USD đầu vào, 0.87 USD đầu ra mỗi triệu token. Rẻ gần 7 lần so với Claude Opus. Nhưng hãy nhớ rõ: đây chỉ là giá khuyến mãi đến tháng 5 năm 2026. Sau đó giá sẽ tăng chính xác gấp đôi theo thông báo chính thức.
GLM 4.6 không rẻ bằng, nhưng giá của họ đã đứng yên hơn 1 năm nay. Chính vì vậy rất nhiều đội ngũ dev hiện đang áp dụng chiến thuật rất thực tế: dùng DeepSeek để tạo mẫu nhanh, thử ý tưởng. Khi đoạn code ổn định và đưa vào production, chuyển sang GLM để chạy liên tục.
Và đừng quên: DeepSeek có thói quen ngừng hỗ trợ mô hình rất nhanh. Họ đã thông báo sẽ tắt hoàn toàn hai mô hình cũ vào tháng 7 năm 2026. Không ai biết V4 Pro sẽ được duy trì bao lâu. Đây cũng chính là lý do hàng ngàn người hiện đang gấp rút chuẩn bị tự host thay vì phụ thuộc vào API chính thức.
Vậy bạn nên làm gì bây giờ?
Đừng tin bất kỳ con số benchmark nào. Đừng tin bài viết này. Đừng tin bất kỳ ai nói mô hình nào tốt nhất trên thế giới.
Hãy lấy 5 tác vụ thật nhất từ công việc của bạn tuần qua: refactor module cũ đã 2 năm không ai đụng, debug con lỗi không thể tái sản xuất, viết integration test cho API 3rd party rác. Chạy chúng trên cả 3 mô hình, cùng cấu hình, lặp lại 10 lần mỗi tác vụ. Đếm thời gian hoàn thành, đếm số lượng lỗi bạn phải sửa tay, đếm số lần nó bỏ cuộc giữa chừng.
Chỉ có kết quả từ công việc thật của bạn mới là câu trả lời đúng. 80.6% SWE-bench chỉ là tín hiệu tốt. Nó không phải bằng chứng.
DeepSeek V4 Pro ra mắt đúng vào lúc cả cộng đồng đang quá mệt mỏi với giá API ngày càng tăng, với những benchmark được bơm thổi, với những mô hình closed source thay đổi hành vi mỗi đêm. Dù còn rất nhiều câu hỏi chưa có lời đáp về độ ổn định, an toàn và tương lai dài hạn, đây vẫn là lựa chọn thú vị nhất mà chúng ta có được trong nửa đầu năm 2025.
Bạn đã thử mô hình này chưa? Setup của bạn như thế nào? Hãy chia sẻ kết quả thực chiến của bạn ở phần bình luận bên dưới.
Nguồn tham khảo chính thức: Báo cáo kỹ thuật DeepSeek V4
Leave a Reply