LLM là gì?

LLM là viết tắt của Large Language Model, hay mô hình ngôn ngữ lớn. Đây là một loại mạng nơ-ron nhân tạo được huấn luyện trên lượng văn bản khổng lồ (hàng tỷ trang web, sách, bài viết, mã nguồn) để học cách dự đoán từ tiếp theo trong câu. ChatGPT, Claude, Gemini, Llama, Mistral, DeepSeek: tất cả những cái tên bạn thấy khắp nơi từ năm 2023 đều là LLM hoặc sản phẩm được xây dựng trên LLM.

Nguyên lý có vẻ đơn giản đến nực cười đối với một công nghệ tạo code, viết bài luận, tóm tắt tài liệu 500 trang và vượt qua kỳ thi y khoa: dự đoán từ tiếp theo. Nhưng khi bạn huấn luyện một mạng nơ-ron đủ lớn trên đủ nhiều văn bản, nhiệm vụ dự đoán này làm nảy sinh những khả năng mà không ai thực sự lường trước: suy luận, dịch thuật, giải quyết vấn đề, tạo code, và một dạng hiểu ngôn ngữ mà dù không phải của con người, thường cho kết quả không thể phân biệt với con người.

LLM hoạt động như thế nào

LLM là một hàm toán học cực kỳ phức tạp. Nó nhận một chuỗi từ (chính xác hơn là "token", các mảnh từ) làm đầu vào, và tạo ra phân phối xác suất trên tất cả token có thể làm đầu ra. Token có xác suất cao nhất được chọn làm từ tiếp theo, thêm vào chuỗi, và quá trình lặp lại. Đây là cách mô hình tạo văn bản, từng từ (hoặc từng token).

Kiến trúc nền tảng gọi là Transformer, được các nhà nghiên cứu Google giới thiệu năm 2017 trong bài báo "Attention Is All You Need". Đổi mới quan trọng của Transformer là cơ chế attention: thay vì xử lý từ lần lượt từ trái sang phải (như mạng hồi quy trước đó), Transformer có thể xem xét tất cả từ trong chuỗi đồng thời và tính toán mối quan hệ giữa từng cặp từ. Điều này cho phép hiểu ngữ cảnh: khi viết "bờ sông", mô hình biết "bờ" chỉ mép nước chứ không phải thứ khác, vì đã tính toán mối quan hệ giữa "bờ" và "sông".

Năm 2026, kiến trúc thống trị là Mixture of Experts (MoE): mô hình chứa hàng nghìn tỷ tham số tổng cộng, nhưng chỉ một phần nhỏ (vài chục tỷ) được kích hoạt cho mỗi token. Giống tòa nhà có hàng trăm văn phòng chuyên biệt: mỗi câu hỏi bạn chỉ được hướng đến 2-3 văn phòng liên quan, không phải tất cả 200. Điều này cho phép đạt chất lượng mô hình khổng lồ với chi phí tính toán hợp lý hơn nhiều.

Ba giai đoạn tạo LLM

LLM không sinh ra với khả năng trò chuyện. Việc tạo ra nó trải qua ba giai đoạn riêng biệt, mỗi giai đoạn mang lại năng lực khác nhau.

Tiền huấn luyện (pre-training). Mô hình được huấn luyện trên kho văn bản khổng lồ (hàng tỷ trang web, sách, mã nguồn, bài báo khoa học, thảo luận diễn đàn). Mục tiêu đơn giản: dự đoán từ tiếp theo. Làm điều này hàng tỷ lần trên hàng tỷ văn bản, mô hình học ngữ pháp, sự kiện, suy luận logic, phong cách, và một dạng "kiến thức thế giới" được mã hóa trong các mối quan hệ thống kê giữa các từ. Tiền huấn luyện là giai đoạn tốn kém nhất: huấn luyện GPT-3 tiêu tốn 1.287 MWh điện, tương đương cung cấp điện cho 330 hộ gia đình Mỹ trong một năm. Các mô hình 2026 tiêu tốn còn nhiều hơn.

Tinh chỉnh có giám sát (SFT). Sau tiền huấn luyện, mô hình biết hoàn thành văn bản nhưng không biết trả lời câu hỏi, theo hướng dẫn hay duy trì cuộc hội thoại có cấu trúc. Tinh chỉnh có giám sát là huấn luyện trên các ví dụ hội thoại chất lượng cao: cặp hỏi-đáp do con người viết, ví dụ thực hiện hướng dẫn, bài tập suy luận. Bước này biến "bộ hoàn thành văn bản" thành trợ lý hội thoại.

Căn chỉnh (RLHF, DPO, GRPO). Giai đoạn thứ ba căn chỉnh hành vi mô hình theo sở thích con người. Phương pháp lịch sử là RLHF (Học tăng cường từ phản hồi con người): con người so sánh hai câu trả lời của mô hình và chỉ ra câu nào tốt hơn. Mô hình phần thưởng được huấn luyện trên các sở thích này, sau đó dùng để tối ưu LLM qua học tăng cường. Phương pháp mới hơn như DPO (Direct Preference Optimization) và GRPO (Group Relative Policy Optimization) đơn giản hóa quy trình. Căn chỉnh ngăn mô hình tạo nội dung độc hại, theo hướng dẫn nguy hiểm hay trả lời dài dòng không cần thiết.

Token: đơn vị cơ bản

LLM không làm việc với từ mà với token. Token là mảnh văn bản: từ phổ biến thường là một token, từ hiếm có thể chia thành nhiều token, ký tự đặc biệt hay dấu câu thường là token riêng. Trung bình, với tiếng Việt hay tiếng Anh, một token tương ứng khoảng 3/4 từ. Văn bản 1.000 từ khoảng 1.300 token.

Sự phân biệt này quan trọng vì LLM tính phí và giới hạn theo token, không theo từ. "Cửa sổ ngữ cảnh" (lượng văn bản mô hình xử lý một lần) đo bằng token. Năm 2026, mô hình hàng đầu có cửa sổ ngữ cảnh từ 128.000 đến 1 triệu token (Gemini, Claude), Meta Llama 4 Scout đạt 10 triệu token. Nhưng "cửa sổ ngữ cảnh" và "ngữ cảnh hiệu quả" không giống nhau: hầu hết mô hình mất chính xác với thông tin ở giữa ngữ cảnh dài.

LLM có thể làm gì

Danh sách khả năng LLM năm 2026 rất dài và tăng theo mỗi thế hệ mô hình mới.

Tạo văn bản. Viết email, báo cáo, bài viết, kịch bản, bài đăng mạng xã hội. Ứng dụng phổ biến và dễ thấy nhất.

Tóm tắt và phân tích. Tóm tắt tài liệu 200 trang thành vài đoạn, trích xuất điểm chính, xác định lập luận chủ đạo, so sánh hai văn bản.

Dịch thuật. LLM dịch giữa hàng chục ngôn ngữ với chất lượng thường sánh ngang dịch giả con người cho văn bản thường ngày (kém tin cậy hơn với văn bản chuyên ngành sâu hoặc văn học).

Tạo và phân tích code. Viết code bằng hầu hết mọi ngôn ngữ lập trình, gỡ lỗi code hiện có, giải thích chương trình làm gì, chuyển đổi code từ ngôn ngữ này sang ngôn ngữ khác. Năm 2026, khoảng 85% lập trình viên thường xuyên dùng công cụ lập trình hỗ trợ LLM.

Suy luận. Mô hình suy luận (GPT-5 với nỗ lực cấu hình được, Claude với "extended thinking", Gemini 3, DeepSeek R1) giải được bài toán phức tạp, câu đố logic và nhiệm vụ cần lập kế hoạch nhiều bước. Chúng "suy nghĩ" bằng cách tạo chuỗi suy nghĩ nội bộ trước khi đưa ra câu trả lời cuối.

Đa phương thức. LLM hiện đại không còn giới hạn ở văn bản. Có thể phân tích hình ảnh (mô tả ảnh, đọc chữ trong ảnh, giải thích biểu đồ), xử lý file âm thanh (phiên âm, dịch giọng nói), và đôi khi tạo hình ảnh hoặc video.

LLM không thể làm gì

Dù có khả năng ấn tượng, LLM có giới hạn cơ bản cần hiểu để sử dụng đúng.

Ảo giác. LLM đôi khi bịa ra thông tin sai với sự tự tin tuyệt đối. Có thể trích dẫn nghiên cứu không tồn tại, gán trích dẫn cho người chưa bao giờ nói, hay đưa số liệu hoàn toàn bịa. Vấn đề nằm ở bản chất: chúng tạo văn bản có xác suất cao nhất, không phải đúng nhất. Với LLM, khẳng định sai nhưng "nghe hay" có thể có xác suất cao hơn khẳng định đúng nhưng diễn đạt bất thường. Tỷ lệ ảo giác giảm qua mỗi thế hệ nhưng không bằng không và có lẽ sẽ không bao giờ.

Suy luận đáng tin cậy trên chuỗi dài. LLM có thể nối 3-5 bước suy luận đáng tin cậy. Vượt quá đó, lỗi tích lũy theo cấp số nhân. Bài toán cần 15 bước logic sẽ được giải không nhất quán ngay cả bởi mô hình tốt nhất. Mô hình suy luận ("suy nghĩ" lâu hơn) nâng trần nhưng không loại bỏ.

Kiến thức cập nhật. LLM đóng băng trong thời gian. Biết thông tin trong dữ liệu huấn luyện nhưng không biết gì sau ngày cắt huấn luyện. Cần công cụ (tìm kiếm web, truy cập cơ sở dữ liệu) để tiếp cận thông tin mới, tức xây dựng tác tử AI quanh LLM.

Toán và đếm. Nghịch lý, LLM kém toán cơ bản khi phải làm "trong đầu" (đếm chữ cái trong từ, nhân số lớn). Giỏi suy luận toán (hiểu bài toán và xây dựng cách tiếp cận) nhưng không giỏi tính toán thô. Hệ thống tốt nhất cho truy cập bộ thông dịch code để chạy phép tính thay vì tự làm.

Bộ nhớ giữa các cuộc hội thoại. Mặc định LLM không có bộ nhớ giữa hai cuộc hội thoại. Mỗi trao đổi bắt đầu từ đầu. Hệ thống bộ nhớ (tóm tắt hội thoại trước, cơ sở dữ liệu ngữ cảnh) là lớp do ứng dụng thêm, không phải khả năng gốc của mô hình.

Các LLM chính năm 2026

Hệ sinh thái LLM cấu trúc quanh hai loại: mô hình độc quyền (chỉ truy cập qua API hoặc giao diện web) và mô hình mã nguồn mở (tải về và chạy cục bộ).

GPT-5 (OpenAI) là mô hình chủ lực của OpenAI, kế nhiệm GPT-4. Nó tích hợp chế độ suy luận cấu hình được cho phép "suy nghĩ" lâu hơn hoặc ngắn hơn tùy độ phức tạp của nhiệm vụ. ChatGPT, được xây dựng trên GPT-5, đạt 900 triệu người dùng hoạt động hàng tuần năm 2026.

Claude (Anthropic) là họ mô hình của Anthropic, với kiến trúc tập trung vào an toàn và căn chỉnh. Claude có nhiều kích thước (Haiku, Sonnet, Opus) phù hợp với các đánh đổi chất lượng/chi phí/tốc độ khác nhau. Anthropic phục vụ hơn 300.000 khách hàng doanh nghiệp.

Gemini (Google) là họ mô hình của Google, tích hợp trong Google Search, Gmail, Google Docs và Android. Ứng dụng Gemini vượt 900 triệu người dùng hoạt động hàng tháng năm 2026. Gemini nổi bật với cửa sổ ngữ cảnh rất lớn (đến 1 triệu token).

Llama (Meta) là họ mô hình mã nguồn mở hàng đầu, tải về và sửa đổi tự do. Llama 4 Scout đạt 10 triệu token ngữ cảnh. Các mô hình Llama được sử dụng rộng rãi bởi doanh nghiệp muốn tự host LLM mà không phụ thuộc nhà cung cấp đám mây.

DeepSeek (DeepSeek) là mô hình mã nguồn mở Trung Quốc gây chấn động ngành đầu năm 2025 khi chứng minh hiệu suất ngang GPT-4 với chi phí huấn luyện thấp hơn nhiều. DeepSeek chứng minh rằng hiệu suất hàng đầu không nhất thiết đòi hỏi ngân sách hàng đầu.

Mistral (Mistral AI) là mô hình châu Âu hàng đầu, do startup Pháp phát triển. Mistral tập trung vào hiệu quả: mô hình nhỏ hơn nhưng rất cạnh tranh cho kích thước của mình, đặc biệt phù hợp cho các trường hợp sử dụng mà độ trễ hoặc chi phí là yếu tố quyết định.

Tham số: nghĩa là gì

Khi nói mô hình "70 tỷ tham số" hay "1 nghìn tỷ tham số", tham số là giá trị số được điều chỉnh trong quá trình huấn luyện, định nghĩa hành vi mô hình. Mỗi tham số là số dấu phẩy động lưu trong mạng nơ-ron. Đại khái, nhiều tham số hơn nghĩa là mô hình có thể mã hóa nhiều kiến thức và mối quan hệ phức tạp hơn giữa các từ.

Nhưng kích thước không phải tất cả. Mô hình 8 tỷ tham số huấn luyện tốt trên dữ liệu chất lượng có thể vượt mô hình 70 tỷ huấn luyện kém trên dữ liệu tầm thường. Chất lượng dữ liệu huấn luyện, kiến trúc mô hình và kỹ thuật hậu huấn luyện quan trọng ít nhất bằng, nếu không hơn, số tham số thô. Đây là bài học DeepSeek dạy cho ngành: hiệu suất không chỉ phụ thuộc ngân sách.

Mô hình độc quyền vs mã nguồn mở

Cuộc tranh luận giữa mô hình độc quyền và mã nguồn mở là một trong những cuộc thảo luận sôi nổi nhất ngành năm 2026.

Mô hình độc quyền (GPT-5, Claude, Gemini) chỉ truy cập qua API hoặc giao diện web. Bạn không thể xem mã nguồn, tải về hay sửa đổi. Ưu điểm: thường hiệu suất cao nhất, cập nhật liên tục, và bạn không cần quản lý hạ tầng. Nhược điểm: bạn phụ thuộc vào nhà cung cấp (giá cả, điều khoản sử dụng, tính khả dụng, chính sách bảo mật dữ liệu).

Mô hình mã nguồn mở (Llama, DeepSeek, Mistral, Qwen) có thể tải về, sửa đổi và chạy trên hạ tầng riêng. Ưu điểm: kiểm soát hoàn toàn dữ liệu (không gì rời khỏi máy chủ của bạn), khả năng tinh chỉnh mô hình cho trường hợp sử dụng cụ thể, không phụ thuộc nhà cung cấp. Nhược điểm: phải quản lý hạ tầng (GPU đắt tiền), hiệu suất thường hơi thấp hơn mô hình độc quyền tốt nhất, và cập nhật ít thường xuyên hơn.

Năm 2026, khoảng cách hiệu suất giữa hai loại đang thu hẹp. DeepSeek V3.2, Qwen3 và Llama 4 cạnh tranh với mô hình độc quyền trên nhiều benchmark. Với nhiều doanh nghiệp, lựa chọn dựa ít vào hiệu suất thô mà nhiều hơn vào yêu cầu bảo mật, chi phí và quyền kiểm soát.

Chi phí sử dụng

LLM độc quyền tính phí theo token (đầu vào và đầu ra). Giá thay đổi đáng kể tùy mô hình và nhà cung cấp. Mô hình hàng đầu thường có giá từ 2 đến 15 đô la cho mỗi triệu token đầu vào, và từ 8 đến 60 đô la cho mỗi triệu token đầu ra. Mô hình nhỏ hơn hoặc cũ hơn có giá chỉ bằng một phần nhỏ.

Với mô hình mã nguồn mở tự host, chi phí chính là phần cứng: GPU chuyên nghiệp (NVIDIA A100 hoặc H100) giá từ 10.000 đến 30.000 đô la, và mô hình lớn cần nhiều GPU. Chi phí mỗi token thấp hơn khi hạ tầng đã sẵn sàng, nhưng đầu tư ban đầu và bảo trì là đáng kể.

Thị trường LLM toàn cầu ước tính 7,81 tỷ đô la năm 2025 và dự kiến đạt 130 tỷ đến năm 2034. OpenAI vượt 20 tỷ đô la doanh thu hàng năm, Anthropic đạt 14 tỷ.

Rủi ro và giới hạn cần nhớ

Quyền riêng tư dữ liệu. Khi bạn gửi văn bản đến LLM qua API đám mây, văn bản đó được truyền đến máy chủ nhà cung cấp. Luôn kiểm tra chính sách quyền riêng tư: một số nhà cung cấp có thể sử dụng dữ liệu của bạn để huấn luyện mô hình tương lai. Nếu quyền riêng tư quan trọng, hãy cân nhắc mô hình mã nguồn mở tự host hoặc hợp đồng doanh nghiệp có bảo đảm rõ ràng.

Thiên kiến (bias). LLM phản ánh thiên kiến có trong dữ liệu huấn luyện. Nếu dữ liệu thiên về một số góc nhìn văn hóa, địa lý hay nhân khẩu học nhất định, mô hình sẽ tái tạo các thiên kiến đó. Nhà cung cấp đang nỗ lực giảm thiểu qua căn chỉnh và lọc, nhưng vấn đề chưa được giải quyết hoàn toàn.

Tiêu thụ năng lượng. Huấn luyện và sử dụng LLM tiêu tốn năng lượng đáng kể. Ngành AI có thể tiêu thụ từ 85 đến 134 TWh mỗi năm đến năm 2027, gần bằng Hà Lan. Đây là mối lo ngại môi trường ngày càng tăng.

Phụ thuộc. Sự tập trung thị trường vào một vài nhà cung cấp (OpenAI, Google, Anthropic, Meta) tạo ra rủi ro phụ thuộc. Thay đổi giá, chính sách sử dụng hoặc sự cố có thể ảnh hưởng đến hàng triệu người dùng và ứng dụng.

LLM là mạng nơ-ron được huấn luyện để dự đoán từ tiếp theo. Nhiệm vụ đơn giản này, áp dụng ở quy mô khổng lồ, làm nảy sinh khả năng suy luận, viết, dịch thuật và lập trình đã biến đổi ngành máy tính trong ba năm. Năm 2026, LLM được hàng trăm triệu người sử dụng, nhưng giới hạn (ảo giác, suy luận mong manh trên chuỗi dài, thiếu bộ nhớ gốc) vẫn thực tế. Hiểu LLM là gì và không phải gì là điều kiện để sử dụng hiệu quả.