AI lập trình siêu thưa của Alibaba thách thức vị thế thống trị của Thung lũng Silicon

AI lập trình siêu thưa của Alibaba thách thức vị thế thống trị của Thung lũng Silicon

Alibaba, tập đoàn công nghệ khổng lồ của Trung Quốc, đã phát hành Qwen3-Coder-Next, một mô hình lập trình mã nguồn mở có hiệu năng cạnh tranh với các hệ thống độc quyền của OpenAI và Anthropic, trong khi chỉ cần một phần nhỏ tài nguyên tính toán. Mô hình 80 tỷ tham số này chỉ kích hoạt 3 tỷ tham số trong mỗi lượt truyền xuôi nhờ kiến trúc Mixture-of-Experts siêu thưa, cho phép nhà phát triển chạy các tác nhân lập trình tinh vi trên phần cứng cục bộ mà không phải chịu độ trễ và chi phí thường gắn với các mô hình ngôn ngữ lớn. Cách tiếp cận này đánh dấu sự thay đổi căn bản về kinh tế học trong lĩnh vực kỹ thuật AI, cho thấy năng lực suy luận tinh vi không nhất thiết đòi hỏi dấu chân tính toán khổng lồ.

Sản phẩm ra mắt trong giai đoạn thị trường trợ lý lập trình AI biến động mạnh. Anthropic vừa công bố các cải tiến hiệu suất cho Claude Code, OpenAI ra mắt ứng dụng Codex, còn những khung mã nguồn mở như OpenClaw được cộng đồng đón nhận nhanh chóng. Alibaba tạo khác biệt nhờ kết hợp giấy phép mã nguồn mở rộng rãi theo Apache 2.0 với các cải tiến kiến trúc thách thức quan niệm rằng mô hình lớn hơn luôn hoạt động tốt hơn. Trọng số mô hình có trên Hugging Face ở nhiều biến thể, gồm các định dạng FP8 và GGUF cho những kịch bản triển khai khác nhau, cùng báo cáo kỹ thuật trình bày phương pháp huấn luyện và các lựa chọn kiến trúc.

Kết quả đánh giá độc lập đã xác nhận các tuyên bố về hiệu quả của Alibaba. Các thử nghiệm trên nhiều cấu hình phần cứng cho thấy Qwen3-Coder-Next đạt tốc độ 172 token mỗi giây, đồng thời đạt điểm chất lượng 9,9/10 trong các tác vụ lập trình. Hiệu năng này cho thấy nhà phát triển không còn phải đánh đổi giữa tốc độ và độ chính xác khi chọn công cụ phát triển cục bộ. Mô hình hỗ trợ 370 ngôn ngữ lập trình, tăng đáng kể so với 92 ngôn ngữ ở các phiên bản trước, đồng thời có cửa sổ ngữ cảnh gốc 256.000 token, có thể mở rộng lên một triệu token bằng các kỹ thuật ngoại suy.

Kiến trúc lai phá vỡ giới hạn bộ nhớ

Các mô hình Transformer truyền thống gặp một hạn chế nghiêm trọng gọi là vấn đề mở rộng bậc hai. Khi cửa sổ ngữ cảnh tăng lên, các cơ chế attention tiêu chuẩn trở nên quá tốn kém về tính toán vì chi phí xử lý tăng theo bình phương độ dài chuỗi. Điều này tạo ra một “bức tường bộ nhớ”, cản trở mô hình xử lý hiệu quả các kho mã lớn hoặc những cuộc hội thoại dài. Qwen3-Coder-Next khắc phục vấn đề này bằng kiến trúc lai kết hợp Gated DeltaNet với Gated Attention, về cơ bản định hình lại cách mô hình ngôn ngữ xử lý thông tin trong ngữ cảnh kéo dài.

Gated DeltaNet là giải pháp thay thế có độ phức tạp tuyến tính cho cơ chế softmax attention thông thường. Cơ chế này cho phép mô hình duy trì trạng thái trong cửa sổ dài một phần tư triệu token mà không phải chịu mức tăng độ trễ theo cấp số nhân thường thấy khi suy luận trên phạm vi dài. Khi kết hợp với thiết kế MoE siêu thưa, kiến trúc này đạt thông lượng lý thuyết cao gấp 10 lần so với các mô hình dày đặc có tổng dung lượng tương đương khi xử lý tác vụ ở cấp độ kho mã. Một tác nhân có thể đọc toàn bộ thư viện Python hoặc một khung JavaScript phức tạp rồi phản hồi với tốc độ của mô hình 3 tỷ tham số, đồng thời giữ được khả năng nắm bắt cấu trúc tương đương hệ thống 80 tỷ tham số.

Để ngăn hiện tượng ảo giác ngữ cảnh trong quá trình huấn luyện, nhóm phát triển sử dụng phương pháp Best-Fit Packing, duy trì hiệu quả mà không gây lỗi cắt cụt như các phương pháp nối tài liệu truyền thống. Kiến trúc cũng tích hợp các tối ưu hóa độ ổn định, gồm kỹ thuật chuẩn hóa lớp zero-centered và giảm trọng số, nhằm bảo đảm hiệu năng vững chắc trong cả giai đoạn tiền huấn luyện lẫn hậu huấn luyện. Thiết kế còn hỗ trợ Multi-Token Prediction, giúp cải thiện hiệu năng tiền huấn luyện và tăng tốc suy luận bằng cách dự đoán đồng thời nhiều token tiếp theo thay vì lần lượt từng token.

Huấn luyện ưu tiên tác nhân: vượt khỏi các cặp mã tĩnh

Trong lịch sử, các mô hình lập trình được huấn luyện bằng những cặp văn bản mã tĩnh, về cơ bản là một chế độ học chỉ đọc, hạn chế khả năng tương tác với môi trường phát triển linh động. Qwen3-Coder-Next phá vỡ truyền thống này bằng một quy trình huấn luyện tác nhân quy mô lớn, tạo ra 800.000 tác vụ lập trình có thể kiểm chứng, bắt nguồn từ các tình huống thực tế. Đây không phải những đoạn mã đơn giản, mà là các tình huống sửa lỗi thực tế được khai thác từ các yêu cầu kéo trên GitHub và ghép với môi trường container có thể thực thi đầy đủ.

Hạ tầng huấn luyện mang tên MegaFlow hoạt động như một hệ thống điều phối cloud-native xây dựng trên Kubernetes của Alibaba Cloud. Mỗi tác vụ dạng tác nhân tuân theo quy trình ba giai đoạn gồm triển khai tác nhân, đánh giá và xử lý hậu kỳ. Trong giai đoạn triển khai, mô hình tương tác với các môi trường container trực tiếp và nhận phản hồi tức thì khi mã được tạo không vượt qua kiểm thử đơn vị hoặc khiến container gặp sự cố. Cơ chế huấn luyện vòng kín này giúp hệ thống học từ phản hồi của môi trường thông qua học tăng cường giữa kỳ huấn luyện, dạy mô hình khắc phục lỗi và tinh chỉnh giải pháp theo thời gian thực thay vì chỉ ghi nhớ đáp án đúng.

Quá trình huấn luyện chú trọng khả năng hiểu kho mã ở cấp độ toàn bộ dự án thay vì phân tích từng tệp riêng lẻ. Giai đoạn huấn luyện giữa kỳ được mở rộng lên khoảng 600 tỷ token dữ liệu ở cấp độ kho mã, chứng tỏ tác động đến logic phụ thuộc giữa các tệp lớn hơn so với chỉ sử dụng bộ dữ liệu cấp độ tệp. Cách tiếp cận này giúp mô hình hiểu các mối quan hệ phức tạp giữa những thành phần khác nhau trong một kho mã, một năng lực then chốt để xử lý các dự án kỹ thuật phần mềm quy mô lớn. Hệ thống cũng tích hợp các Mô hình Chuyên gia dành cho từng lĩnh vực cụ thể, gồm Phát triển Web và tối ưu hóa Trải nghiệm Người dùng; sau đó, kiến thức từ các mô hình này được chắt lọc trở lại mô hình chính để giữ lại hiểu biết tinh tế trong phiên bản triển khai gọn nhẹ.

Kết quả đánh giá cạnh tranh với các ông lớn độc quyền

Trong SWE-Bench Verified, bộ đánh giá uy tín về khả năng giải quyết vấn đề phần mềm thực tế của mô hình AI, Qwen3-Coder-Next đạt 70,6%. Kết quả này đưa mô hình vượt DeepSeek-V3.2, đạt 70,2%, và tiến sát GLM-4.7 với 74,2%. Những kết quả này đặc biệt đáng chú ý khi mô hình của Alibaba chỉ hoạt động với 3 tỷ tham số được kích hoạt, so với số lượng tham số hoạt động lớn hơn nhiều ở các hệ thống cạnh tranh. Trong bộ đánh giá khắt khe hơn là SWE-Bench Pro, mô hình thể hiện thế mạnh nổi bật về suy luận dài hạn qua các tác vụ tác nhân nhiều lượt.

Năng lực của mô hình không chỉ giới hạn ở việc tạo mã hoạt động được mà còn bao gồm phát triển có ý thức về bảo mật. Trong SecCodeBench, bộ đánh giá khả năng sửa lỗ hổng của mô hình, Qwen3-Coder-Next vượt Claude-Opus-4.5 trong các tình huống tạo mã với điểm 61,2%, so với 52,5%. Đáng chú ý, mô hình vẫn đạt điểm cao ngay cả khi không được cung cấp gợi ý bảo mật, cho thấy giai đoạn huấn luyện tác nhân với 800.000 tác vụ đã hình thành nhận thức sẵn có về các cạm bẫy bảo mật phổ biến. Trong các đánh giá bảo mật đa ngôn ngữ, mô hình thể hiện sự cân bằng cạnh tranh giữa khả năng tạo mã đúng chức năng và an toàn, vượt cả DeepSeek-V3.2 lẫn GLM-4.7 trong bộ đánh giá CWEval với điểm func-sec@1 là 56,32%.

Ngoài các bộ đánh giá chuyên về lập trình, kiến trúc nền tảng Qwen3-Next còn cho thấy năng lực suy luận tổng quát mạnh mẽ. Phiên bản tư duy của mô hình nền vượt các đối thủ trong những tác vụ suy luận phức tạp, bao gồm toán học và suy luận logic thông thường. Trong các đánh giá năng lực tác nhân như BFCL-v3 và các bộ đánh giá TAU, mô hình thể hiện khả năng sử dụng công cụ và thực hiện tác vụ tự chủ ngang bằng hoặc vượt các lựa chọn độc quyền lớn hơn.

Năng lực bảo mật và tranh cãi

Trong khi điểm số đánh giá cho thấy khả năng tạo mã an toàn của mô hình, một số chuyên gia an ninh mạng đã nêu lo ngại về rủi ro khi sử dụng công cụ lập trình AI được phát triển trong khuôn khổ an ninh quốc gia của Trung Quốc. Jurgita Lapienyė, Tổng biên tập Cybernews, cảnh báo việc các nhà phát triển phương Tây sử dụng rộng rãi công cụ này có thể đưa những lỗ hổng khó nhận biết vào các kho mã phức tạp.

Các nhà phát triển có thể đang vô tình bước vào một tương lai nơi những hệ thống cốt lõi được xây dựng bằng mã có lỗ hổng mà họ không hề hay biết.

Theo Luật Tình báo Quốc gia Trung Quốc, các công ty như Alibaba phải hợp tác với những yêu cầu của chính phủ liên quan đến dữ liệu và mô hình AI, tạo ra những kịch bản tiềm tàng trong đó mã được tạo có thể chứa điểm yếu được cố ý che giấu. Những lo ngại này tập trung vào các hướng tấn công chuỗi cung ứng tương tự vụ SolarWinds, khi quá trình xâm nhập kéo dài diễn ra thông qua các bản cập nhật phần mềm đáng tin cậy. Các nhà phê bình cho rằng những tác nhân lập trình tự chủ có khả năng quét toàn bộ kho mã và tự thực hiện thay đổi về mặt lý thuyết có thể bị tái sử dụng để tìm hiểu các lớp phòng thủ của hệ thống và tạo ra khai thác được thiết kế riêng. Rủi ro không nằm ở những lỗi hiển nhiên, mà ở các vấn đề nhỏ, khó phát hiện, giống như quyết định thiết kế vô hại và có thể lọt qua quy trình đánh giá mã tiêu chuẩn.

Những người ủng hộ cách tiếp cận mã nguồn mở lưu ý rằng trọng số mô hình hoàn toàn có thể kiểm tra theo giấy phép Apache 2.0, cho phép các tổ chức đánh giá hệ thống trước khi triển khai. Tuy nhiên, các nhà nghiên cứu bảo mật phản biện rằng hạ tầng phụ trợ, hệ thống đo lường từ xa và phương thức theo dõi việc sử dụng vẫn không minh bạch ngay cả khi trọng số mô hình được công khai.

Hệ sinh thái Qwen Code và tích hợp cho nhà phát triển

Cùng với việc phát hành mô hình, Alibaba đã mở mã nguồn Qwen Code, một công cụ giao diện dòng lệnh được phân nhánh từ Gemini Code và tối ưu cho quy trình lập trình bằng tác nhân. Công cụ này cho phép nhà phát triển giao nhiệm vụ kỹ thuật cho AI bằng chỉ dẫn ngôn ngữ tự nhiên, với các câu lệnh tùy chỉnh và giao thức tương tác được thiết kế để khai thác tối đa Qwen3-Coder-Next. CLI tích hợp với các môi trường phát triển phổ biến, bao gồm tiện ích mở rộng VS Code, đồng thời hoạt động liền mạch với những công cụ cộng đồng hiện có như Cline và giao diện Claude Code.

Mô hình hỗ trợ một định dạng gọi công cụ kiểu XML mới, được thiết kế riêng cho các đối số chứa nhiều chuỗi ký tự, cho phép tạo ra các đoạn mã dài mà không cần xử lý phần trích dẫn lồng nhau và ký tự thoát như thường thấy ở kiểu gọi hàm dựa trên JSON. Chi tiết kỹ thuật này quan trọng trong triển khai thực tế vì giúp giảm lượng token tiêu thụ và độ phức tạp khi phân tích cú pháp trong lúc mô hình tạo các khối mã lớn hoặc tương tác với công cụ phát triển bên ngoài. Hệ thống cũng sử dụng một bộ phân tách token mới, bảo đảm tính nhất quán với dòng Qwen3 rộng hơn; vì vậy, nhà phát triển cần cập nhật quy trình phân tách token khi chuyển từ các phiên bản trước.

Các lựa chọn triển khai đám mây đã mở rộng nhanh chóng. GroqCloud hiện hỗ trợ các mô hình Qwen với quyền truy cập đầy đủ vào cửa sổ ngữ cảnh, giá 0,29 USD cho mỗi triệu token đầu vào và 0,59 USD cho mỗi triệu token đầu ra, đồng thời đạt tốc độ suy luận hơn 535 token mỗi giây. Nền tảng Model Studio của Alibaba cung cấp quyền truy cập API với chi phí hợp lý, còn công ty cho biết các mô hình lập trình dựa trên Qwen đã vượt mốc 20 triệu lượt tải xuống cộng dồn trên toàn cầu. Tongyi Lingma, tiện ích môi trường phát triển tích hợp của Alibaba, sẽ sớm được nâng cấp để bổ sung năng lực tác nhân cải tiến của Qwen3-Coder, có thể đưa chức năng mới đến hàng triệu người dùng hiện tại.

Cạnh tranh toàn cầu và bài toán AI chủ quyền

Sản phẩm mới làm gia tăng cạnh tranh trên thị trường trợ lý lập trình AI toàn cầu, nơi các công ty Trung Quốc ngày càng thách thức vị thế thống trị của Mỹ bằng chiến lược mã nguồn mở. Alibaba cho biết kiến trúc Qwen3-Next đạt hiệu năng ngang mẫu chủ lực Qwen3-235B-A22B, trong khi chi phí huấn luyện giảm xuống còn một phần mười thế hệ trước. Mức tăng hiệu quả này giúp nhiều người tiếp cận công cụ AI hiệu năng cao hơn mà không cần đầu tư hạ tầng khổng lồ, có thể thúc đẩy việc sử dụng tại các thị trường đang phát triển và trong giới phát triển độc lập.

Tuy nhiên, căng thẳng địa chính trị khiến xu hướng tiếp nhận công nghệ trở nên phức tạp. Các nhà phân tích nhận thấy việc sử dụng mô hình AI nước ngoài ngày càng hiếm ở cả Mỹ lẫn Trung Quốc do những lo ngại về quy định, niềm tin và an ninh quốc gia. Sự trỗi dậy của AI chủ quyền, trong đó các quốc gia ưu tiên mô hình được hỗ trợ bởi hạ tầng và dịch vụ đám mây trong nước, cho thấy mô hình mã nguồn mở chủ yếu sẽ được đón nhận khi phù hợp với chính sách quốc gia và ngưỡng rủi ro của doanh nghiệp. Qwen3-Coder-Next có thể thúc đẩy Alibaba Cloud mở rộng tại khu vực châu Á - Thái Bình Dương, nhưng các quy định nghiêm ngặt và lo ngại về bảo mật nhiều khả năng sẽ hạn chế việc sử dụng ở phương Tây bất chấp ưu thế kỹ thuật.

Lian Jye Su, nhà phân tích trưởng tại Omdia, nhấn mạnh cần đánh giá bảo mật kỹ lưỡng bất kể hiệu năng kỹ thuật ra sao.

Tôi sẽ không ngạc nhiên nếu các lãnh đạo công nghệ phương Tây nhận thấy những mô hình lập trình mã nguồn mở như Qwen3-Coder hấp dẫn nhờ hiệu năng trên nhiều bộ đánh giá. Tất nhiên, lo ngại về bảo vệ sở hữu trí tuệ và an ninh dữ liệu là chính đáng, vì vậy tôi khuyến nghị các lãnh đạo công nghệ ở Mỹ đánh giá kỹ lưỡng mọi mô hình mã nguồn mở, bất kể xuất xứ.

Cục diện cạnh tranh cho thấy trợ lý lập trình tối ưu sau cùng có thể không xuất phát từ quá trình phát triển độc quyền, khép kín mà từ việc cùng nhau cải tiến các kiến trúc mở, với điều kiện xây dựng được lòng tin và cơ chế xác minh bảo mật.

Kết luận

• Qwen3-Coder-Next của Alibaba đạt độ chính xác 70,6% trên SWE-Bench Verified khi chỉ kích hoạt 3 tỷ trong tổng số 80 tỷ tham số, cạnh tranh với các mô hình độc quyền lớn hơn nhiều.
• Kiến trúc lai kết hợp Gated DeltaNet với Gated Attention cho phép xử lý cửa sổ ngữ cảnh 256.000 token, có thể mở rộng lên một triệu token, đồng thời duy trì độ phức tạp tính toán tuyến tính.
• Quá trình huấn luyện tác nhân trên 800.000 tác vụ thực tế có thể kiểm chứng thông qua hạ tầng MegaFlow tạo ra năng lực học vòng kín, vượt khỏi việc ghi nhớ mã tĩnh.
• Các đánh giá độc lập xác nhận tốc độ xử lý 172 token mỗi giây trên phần cứng phổ thông, cho thấy mô hình có thể sử dụng thực tế trong quy trình phát triển cục bộ.
• Các đánh giá bảo mật cho thấy năng lực sửa lỗ hổng vượt Claude-Opus-4.5, nhưng những lo ngại địa chính trị về chủ quyền dữ liệu và rủi ro chuỗi cung ứng tiềm tàng vẫn là rào cản đáng kể đối với việc doanh nghiệp phương Tây tiếp nhận mô hình.
• Giấy phép Apache 2.0 cho phép sử dụng thương mại và kiểm tra mô hình; trọng số có trên Hugging Face cùng công cụ CLI Qwen Code để nhà phát triển tích hợp ngay.