Ngày 20/8, một mô hình tên Ox Alpha xuất hiện cùng lúc trên OpenRouter, OpenCode, Cline và Nous Research, không kèm tên nhà phát triển. Trong bốn ngày sau đó, nó được khen là vượt các mô hình hàng đầu, rồi bị chỉnh lại là chỉ ngang bằng. Chính khoảng cách giữa hai kết luận đó mới là phần đáng đọc.
Bốn ngày, hai kết luận trái ngược
Mốc thời gian rất gọn. Mô hình lên các nền tảng ngày 20/8 với mô tả là mô hình chuyên về lý luận, hướng tới viết mã, các tác vụ dài hạn và ứng dụng chạy thật. Truy cập miễn phí trên OpenRouter, ít nhất tới ngày 24/8, còn OpenCode quảng cáo băng thông lên tới 100 nghìn tỷ token mỗi ngày.
Những thử nghiệm đầu tiên trên DeepSWE — một bộ đánh giá đo khả năng sửa lỗi mã trên GitHub — cho thấy Ox Alpha nhỉnh hơn cả Claude Fable 5 lẫn GPT-5.6 Sol. Tin lan đi với đúng cái tít đó.
Rồi có người chạy đủ bộ. DeepSWE có 113 nhiệm vụ; kết quả gây sốt ban đầu chỉ dựa trên 10 nhiệm vụ. Khi chạy cả 113, Ox Alpha cho hiệu suất tương đương GPT-5.6 Sol, không còn chuyện vượt trội.
Không ai gian lận ở đây. Mọi con số đều thật. Vấn đề nằm ở chỗ khác.
Vì sao 10 bài test không nói lên gì
Mỗi nhiệm vụ trong một bộ đánh giá kiểu này là một câu hỏi đúng-sai: mô hình sửa được lỗi hay không. Với 10 nhiệm vụ, mỗi nhiệm vụ chiếm 10 điểm phần trăm. Chỉ cần may mắn đúng thêm một bài là điểm nhảy 10%, đủ để đổi thứ hạng trên bảng. Với 113 nhiệm vụ, một bài chỉ còn chưa tới 1%, và may rủi bị san phẳng.
Nói cách khác, chênh lệch quan sát được ở mẫu 10 bài gần như chắc chắn nhỏ hơn sai số của chính phép đo. Kết quả "vượt trội" và kết quả "ngang bằng" không mâu thuẫn nhau — cái đầu chỉ đơn giản là chưa đủ dữ liệu để kết luận bất cứ điều gì.
Đây không phải chuyện riêng của Ox Alpha. Nó lặp lại gần như mọi lần có mô hình mới, vì động lực của các bên đều đẩy về cùng một hướng: người thử muốn là người đầu tiên có kết quả, nền tảng muốn có tin, và một con số gây sốc thì lan nhanh hơn một con số buồn tẻ. Bản đính chính luôn đến sau, và luôn được đọc ít hơn.
Ba câu hỏi nên đặt ra trước khi tin bất kỳ bảng điểm mô hình nào: chạy trên bao nhiêu mẫu, ai chạy, và đã có ai chạy lại độc lập chưa. Nếu không có câu trả lời cho cả ba, con số đó chỉ đáng coi là tin đồn có định dạng đẹp.
Thông số kỹ thuật và ý nghĩa thực tế
Ngoài điểm số, Ox Alpha được ghi nhận vài thông số đáng chú ý. Mô hình xử lý được văn bản, hình ảnh và video, với cửa sổ ngữ cảnh 1.048.576 token và giới hạn đầu ra 131.072 token.
Con số 1.048.576 token nghe ấn tượng nhưng cần hiểu đúng. Cửa sổ ngữ cảnh là lượng thông tin mô hình có thể "nhìn thấy" cùng lúc trong một lần làm việc — gồm cả yêu cầu bạn gửi lẫn phần nó đã sinh ra. Một triệu token tương đương một kho mã nguồn cỡ vừa, hoặc vài cuốn sách. Với việc sửa lỗi phần mềm, điều này có nghĩa mô hình có thể đọc cả dự án thay vì chỉ vài file quanh chỗ lỗi — một khác biệt thật, vì rất nhiều lỗi chỉ hiểu được khi nhìn thấy phần gọi tới nó ở nơi khác.
Nhưng cửa sổ lớn không đồng nghĩa với dùng tốt toàn bộ cửa sổ. Chất lượng chú ý của mô hình thường giảm ở phần giữa của ngữ cảnh dài, và chi phí mỗi lần gọi tăng theo lượng token bạn nhồi vào. Nhồi cả kho mã vào mỗi lần hỏi là cách nhanh nhất để vừa tốn tiền vừa nhận câu trả lời tệ hơn.
Mô hình ẩn danh: cái giá không nằm ở tiền
Trong suốt giai đoạn này, không ai biết ai xây Ox Alpha, và cũng không ai biết mã nguồn gửi lên sẽ đi đâu. Các phân tích bằng công cụ modelprint chỉ ra ứng viên hàng đầu là dòng GLM của Zhipu AI, nhưng đó là suy đoán dựa trên dấu vết hành vi của mô hình, không phải xác nhận.
Đây là điểm mà sự phấn khích thường lấn át phần cảnh giác. Một mô hình miễn phí, mạnh, gắn sẵn vào những công cụ lập trình phổ biến là lời mời rất khó từ chối. Nhưng khi bạn để một agent lập trình chạy trên kho mã của công ty, thứ rời khỏi máy bạn không chỉ là câu hỏi: nó gồm cấu trúc dự án, tên biến, logic nghiệp vụ, đôi khi cả khoá bí mật lỡ nằm trong file cấu hình. Gửi khối đó tới một nhà cung cấp có danh tính, có hợp đồng, có điều khoản về lưu trữ dữ liệu là một quyết định. Gửi nó tới một endpoint không rõ chủ là một quyết định khác hẳn.
Quy tắc thực dụng: mô hình chưa rõ nguồn gốc chỉ nên dùng trên bài toán đồ chơi, kho mã công khai, hoặc dữ liệu bạn sẵn lòng đăng công khai. Miễn phí ở đây thường có nghĩa là dữ liệu dùng thử chính là khoản thanh toán.
Nếu bạn định đưa vào công việc thật
Với lập trình viên và đội kỹ thuật ở Việt Nam, các nền tảng nói trên đều truy cập được, và việc thử không tốn gì ngoài thời gian. Cách thử có ích nhất không phải là hỏi nó vài câu rồi kết luận.
Hãy lấy 5–10 lỗi có thật đã được sửa trong dự án của bạn tháng trước, những lỗi bạn đã biết đáp án. Đưa cho mô hình đúng bối cảnh mà một đồng nghiệp mới sẽ có, rồi so cách nó sửa với cách đã sửa thật. Bạn sẽ thấy ngay điều mà không bảng xếp hạng nào nói được: nó hiểu sai ở kiểu lỗi nào, nó bịa ra hàm không tồn tại ở tần suất bao nhiêu, và mất bao lâu để bạn kiểm chứng đề xuất của nó — vì thời gian kiểm chứng mới là chi phí thật khi dùng AI viết mã.
Với chủ doanh nghiệp nhỏ đang cân nhắc dùng agent để tự động hoá việc, lời khuyên gọn hơn: đừng xây quy trình lên một mô hình đang miễn phí có thời hạn và chưa rõ ai vận hành. Giá miễn phí ngày 24/8 không nói gì về giá ngày 24/9, và chi phí chuyển đổi khi mô hình biến mất thường lớn hơn khoản tiết kiệm ban đầu.
Điều đáng giữ lại từ câu chuyện này
Ox Alpha rồi sẽ có danh tính, có giá, và có vị trí ổn định trong bức tranh chung — mọi mô hình đều đi qua vòng đó. Thứ đáng giữ lại là phản xạ: thấy một mô hình mới được khen vượt mặt mô hình hàng đầu, câu hỏi đầu tiên không phải "mạnh cỡ nào" mà là "đo trên bao nhiêu mẫu, và đã ai chạy lại chưa".
Phản xạ đó giúp bạn tiết kiệm rất nhiều thời gian trong một lĩnh vực mà mỗi tuần đều có một mô hình mới được tuyên bố là tốt nhất.
Nguồn tham khảo
- Decrypt — AI Model Ox Alpha Is Free, Beats Claude Fable, and Nobody Knows Who Built It
- siliconangle.com — Nobody knows who built AI coding model Ox Alpha or where the code goes - SiliconANGLE
- techcrunch.com — Who's behind the new 'stealth model' Ox Alpha? - TechCrunch
