OpenSearch-VL là câu trả lời của Tencent cho một khoảng trống khá thực tế trong AI đa phương thức: nhiều mô hình có thể mô tả ảnh, nhưng một tác tử tìm kiếm cần làm nhiều hơn thế. Nó phải biết còn thiếu bằng chứng gì, gọi công cụ nào để lấy thêm dữ liệu, xử lý hình ảnh ra sao và kết nối kết quả qua nhiều bước suy luận.

Theo arXiv, bài báo về OpenSearch-VL được nộp ngày 6/5/2026 ^[18]. Tin ra mắt cho biết Tencent Hunyuan hợp tác với UCLA và Đại học Trung văn Hồng Kông trong dự án này ^[21]. Điểm đáng chú ý là Tencent không chỉ giới thiệu một mô hình “nhìn ảnh rồi trả lời”, mà trình bày OpenSearch-VL như một công thức mở để xây dựng các tác tử tìm kiếm đa phương thức ở cấp tiên tiến ^[17].

Tencent đã công bố gì?

OpenSearch-VL là một framework huấn luyện cho tác tử tìm kiếm AI đa phương thức, không phải một chatbot tiêu dùng đơn lẻ. Tựa đề bài báo — OpenSearch-VL: An Open Recipe for Frontier Multimodal Search Agents — nói khá rõ tham vọng: đưa ra một quy trình có thể xem xét, tái lập và điều chỉnh để huấn luyện các tác tử tìm kiếm bằng hình ảnh và ngôn ngữ ^[17].

Trong các tin tức Trung Quốc về đợt ra mắt, OpenSearch-VL được mô tả là một phương án huấn luyện đa phương thức mã nguồn mở, sử dụng học tăng cường, nhằm tạo ra tác tử tìm kiếm sâu có năng lực ở tuyến đầu ^[21]. Với độc giả không chuyên, có thể hiểu ngắn gọn: đây là “bộ công thức” để dạy AI không chỉ nhìn, mà còn biết đi tìm thêm chứng cứ trước khi trả lời.

Vì sao “tác tử tìm kiếm” khác mô hình nhìn-ngôn ngữ thông thường?

Các mô hình đa phương thức lớn, hay MLLM, thường được biết đến ở khả năng hiểu ảnh, đọc biểu đồ, nhận diện vật thể hoặc trả lời câu hỏi dựa trên hình ảnh người dùng tải lên. Nhưng theo phần mô tả trong các nguồn ra mắt, cạnh tranh mới nằm ở việc chuyển từ “hiểu ảnh một cách thụ động” sang “chủ động tìm bằng chứng và suy luận” ^[1].

OpenSearch-VL đi theo hướng thứ hai. Thay vì chỉ trả lời từ ảnh đầu vào, một tác tử kiểu OpenSearch-VL có thể gọi công cụ để lấy thêm thông tin. Bài báo mô tả các công cụ gồm tìm kiếm web, tìm kiếm ảnh ngược, OCR để đọc chữ trong ảnh, cắt ảnh, làm sắc nét, siêu phân giải và chỉnh phối cảnh ^[17].

Vòng lặp này là phần làm nên chữ “agent”. Tác tử có thể quan sát nội dung hình ảnh, nhận ra rằng dữ kiện hiện tại chưa đủ, chọn công cụ xử lý hoặc truy xuất phù hợp, rồi tổng hợp kết quả qua nhiều bước suy luận ^[17]. Nói nôm na, thay vì đoán ngay, nó được huấn luyện để biết khi nào cần “soi kỹ hơn” và khi nào cần đi tìm nguồn bên ngoài.

Công thức huấn luyện của OpenSearch-VL

OpenSearch-VL cũng là một bộ dữ liệu và quy trình huấn luyện. Nhóm tác giả báo cáo SearchVL-SFT với 36.000 quỹ đạo tinh chỉnh có giám sát và SearchVL-RL với 8.000 quỹ đạo học tăng cường ^[17]. Trong ngữ cảnh này, “quỹ đạo” có thể hiểu là chuỗi hành động mà tác tử thực hiện: quan sát, gọi công cụ, nhận kết quả, điều chỉnh bước tiếp theo và đi đến câu trả lời.

Bài báo còn giới thiệu Multi-round Fault-Aware GRPO, một phương pháp huấn luyện nhằm giúp tác tử học từ các lần dùng công cụ qua nhiều vòng, kể cả khi hành động trung gian thất bại hoặc chỉ hỗ trợ một phần ^[17]. Đây là chi tiết quan trọng, vì trong tìm kiếm thực tế, công cụ OCR có thể đọc sai, ảnh cắt có thể chưa đúng vùng, kết quả web có thể nhiễu, còn tìm kiếm ảnh ngược không phải lúc nào cũng đưa ra nguồn đáng tin.

Các nguồn ra mắt cũng xem dữ liệu huấn luyện chất lượng cao, tổng hợp quỹ đạo tự động và công thức huấn luyện chi tiết là những nút thắt khiến các tác tử tìm kiếm đa phương thức hàng đầu khó được tái lập ^[1]. OpenSearch-VL nhắm thẳng vào các nút thắt này bằng cách trình bày một quy trình tương đối đầy đủ quanh dữ liệu quỹ đạo, tinh chỉnh có giám sát, học tăng cường và điều phối công cụ ^[17].

Tencent tuyên bố hiệu năng ra sao?

Bài báo cho biết OpenSearch-VL đạt mức cải thiện trung bình hơn 10 điểm phần trăm trên 7 benchmark tìm kiếm sâu đa phương thức, đồng thời nói hệ thống có kết quả tương đương các mô hình thương mại mã nguồn đóng hàng đầu trong một số tác vụ ^[17]. Đây là tuyên bố hiệu năng đáng chú ý nhất của đợt công bố.

Tuy vậy, cần đọc phần này với sự thận trọng. Các nguồn hiện có phản ánh kết quả do nhóm tác giả báo cáo, chưa phải một kiểm chứng độc lập về hiệu năng so với từng sản phẩm cụ thể của OpenAI hay Google ^[1][17].

Nói cách khác, OpenSearch-VL có thể cạnh tranh với các hệ thống đóng trên một số bài benchmark. Nhưng bằng chứng công khai từ đợt ra mắt chưa đủ để kết luận rằng nó đã ngang bằng ở cấp sản phẩm trong các yếu tố như độ ổn định thực tế, độ trễ, xử lý an toàn, khả năng phục hồi khi công cụ lỗi hoặc vận hành ở quy mô lớn.

So với OpenAI và Google: khác biệt lớn nhất là độ mở

Cách so sánh rõ ràng nhất không phải là “ai thắng tuyệt đối”, mà là mức độ mở. OpenSearch-VL được trình bày như một framework để giới nghiên cứu có thể kiểm tra, tái lập và điều chỉnh. Trong khi đó, bài báo xem các mô hình thương mại mã nguồn đóng hàng đầu như điểm đối chiếu, chứ không phải các hệ thống có toàn bộ quy trình huấn luyện được công khai để tái dựng ^[17].

Điều này khiến OpenSearch-VL đặc biệt đáng chú ý với phòng lab, nhóm nghiên cứu và nhà phát triển muốn hiểu cách một tác tử tìm kiếm đa phương thức được huấn luyện, thất bại ở đâu và có thể cải thiện việc dùng công cụ như thế nào.

Câu hỏi	OpenSearch-VL cho thấy gì?	Còn chưa rõ khi so với hệ thống đóng
Có thể xem xét công thức huấn luyện không?	Có. Dự án được trình bày như một “công thức mở” cho tác tử tìm kiếm đa phương thức tiên tiến [17].	Các nguồn được trích dẫn không cung cấp công thức nội bộ tương đương của OpenAI hoặc Google.
Có dùng bằng chứng bên ngoài không?	Có. Bài báo mô tả tìm kiếm web, tìm kiếm ảnh ngược, OCR và các công cụ xử lý ảnh [17].	Chi tiết định tuyến công cụ ở cấp sản phẩm của các hệ thống độc quyền không được làm rõ trong các nguồn OpenSearch-VL.
Có tốt hơn không?	Nhóm tác giả báo cáo mức tăng trung bình hơn 10 điểm phần trăm trên 7 benchmark và kết quả tương đương mô hình thương mại đóng trong một số tác vụ [17].	Chưa có kiểm chứng độc lập đối đầu trực tiếp trong các tài liệu ra mắt được trích dẫn.

Điều gì cần theo dõi tiếp?

Các phép thử quan trọng tiếp theo sẽ rất thực dụng: liệu nhóm nghiên cứu bên ngoài có tái lập được kết quả benchmark hay không; công thức mở này có hoạt động tốt ngoài bộ đánh giá trong bài báo hay không; và hệ thống có xử lý đáng tin các lỗi công cụ trong những phiên tìm kiếm dài, phức tạp hay không.

Cho đến khi có thêm đánh giá độc lập, OpenSearch-VL nên được xem là một đối thủ mã nguồn mở nghiêm túc trong mảng tác tử tìm kiếm đa phương thức, chứ chưa phải phương án đã được chứng minh là thay thế hoàn toàn các hệ thống đóng của OpenAI hay Google.

Tóm lại: framework mới của Tencent là OpenSearch-VL. Đóng góp lớn nhất của nó nằm ở con đường mở, có mô tả kỹ thuật tương đối chi tiết để xây dựng tác tử tìm kiếm AI đa phương thức; câu hỏi lớn nhất còn bỏ ngỏ là liệu các đánh giá độc lập có xác nhận được những tuyên bố benchmark ở thời điểm ra mắt hay không ^[17][18].