Lưu ý quan trọng về tên gọi: Báo cáo của Reuters không đề cập rõ mã "M3 Pro". Câu hỏi của người dùng gọi nó như vậy, nhưng bằng chứng hiện tại chỉ xác nhận một mô hình kế nhiệm 2,7 nghìn tỷ tham số đang được lên kế hoạch; tên cuối cùng có thể khác.

So sánh với các mô hình hiện tại của MiniMax

Dòng sản phẩm của MiniMax đã phát triển nhanh chóng:

Bước nhảy từ ~428 tỷ tham số của M3 lên 2,7 nghìn tỷ là mức tăng gấp 6,3 lần tổng tham số. Nếu MiniMax tiếp tục dùng kiến trúc MoE (Mixture-of-Experts), số tham số hoạt động cho mỗi lượt xử lý có thể vẫn ở mức hàng chục đến hàng trăm tỷ, nhưng tổng dung lượng tham số sẽ là chưa từng có đối với một bản phát hành open-weight .

So sánh với DeepSeek-V4-Pro

DeepSeek-V4-Pro là mô hình open-weight hàng đầu của DeepSeek, ra mắt ngày 23/4/2026 . Các thông số chính và so sánh:

• DeepSeek-V4-Pro: 1,6 nghìn tỷ tham số tổng, 49 tỷ hoạt động, giấy phép MIT, chuyên gia về thuật toán văn bản thuần túy — đạt Codeforces cao nhất trong số các mô hình ngôn ngữ và 80,6% trên SWE-bench Verified (tốt nhất trong số các mô hình open-weight)
• MiniMax M3 (hiện tại): ~428 tỷ tổng / ~23 tỷ hoạt động — mạnh hơn về tác vụ đa phương thức và toán học (trung bình 85,7 so với 31,7 trên một tổng hợp), yếu hơn ở điểm chuẩn lập trình thuần so với DeepSeek-V4-Pro
• Mô hình 2,7 nghìn tỷ dự kiến: Sẽ vượt xa cả DeepSeek-V4-Pro (1,6 nghìn tỷ) và MiniMax M3 (428 tỷ) về tổng tham số

Hầu hết các trang phân tích lưu ý rằng MiniMax M3 và DeepSeek V4-Pro "ít khi cạnh tranh trực tiếp" — chúng được tối ưu cho các khối lượng công việc khác nhau: M3 cho lập trình đa tác tử đa phương thức và tác vụ ngữ cảnh dài, V4-Pro cho lập trình thuật toán văn bản thuần với chi phí thấp hơn .

Bối cảnh rộng hơn về các mô hình open-weight Trung Quốc

Các phòng lab AI Trung Quốc đã phát hành một làn sóng mô hình open-weight mạnh mẽ trong giai đoạn 2025–2026:

• DeepSeek-V4-Pro (23/4/2026) — 1,6 nghìn tỷ MoE, giấy phép MIT, hiệu năng lập trình tiên phong
• Tencent Hy3 (Hunyuan 3.0) — Bản xem trước ra mắt ngày 23/4/2026; phát hành open-weight đầy đủ ngày 6/7/2026 dưới giấy phép Apache 2.0. Mô hình MoE 295 tỷ tham số (21 tỷ hoạt động, 192 expert, định tuyến top-8), ngữ cảnh 256K, do cựu nghiên cứu viên OpenAI Shunyu Yao dẫn dắt . Đây là bản phát hành open-weight tiên phong đầu tiên của Tencent
• MiniMax-M1 (Tháng 6/2025) — Mô hình suy luận open-weight 456 tỷ tham số, Apache 2.0, được quảng bá là mô hình suy luận hybrid attention quy mô lớn open-weight đầu tiên trên thế giới
• MiniMax-M3 (Tháng 6/2026) — ~428 tỷ tổng, lập trình đa phương thức tiên phong
• Ant Group Ling-2.6-flash (22/4/2026) — MoE 104 tỷ/7,4 tỷ hoạt động tập trung vào hiệu quả
• Các phòng lab Trung Quốc khác như Alibaba (Qwen), ByteDance và Baichuan cũng đã phát hành mô hình open-weight

Điều này phản ánh một chiến lược có chủ đích của các phòng lab AI Trung Quốc: phát hành mô hình dưới dạng open-weight (thường dưới giấy phép Apache 2.0 hoặc MIT), trái ngược với nhiều phòng lab phương Tây (OpenAI, Anthropic, Google) vẫn giữ các mô hình tiên phong của họ ở dạng đóng .

Cạnh tranh với các phòng lab AI phương Tây

Sự xuất hiện dồn dập của các mô hình open-weight Trung Quốc cho thấy nhiều tín hiệu:

• Cuộc đua quy mô: Mô hình 2,7 nghìn tỷ của MiniMax sẽ vượt qua bất kỳ mô hình open-weight phương Tây nào đã biết về tổng tham số, thách thức câu chuyện "lợi thế tính toán" vốn nghiêng về các phòng lab Mỹ
• Chiến lược open-weight như một đòn bẩy địa chính trị: Bằng cách phát hành trọng số một cách công khai, các phòng lab Trung Quốc làm cho mô hình của họ có sẵn miễn phí cho các nhà phát triển toàn cầu, vượt qua các biện pháp kiểm soát xuất khẩu phần cứng. Các nhà phát triển ở phương Tây và Nam bán cầu có thể chạy các mô hình này trên cơ sở hạ tầng của riêng họ
• Di chuyển nhân tài: Hy3 của Tencent được dẫn dắt bởi một nhân viên tuyển từ OpenAI (Shunyu Yao), minh họa cho dòng chảy nhân tài AI hai chiều
• Cạnh tranh giá cả: DeepSeek V4 Pro và MiniMax M3 đều cạnh tranh ở mức giá bằng hoặc thấp hơn GPT-5.5 trên các nhà cung cấp API, đẩy giá toàn cầu xuống thấp hơn
• Ngang bằng điểm chuẩn: MiniMax M3 đạt 59,0% trên SWE-bench Pro, nhỉnh hơn GPT-5.5 (58,6%), trong khi DeepSeek V4 Pro đạt 80,6% trên SWE-bench Verified, tốt nhất trong số các mô hình open-weight

Thách thức tính toán khi triển khai mô hình 2,7 nghìn tỷ tham số

Một mô hình open-weight 2,7 nghìn tỷ tham số sẽ đặt ra những thách thức triển khai cực kỳ lớn:

• Yêu cầu bộ nhớ: Ngay cả khi nén xuống 8-bit, việc tải 2,7 nghìn tỷ tham số cần ~2,7 TB bộ nhớ GPU. Ở định dạng FP16, con số này tăng lên ~5,4 TB. Điều này đòi hỏi hàng trăm GPU (ví dụ: hơn 200 H100 với 80 GB mỗi chiếc) chỉ để tải mô hình vào bộ nhớ
• Kiến trúc MoE có khả năng cao: Cả M1 và M3 của MiniMax đều dùng MoE, chỉ có một phần tham số được kích hoạt cho mỗi token (ví dụ: 23 tỷ hoạt động trong tổng số 428 tỷ của M3) . Nếu mô hình 2,7 nghìn tỷ tuân theo mô hình này với tỷ lệ tham số hoạt động thấp tương tự (ví dụ: ~135 tỷ hoạt động), thì việc suy luận có thể khả thi trên một cụm nhỏ hơn so với tổng số tham số, nhưng vẫn vượt xa khả năng của một GPU đơn lẻ
• Độ trễ và thông lượng suy luận: Ngay cả với độ thưa thớt MoE, việc phục vụ một mô hình quy mô như vậy đòi hỏi kiến trúc song song tensor phức tạp, song song pipeline và song song expert trên nhiều node, với các kết nối băng thông cao
• Chi phí đào tạo: Việc đào tạo một mô hình 2,7 nghìn tỷ tham số sẽ đòi hỏi ngân sách tính toán khổng lồ — có thể lên tới hàng chục nghìn GPU-tháng, ngay cả với các kỹ thuật đào tạo MoE hiệu quả
• Phân phối open-weight: Việc lưu trữ và phân phối 2,7 nghìn tỷ tham số (có thể hơn 5 TB trọng số) là một thách thức hậu cần đối với Hugging Face và các kho lưu trữ khác

Tuy nhiên, MiniMax đã chứng minh được kỹ thuật tinh gọn hiệu quả — M1 được đào tạo với ít hơn 70% sức mạnh tính toán so với DeepSeek R1 nhưng vẫn đạt được các điểm chuẩn cạnh tranh , và M3 sử dụng cơ chế chú ý thưa thớt . Họ có thể áp dụng những cải tiến tương tự cho mô hình 2,7 nghìn tỷ.

Sự chấp nhận ngày càng tăng trên toàn cầu đối với các mô hình AI Trung Quốc

Các mô hình open-weight Trung Quốc đã đạt được sức hút đáng kể trên toàn cầu vì một số lý do:

• Giá cả: DeepSeek V4 Pro tính phí ~$0,435/M token đầu vào so với MiniMax M3 ở mức ~$0,30/M, cả hai đều cực kỳ cạnh tranh so với giá API phương Tây
• Giấy phép cho phép: Apache 2.0 (MiniMax M1, Tencent Hy3) và MIT (DeepSeek V4-Pro) cho phép sử dụng thương mại, sửa đổi và phân phối lại mà không bị hạn chế
• Cạnh tranh điểm chuẩn: Các mô hình này ngang bằng hoặc vượt GPT-5.5 và Claude trên các điểm chuẩn chính (lập trình, suy luận, toán học)
• Hệ sinh thái nhà phát triển: Trọng số được lưu trữ trên Hugging Face, tích hợp vào OpenRouter, Kilo Code và các nền tảng khác, giúp các nhà phát triển toàn cầu dễ dàng tiếp cận

Xu hướng này cho thấy Trung Quốc không còn chỉ là kẻ theo sau bị hạn chế về phần cứng trong lĩnh vực AI — mà đang là người dẫn đầu trong việc phát hành mô hình open-weight, sử dụng tính mở như một hào cạnh tranh chống lại các nhà lãnh đạo mô hình đóng của phương Tây. Mô hình 2,7 nghìn tỷ dự kiến, nếu thành hiện thực, sẽ là tuyên bố mạnh mẽ nhất theo hướng đó.

Lưu ý quan trọng về tên gọi: Báo cáo của Reuters không đề cập rõ mã "M3 Pro". Câu hỏi của người dùng gọi nó như vậy, nhưng bằng chứng hiện tại chỉ xác nhận một mô hình kế nhiệm 2,7 nghìn tỷ tham số đang được lên kế hoạch; tên cuối cùng có thể khác.

So sánh với các mô hình hiện tại của MiniMax

Dòng sản phẩm của MiniMax đã phát triển nhanh chóng:

Bước nhảy từ ~428 tỷ tham số của M3 lên 2,7 nghìn tỷ là mức tăng gấp 6,3 lần tổng tham số. Nếu MiniMax tiếp tục dùng kiến trúc MoE (Mixture-of-Experts), số tham số hoạt động cho mỗi lượt xử lý có thể vẫn ở mức hàng chục đến hàng trăm tỷ, nhưng tổng dung lượng tham số sẽ là chưa từng có đối với một bản phát hành open-weight .

So sánh với DeepSeek-V4-Pro

DeepSeek-V4-Pro là mô hình open-weight hàng đầu của DeepSeek, ra mắt ngày 23/4/2026 . Các thông số chính và so sánh:

• DeepSeek-V4-Pro: 1,6 nghìn tỷ tham số tổng, 49 tỷ hoạt động, giấy phép MIT, chuyên gia về thuật toán văn bản thuần túy — đạt Codeforces cao nhất trong số các mô hình ngôn ngữ và 80,6% trên SWE-bench Verified (tốt nhất trong số các mô hình open-weight)
• MiniMax M3 (hiện tại): ~428 tỷ tổng / ~23 tỷ hoạt động — mạnh hơn về tác vụ đa phương thức và toán học (trung bình 85,7 so với 31,7 trên một tổng hợp), yếu hơn ở điểm chuẩn lập trình thuần so với DeepSeek-V4-Pro
• Mô hình 2,7 nghìn tỷ dự kiến: Sẽ vượt xa cả DeepSeek-V4-Pro (1,6 nghìn tỷ) và MiniMax M3 (428 tỷ) về tổng tham số

Hầu hết các trang phân tích lưu ý rằng MiniMax M3 và DeepSeek V4-Pro "ít khi cạnh tranh trực tiếp" — chúng được tối ưu cho các khối lượng công việc khác nhau: M3 cho lập trình đa tác tử đa phương thức và tác vụ ngữ cảnh dài, V4-Pro cho lập trình thuật toán văn bản thuần với chi phí thấp hơn .

Bối cảnh rộng hơn về các mô hình open-weight Trung Quốc

Các phòng lab AI Trung Quốc đã phát hành một làn sóng mô hình open-weight mạnh mẽ trong giai đoạn 2025–2026:

• DeepSeek-V4-Pro (23/4/2026) — 1,6 nghìn tỷ MoE, giấy phép MIT, hiệu năng lập trình tiên phong
• Tencent Hy3 (Hunyuan 3.0) — Bản xem trước ra mắt ngày 23/4/2026; phát hành open-weight đầy đủ ngày 6/7/2026 dưới giấy phép Apache 2.0. Mô hình MoE 295 tỷ tham số (21 tỷ hoạt động, 192 expert, định tuyến top-8), ngữ cảnh 256K, do cựu nghiên cứu viên OpenAI Shunyu Yao dẫn dắt . Đây là bản phát hành open-weight tiên phong đầu tiên của Tencent
• MiniMax-M1 (Tháng 6/2025) — Mô hình suy luận open-weight 456 tỷ tham số, Apache 2.0, được quảng bá là mô hình suy luận hybrid attention quy mô lớn open-weight đầu tiên trên thế giới
• MiniMax-M3 (Tháng 6/2026) — ~428 tỷ tổng, lập trình đa phương thức tiên phong
• Ant Group Ling-2.6-flash (22/4/2026) — MoE 104 tỷ/7,4 tỷ hoạt động tập trung vào hiệu quả
• Các phòng lab Trung Quốc khác như Alibaba (Qwen), ByteDance và Baichuan cũng đã phát hành mô hình open-weight

Điều này phản ánh một chiến lược có chủ đích của các phòng lab AI Trung Quốc: phát hành mô hình dưới dạng open-weight (thường dưới giấy phép Apache 2.0 hoặc MIT), trái ngược với nhiều phòng lab phương Tây (OpenAI, Anthropic, Google) vẫn giữ các mô hình tiên phong của họ ở dạng đóng .

Cạnh tranh với các phòng lab AI phương Tây

Sự xuất hiện dồn dập của các mô hình open-weight Trung Quốc cho thấy nhiều tín hiệu:

• Cuộc đua quy mô: Mô hình 2,7 nghìn tỷ của MiniMax sẽ vượt qua bất kỳ mô hình open-weight phương Tây nào đã biết về tổng tham số, thách thức câu chuyện "lợi thế tính toán" vốn nghiêng về các phòng lab Mỹ
• Chiến lược open-weight như một đòn bẩy địa chính trị: Bằng cách phát hành trọng số một cách công khai, các phòng lab Trung Quốc làm cho mô hình của họ có sẵn miễn phí cho các nhà phát triển toàn cầu, vượt qua các biện pháp kiểm soát xuất khẩu phần cứng. Các nhà phát triển ở phương Tây và Nam bán cầu có thể chạy các mô hình này trên cơ sở hạ tầng của riêng họ
• Di chuyển nhân tài: Hy3 của Tencent được dẫn dắt bởi một nhân viên tuyển từ OpenAI (Shunyu Yao), minh họa cho dòng chảy nhân tài AI hai chiều
• Cạnh tranh giá cả: DeepSeek V4 Pro và MiniMax M3 đều cạnh tranh ở mức giá bằng hoặc thấp hơn GPT-5.5 trên các nhà cung cấp API, đẩy giá toàn cầu xuống thấp hơn
• Ngang bằng điểm chuẩn: MiniMax M3 đạt 59,0% trên SWE-bench Pro, nhỉnh hơn GPT-5.5 (58,6%), trong khi DeepSeek V4 Pro đạt 80,6% trên SWE-bench Verified, tốt nhất trong số các mô hình open-weight

Thách thức tính toán khi triển khai mô hình 2,7 nghìn tỷ tham số

Một mô hình open-weight 2,7 nghìn tỷ tham số sẽ đặt ra những thách thức triển khai cực kỳ lớn:

• Yêu cầu bộ nhớ: Ngay cả khi nén xuống 8-bit, việc tải 2,7 nghìn tỷ tham số cần ~2,7 TB bộ nhớ GPU. Ở định dạng FP16, con số này tăng lên ~5,4 TB. Điều này đòi hỏi hàng trăm GPU (ví dụ: hơn 200 H100 với 80 GB mỗi chiếc) chỉ để tải mô hình vào bộ nhớ
• Kiến trúc MoE có khả năng cao: Cả M1 và M3 của MiniMax đều dùng MoE, chỉ có một phần tham số được kích hoạt cho mỗi token (ví dụ: 23 tỷ hoạt động trong tổng số 428 tỷ của M3) . Nếu mô hình 2,7 nghìn tỷ tuân theo mô hình này với tỷ lệ tham số hoạt động thấp tương tự (ví dụ: ~135 tỷ hoạt động), thì việc suy luận có thể khả thi trên một cụm nhỏ hơn so với tổng số tham số, nhưng vẫn vượt xa khả năng của một GPU đơn lẻ
• Độ trễ và thông lượng suy luận: Ngay cả với độ thưa thớt MoE, việc phục vụ một mô hình quy mô như vậy đòi hỏi kiến trúc song song tensor phức tạp, song song pipeline và song song expert trên nhiều node, với các kết nối băng thông cao
• Chi phí đào tạo: Việc đào tạo một mô hình 2,7 nghìn tỷ tham số sẽ đòi hỏi ngân sách tính toán khổng lồ — có thể lên tới hàng chục nghìn GPU-tháng, ngay cả với các kỹ thuật đào tạo MoE hiệu quả
• Phân phối open-weight: Việc lưu trữ và phân phối 2,7 nghìn tỷ tham số (có thể hơn 5 TB trọng số) là một thách thức hậu cần đối với Hugging Face và các kho lưu trữ khác

Tuy nhiên, MiniMax đã chứng minh được kỹ thuật tinh gọn hiệu quả — M1 được đào tạo với ít hơn 70% sức mạnh tính toán so với DeepSeek R1 nhưng vẫn đạt được các điểm chuẩn cạnh tranh , và M3 sử dụng cơ chế chú ý thưa thớt . Họ có thể áp dụng những cải tiến tương tự cho mô hình 2,7 nghìn tỷ.

Sự chấp nhận ngày càng tăng trên toàn cầu đối với các mô hình AI Trung Quốc

Các mô hình open-weight Trung Quốc đã đạt được sức hút đáng kể trên toàn cầu vì một số lý do:

• Giá cả: DeepSeek V4 Pro tính phí ~$0,435/M token đầu vào so với MiniMax M3 ở mức ~$0,30/M, cả hai đều cực kỳ cạnh tranh so với giá API phương Tây
• Giấy phép cho phép: Apache 2.0 (MiniMax M1, Tencent Hy3) và MIT (DeepSeek V4-Pro) cho phép sử dụng thương mại, sửa đổi và phân phối lại mà không bị hạn chế
• Cạnh tranh điểm chuẩn: Các mô hình này ngang bằng hoặc vượt GPT-5.5 và Claude trên các điểm chuẩn chính (lập trình, suy luận, toán học)
• Hệ sinh thái nhà phát triển: Trọng số được lưu trữ trên Hugging Face, tích hợp vào OpenRouter, Kilo Code và các nền tảng khác, giúp các nhà phát triển toàn cầu dễ dàng tiếp cận

Xu hướng này cho thấy Trung Quốc không còn chỉ là kẻ theo sau bị hạn chế về phần cứng trong lĩnh vực AI — mà đang là người dẫn đầu trong việc phát hành mô hình open-weight, sử dụng tính mở như một hào cạnh tranh chống lại các nhà lãnh đạo mô hình đóng của phương Tây. Mô hình 2,7 nghìn tỷ dự kiến, nếu thành hiện thực, sẽ là tuyên bố mạnh mẽ nhất theo hướng đó.