Từ LLM đa năng đến mô hình quyết định AI: lớp não mới của hệ thống thông minh
Mô hình quyết định AI là những mô hình không tập trung sinh văn bản tự nhiên mà tập trung vào việc đưa ra lựa chọn có cấu trúc, như có/không, chọn một phương án trong danh sách, hoặc chấm điểm theo thang đo, và chúng trả về phân phối xác suất cho từng đáp án để hệ thống có thể định tuyến, phân loại và xác minh đầu ra một cách nhất quán và có thể kiểm soát. Đây là lớp “bộ não ra quyết định” đang được tách riêng khỏi các mô hình sinh tạo đa năng. Thay vì bắt LLM làm mọi thứ, các hãng công nghệ lớn đang xây kiến trúc nhiều mô-đun: một mô hình sinh nội dung, một mô hình quyết định, thêm các mô hình thị giác hay âm thanh. Cách tiếp cận này không chỉ mang tính kỹ thuật mà còn là lựa chọn chiến lược: họ muốn AI vừa mạnh vừa đoán được hành vi, thay vì một “siêu LLM” khó kiểm soát.
Decision-1 của Microsoft: tách riêng lớp ra quyết định khỏi LLM sinh tạo
Decision-1 Microsoft là ví dụ rõ nhất cho xu hướng tách biệt này: mô hình được cung cấp qua Microsoft Foundry và OpenRouter, được xây dựng bằng cách hậu huấn luyện trên Qwen3.5-9B và sẽ còn được đặt lại nền trên các mô hình khác thuộc Microsoft AI (MAI) và OpenAI. Thay vì sinh lời giải thích dài dòng, Decision-1 hỗ trợ các phán đoán có/không, lựa chọn trong các phương án định sẵn, chấm điểm và đánh giá theo rubric đối với phản hồi của AI hoặc hành động của agent. Đầu ra của nó là xác suất cho từng đáp án, cho phép nhà phát triển dùng để phân loại đầu vào, xếp hạng công việc, xác minh câu trả lời hoặc quyết định bước tiếp theo trong workflow của agent. Một câu trích dẫn đáng nhớ là: "Không giống LLM đa năng, mô hình quyết định trả về xác suất cho các đáp án khả dụng". Điều này biến Decision-1 thành “bộ điều phối” thay vì “nhà văn”, giúp hệ thống AI bớt ngẫu hứng và dễ kiểm thử hơn.
Decision 3.0: sáu mô hình quyết định đa phương thức mở, từ 26,09B đến 0,59B tham số
Nếu Decision-1 là bước đi thương mại, thì Decision 3.0 lại cho thấy mặt mở của xu hướng mô hình quyết định AI. Sáu checkpoint — d3, d3-flash, d3-mini, d3-nano, d3-lite và d3-edge — xuất hiện trong tổ chức vllm-sr trên Hugging Face vào ngày 10 tháng 10, lần lượt từ 09:38 UTC đến 23:49 UTC. Gia đình này trải từ d3 với 26,09 tỷ tham số (kèm bộ mã hóa thị giác 0,46 tỷ) đến d3-edge chỉ 0,59 tỷ tham số với bộ mã hóa thị giác 0,10 tỷ, tất cả đều xây trên các biến thể Qwen3.5 và Qwen3.8. Mỗi thẻ mô hình tự mô tả là "mô hình quyết định nền tảng đa phương thức 27B của Decision 3.0, các mô hình quyết định của vLLM Semantic Router". Điểm đáng nói không phải chỉ số mà là khả năng đa phương thức: Decision 2.0 chỉ đọc văn bản, còn Decision 3.0 đọc văn bản, hình ảnh và video, tạo ra một lớp ra quyết định có thể hiểu cả thế giới trực quan chứ không chỉ câu chữ.
Tài nguyên, độ trễ và biên: vì sao AI chuyên biệt thắng trên thiết bị nhỏ
Các mô hình quyết định AI chuyên biệt như Decision 3.0 cho thấy một thực tế: bạn không cần LLM khổng lồ để ra quyết định chính xác. Dải kích thước từ 26,09B xuống 0,59B tham số cho phép nhà phát triển chọn mô hình phù hợp với ngân sách tính toán, từ server GPU đến thiết bị biên. Các checkpoint nhỏ như d3-lite (0,85B) và d3-edge (0,59B) đặc biệt hấp dẫn cho ứng dụng di động và edge, nơi tài nguyên hạn chế nhưng vẫn cần xử lý hình ảnh và video. Theo thẻ mô hình, d3-edge trả lời một câu hỏi văn bản trong trung vị 6,7 ms, với hình ảnh trong 41,9 ms và video mười giây trong 308,3 ms trên một GPU AMD Instinct MI325X. Những con số này cho phép một workflow gồm hàng chục quyết định tuần tự mà chỉ thêm khoảng vài giây độ trễ, đúng với quan điểm rằng mô hình quyết định phải được gọi nhiều lần trong một quy trình làm việc. Đây là điều LLM đa năng khó đạt được nếu phải sinh văn bản cho từng bước.
Tương lai: kiến trúc AI đa mô-đun thay vì một siêu LLM làm mọi việc
Việc Microsoft tách Decision-1 khỏi mô hình sinh tạo và cộng đồng mở tung ra Decision 3.0 không phải những sự kiện rời rạc; chúng phản ánh một chuyển dịch kiến trúc: từ mô hình AI đơn nhất sang các giải pháp AI chuyên biệt theo công việc. Mô hình đa phương thức giờ không chỉ là LLM biết nhìn ảnh, mà là lớp quyết định biết đọc trạng thái (văn bản hoặc JSON), xem hình ảnh, video rồi trả về phân phối xác suất cho các câu hỏi kiểu Choice, Yes/No và Score trong một lần gọi, không cần vòng lặp giải mã. Điều này mở đường cho các hệ thống "agent" gồm nhiều mô-đun: LLM sinh nội dung, mô hình thị giác, mô hình quyết định, tất cả được nối bằng hợp đồng trạng thái-và-câu-hỏi chung mà các dự án như Jev và vLLM Semantic Router đang dùng. Bước tiếp theo sẽ là runtime và blog chính thức, cùng các đánh giá bên thứ ba, nhưng hướng đi đã rõ: AI tương lai sẽ giống một đội chuyên gia hơn là một thiên tài đa năng duy nhất.
