Bỏ qua nội dung
Thế giới

OpenAI ra mắt mô hình GPT-6.1 Sol với chi phí rẻ hơn 5 lần phiên bản cao cấp

  • adminA

    Tại sự kiện công nghệ OpenAI DevDay, OpenAI đã chính thức công bố mô hình GPT-6.1 Sol, mang đến bước ngoặt lớn về tối ưu hóa chi phí và hiệu năng cho cộng đồng lập trình viên toàn cầu.

    Sở hữu sức mạnh trí tuệ tiệm cận dòng mô hình cao cấp GPT-6 Astra nhưng chi phí vận hành chỉ bằng một phần năm, phiên bản mới này được kỳ vọng sẽ trở thành công cụ làm việc chủ lực hàng ngày cho các nhà phát triển ứng dụng AI.

    Đột phá về hiệu năng và bài toán chi phí vận hành

    Trình bày trực tiếp trên sân khấu sự kiện, CEO Sam Altman nhấn mạnh GPT-6.1 Sol đạt được sự cân bằng hoàn hảo giữa ngân sách và năng lực xử lý.

    Điểm nhấn quan trọng nhất nằm ở mức giảm giá lên tới 95% cho dữ liệu đầu vào dạng bộ nhớ đệm (cached input). Sự cắt giảm mạnh mẽ này giúp các hệ thống tác nhân thông minh (AI Agents) dễ dàng tái sử dụng ngữ cảnh, liên tục thử nghiệm các giải pháp và hoàn thành những chuỗi tác vụ dài hạn mà không lo ngại về rào cản chi phí API.

    So sánh bảng giá chi tiết giữa các mô hình

    Bảng số liệu dưới đây thể hiện sự chênh lệch chi phí rõ rệt giữa hai dòng mô hình vừa được công bố:

    Hạng mục

    GPT-6.1 Sol

    GPT-6 Astra

    Input

    $2.00

    $10.00

    Cached input

    $0.10

    $1.00

    Output

    $10.00

    $50.00

    Trợ lý đắc lực mới cho cộng đồng công nghệ

    Theo biểu đồ kiểm thử chuẩn DeepSWE được trình chiếu tại sự kiện, mô hình GPT-6.1 Sol thể hiện hiệu suất đáng kinh ngạc khi tiệm cận, thậm chí vượt qua GPT-6 Astra ở một số tác vụ chuyên biệt.

    Sự kết hợp giữa khả năng suy luận mạnh mẽ và mức giá bình dân hứa hẹn thúc đẩy làn sóng sáng tạo ứng dụng AI mới trong thời gian tới.

    Làm gì thì làm cũng phải đi ngủ cái đã.

    0
Cafe buổi sáng
1 1 1 1

Bài liên quan

  • bcnB
    bcn

    Thời AI mà không tận dụng thì hơi phí rồi các bác, mình mới lụm được bí kíp sửa ảnh mà chưa thử, có bác nào thử rồi cho xin review cái nha 😎🧐😝

    1 Phản hồi 0 Yêu thích 5 Đã xem
  • bcnB
    bcn

    8 câu lệnh dùng để biến Gemini thành trợ lý tiếng Anh 1:1

    Hot! Gemini giờ có thể giúp học tiếng Anh cực nhanh và chuẩn không chỉ hỗ trợ người đi làm mà ai cũng có thể dùng được chỉ với 8 câu lệnh:

    1️⃣ Từ vựng – Học đúng thứ mình dùng mỗi ngày
    Prompt:
    “Hãy đóng vai một chuyên gia tiếng Anh cho người đi làm.
    Tạo cho tôi danh sách 15 từ vựng và cụm từ tiếng Anh thường dùng trong công việc [mô tả công việc/ngành nghề].
    Với mỗi từ:
    Nghĩa tiếng Việt dễ hiểu
    1 câu ví dụ thực tế trong công việc
    Giải thích ngắn khi dùng (trang trọng / thân mật / email / họp…)

    2️⃣ Phản xạ giao tiếp trong họp & trao đổi công việc
    Prompt:
    “Đóng vai đồng nghiệp người nước ngoài.
    Tạo cho tôi 10 tình huống hội thoại thường gặp trong công việc [mô tả công việc].
    Mỗi tình huống gồm:
    – Câu tiếng Anh tôi nên nói
    – Cách nói tự nhiên như người bản xứ
    – Phiên bản ngắn gọn hơn (khi cần nói nhanh)
    – Giải thích vì sao dùng câu đó”

    3️⃣ Viết – Email, báo cáo, tin nhắn chuyên nghiệp
    Prompt:
    “Tôi là [vị trí công việc].
    Hãy giúp tôi viết lại đoạn sau bằng tiếng Anh sao cho chuyên nghiệp, rõ ràng, dễ hiểu trong môi trường công việc.
    Sau đó:
    Chỉ ra lỗi sai (ngữ pháp, từ vựng, cách diễn đạt)
    Giải thích vì sao sai
    Đề xuất 1 phiên bản tự nhiên hơn như người bản xứ
    Nội dung: [dán đoạn viết]”

    4️⃣ Sửa lỗi câu tôi hay nói sai
    Prompt:
    “Dưới đây là những câu tiếng Anh tôi thường nói trong công việc:
    [liệt kê 5–7 câu bạn hay dùng]
    Hãy:
    – Sửa lại cho tự nhiên như người bản xứ
    – Giải thích lỗi sai của tôi
    – Đưa thêm 1–2 cách nói thay thế hay hơn”

    5️⃣ Luyện nói theo chủ đề công việc mỗi ngày (5 phút)
    Prompt:
    “Tạo cho tôi 1 chủ đề nói tiếng Anh trong 5 phút liên quan đến công việc [mô tả].
    Bao gồm:
    – 5 câu hỏi gợi ý để tôi nói
    – 10 từ/cụm từ nên dùng trong chủ đề này
    – 1 đoạn trả lời mẫu để tôi tham khảo”

    6️⃣ Nghe hiểu nhanh tài liệu, video tiếng Anh
    Prompt:
    “Tôi sẽ gửi nội dung tiếng Anh (video/tài liệu).
    Hãy:
    – Tóm tắt nội dung chính bằng tiếng Việt
    – Liệt kê các từ/cụm từ quan trọng
    – Viết lại nội dung đó bằng tiếng Anh đơn giản, dễ hiểu hơn”

    7️⃣ Biến tiếng Việt tôi muốn nói thành tiếng Anh tự nhiên
    Prompt:
    “Tôi sẽ viết ý bằng tiếng Việt.
    Hãy chuyển thành tiếng Anh tự nhiên như người bản xứ trong bối cảnh công việc.
    Sau đó giải thích vì sao dùng cấu trúc/cụm từ đó.”

    8️⃣ Lộ trình 30 ngày cải thiện tiếng Anh cho người đi làm bận rộn
    Prompt:
    “Thiết kế cho tôi lộ trình 30 ngày cải thiện tiếng Anh cho người đi làm bận rộn (mỗi ngày 15–20 phút) trong lĩnh vực [mô tả].
    Mỗi ngày gồm:
    – Từ vựng cần học
    – 1 bài luyện nói ngắn
    – 1 tình huống giao tiếp thực tế
    – 1 bài ôn tập nhanh 5 phút”

    Thử ngày và luôn từ hôm nay!!!!

    1 Phản hồi 1 Yêu thích 4 Đã xem
  • adminA

    Như các bạn đã biết, Chatbot là một chương trình kết hợp với trí tuệ nhân tạo (AI) để tương tác với con người. Công cụ này có thể thay thế cho nhân viên tư vấn hoặc trả lời những thắc mắc của khách hàng.

    Nó không chỉ là công cụ trợ giúp bán hàng hoạt động 24/7. Mà Chatbot còn cập nhật liên tục, giúp bạn không bỏ sót đơn hàng nào của khách.

    Train mô hình chatbot bằng Machine Learning (Deep Learning) như thế nào?

    Việc huấn luyện một mô hình chatbot bằng Python có thể thực hiện bằng nhiều cách khác nhau, tùy thuộc vào độ phức tạp và dữ liệu mà bạn muốn sử dụng. Dưới đây là hướng dẫn từng bước của team FastCloud để các bạn có thể train một con chatbot từ cơ bản đến nâng cao.

    1. Chọn phương pháp huấn luyện

    Có 3 phương pháp chính để train một chatbot:

    Dựa trên rule-based (kịch bản có sẵn) – Dùng các câu trả lời cố định.

    Dựa trên machine learning truyền thống – Dùng mô hình NLP như TF-IDF hoặc seq2seq.

    Dựa trên deep learning – Dùng mô hình transformer như GPT hoặc LLaMA.

    2. Chuẩn bị môi trường và cài đặt thư viện

    Trước tiên, bạn cần cài đặt các thư viện quan trọng:

    NLTK: Xử lý ngôn ngữ tự nhiên.

    Transformers: Sử dụng mô hình ngôn ngữ mạnh như GPT.

    Quá trình thực hiện:

    1️⃣ Thu thập dữ liệu hội thoại

    Ví dụ file intents.json:

    {
    "intents": [
        {
            "tag": "chào hỏi",
            "patterns": ["Xin chào", "Chào bạn", "Hello"],
            "responses": ["Chào bạn!", "Xin chào, tôi có thể giúp gì?", "Hello!"]
        },
        {
            "tag": "tạm biệt",
            "patterns": ["Tạm biệt", "Bye", "Hẹn gặp lại"],
            "responses": ["Tạm biệt nhé!", "Hẹn gặp lại!", "Bye bye!"]
        }
    ]
}

    2️⃣ Tiền xử lý dữ liệu

    Mục tiêu: Biến văn bản thành dạng có thể dùng để train mô hình (Bag of Words).

    📌 Các bước:

    ✅ Tokenize (tách từ)
    ✅ Lemmatize (chuẩn hóa từ)
    ✅ Chuyển đổi sang dạng vector

    Cài đặt thư viện:

    pip install numpy nltk tensorflow

    Code tiền xử lý dữ liệu:

    import json
import random
import numpy as np
import nltk
from nltk.stem import WordNetLemmatizer

# Khởi tạo lemmatizer để chuẩn hóa từ
lemmatizer = WordNetLemmatizer()

# Load dữ liệu hội thoại từ JSON
with open("intents.json", "r", encoding="utf-8") as file:
    intents = json.load(file)

words = []
classes = []
documents = []
ignore_words = ["?", "!", ".", ","]

# Xử lý dữ liệu đầu vào
for intent in intents["intents"]:
    for pattern in intent["patterns"]:
        word_list = nltk.word_tokenize(pattern)  # Tokenize
        words.extend(word_list)
        documents.append((word_list, intent["tag"]))
        if intent["tag"] not in classes:
            classes.append(intent["tag"])

# Chuẩn hóa từ (lemmatization)
words = [lemmatizer.lemmatize(w.lower()) for w in words if w not in ignore_words]
words = sorted(list(set(words)))
classes = sorted(list(set(classes)))

print("Từ vựng:", words)
print("Nhóm hội thoại:", classes)

    3️⃣ Chuyển đổi dữ liệu thành vector

    Chúng ta tạo Bag of Words (BOW) để biểu diễn câu bằng số.

    # Tạo dữ liệu huấn luyện
training = []
output_empty = [0] * len(classes)

for doc in documents:
    bag = []
    word_patterns = doc[0]
    word_patterns = [lemmatizer.lemmatize(word.lower()) for word in word_patterns]

    for w in words:
        bag.append(1) if w in word_patterns else bag.append(0)

    output_row = list(output_empty)
    output_row[classes.index(doc[1])] = 1
    training.append([bag, output_row])

# Chuyển đổi sang mảng NumPy
random.shuffle(training)
training = np.array(training, dtype=object)

train_x = np.array(list(training[:, 0]))  # Input (BOW)
train_y = np.array(list(training[:, 1]))  # Output (Nhóm hội thoại)

print("Dữ liệu đầu vào:", train_x)
print("Dữ liệu đầu ra:", train_y)

    4️⃣ Xây dựng mô hình Deep Learning

    Chúng ta sử dụng TensorFlow/Keras để xây dựng mạng Neural Network.

    from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout
from tensorflow.keras.optimizers import SGD

# Xây dựng mô hình Deep Learning
model = Sequential()
model.add(Dense(128, input_shape=(len(train_x[0]),), activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(64, activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(len(train_y[0]), activation="softmax"))

# Biên dịch mô hình
sgd = SGD(learning_rate=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss="categorical_crossentropy", optimizer=sgd, metrics=["accuracy"])

# Train mô hình
model.fit(train_x, train_y, epochs=200, batch_size=5, verbose=1)

# Lưu mô hình đã train
model.save("chatbot_model.h5")
print("Mô hình đã được lưu!")

    5️⃣ Triển khai chatbot

    Sau khi train xong, chúng ta có thể sử dụng mô hình để phản hồi tin nhắn.

    import json
import numpy as np
import nltk
import tensorflow as tf
from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()
with open("intents.json", "r", encoding="utf-8") as file:
    intents = json.load(file)

# Load mô hình đã train
model = tf.keras.models.load_model("chatbot_model.h5")

# Hàm xử lý đầu vào
def clean_up_sentence(sentence):
    sentence_words = nltk.word_tokenize(sentence)
    sentence_words = [lemmatizer.lemmatize(word.lower()) for word in sentence_words]
    return sentence_words

def bag_of_words(sentence, words):
    sentence_words = clean_up_sentence(sentence)
    bag = [0] * len(words)
    for s in sentence_words:
        for i, w in enumerate(words):
            if w == s:
                bag[i] = 1
    return np.array(bag)

def predict_class(sentence):
    bow = bag_of_words(sentence, words)
    res = model.predict(np.array([bow]))[0]
    ERROR_THRESHOLD = 0.25
    results = [[i, r] for i, r in enumerate(res) if r > ERROR_THRESHOLD]
    results.sort(key=lambda x: x[1], reverse=True)
    return classes[results[0][0]] if results else "unknown"

def get_response(tag):
    for intent in intents["intents"]:
        if intent["tag"] == tag:
            return random.choice(intent["responses"])
    return "Xin lỗi, tôi không hiểu."

# Chạy chatbot
print("Chatbot đã sẵn sàng! Nhập 'quit' để thoát.")
while True:
    message = input("Bạn: ")
    if message.lower() == "quit":
        break
    tag = predict_class(message)
    response = get_response(tag)
    print(f"Bot: {response}")

    🎯 Tổng kết

    ✅ Thu thập dữ liệu (intents.json)
    ✅ Tiền xử lý dữ liệu (Tokenize, Lemmatize, Bag of Words)
    ✅ Xây dựng mô hình Deep Learning (Neural Network với TensorFlow)
    ✅ Train mô hình
    ✅ Triển khai chatbot

    1 Phản hồi 0 Yêu thích 303 Đã xem
Bản quyền 2026 © Type