Năm mô hình Qwen3.8-27B hợp sức đạt ngang Fable 5 nhờ khung GVS5H

Một nghiên cứu mới mang tên GVS5H (Gorilla vs. 5 Humans) đang gây chú ý trong cộng đồng AI khi chứng minh rằng không cần mô hình khổng lồ đắt tiền, các mô hình mã nguồn mở cỡ trung vẫn có thể chạm ngưỡng hiệu năng lập trình hàng đầu. Bí quyết nằm ở cách tổ chức nhiều phiên bản của cùng một mô hình để chúng phối hợp giải bài toán, thay vì phó mặc mọi thứ cho một lần suy luận duy nhất.

Sơ đồ so sánh mô hình với con người trong khung GVS5H

Tự điều phối không cần huấn luyện lại

Điểm cốt lõi của phương pháp là tự điều phối zero-shot dựa trên sổ cái (ledger-based zero-shot self-orchestration). Thay vì tinh chỉnh mô hình, nhóm nghiên cứu cho nhiều phiên bản "tươi mới" của một mô hình duy nhất cùng tham gia: mỗi phiên bản phân rã bài toán thành các phần nhỏ, rồi phối hợp với nhau thông qua một hệ thống tệp dùng chung lưu kế hoạch, ghi chú và lời giải hiện tại.

Cách làm này không đòi hỏi dữ liệu huấn luyện bổ sung hay thay đổi trọng số, nên có thể áp dụng ngay cho cả mô hình mở lẫn mô hình đóng. Theo nhóm tác giả, hiệu quả đến từ hai yếu tố: phân rã bài toán và ngữ cảnh được duy trì liên tục qua các phiên bản.

Kết quả trên LiveCodeBench Hard

Thử nghiệm được tiến hành trên 100 bài toán khó mới nhất của LiveCodeBench với 11 mô hình khác nhau. Mức cải thiện có thể lên tới 25,6 điểm phần trăm trên các backend cố định. Có hai con đường đạt tới ngưỡng chính xác hàng đầu:

• Qwen3.8 Flash Next sau khi điều phối đạt 93,0% pass@1, vượt mức 90,4% của Fable 5, trong khi chi phí chỉ bằng 9%.
• Qwen3.8-27B chạy cục bộ tăng từ 66,8% lên 92,4% pass@1.

Biểu đồ benchmark trên LiveCodeBench

Điều đáng chú ý là kết quả này đạt được với trọng số mở, có thể tự lưu trữ — nghĩa là doanh nghiệp có thể vận hành trên hạ tầng riêng thay vì gọi API bên ngoài. Với bối cảnh các đội phát triển tại Việt Nam đang cân nhắc giữa chi phí API và yêu cầu bảo mật dữ liệu, đây là hướng tiếp cận đáng để thử.

Không phải mô hình nào cũng được lợi

Nhóm nghiên cứu thẳng thắn thừa nhận lợi ích không phổ quát: một số mô hình không thay đổi hoặc thậm chí cho kết quả tệ hơn khi bị đưa vào khung điều phối. Điều này cho thấy hiệu quả phụ thuộc vào khả năng của từng mô hình trong việc tuân thủ kế hoạch và chia sẻ ngữ cảnh.

Ngoài ra, kết quả của Opus 5 được chạy trên phiên bản khung cũ hơn, chỉ một lần duy nhất qua OpenRouter thay vì năm lần trên backend cố định, nên không hoàn toàn so sánh được một cách công bằng.

Chi phí và hiệu năng của các phương án

Chi phí là điểm nhấn

Bài báo kết luận rằng tổ chức ở thời điểm suy luận (inference-time organization) có thể đưa độ chính xác lập trình tiệm cận mức hàng đầu với chi phí chỉ bằng một phần nhỏ, hoặc thậm chí vượt nhẹ nếu dùng trọng số tự lưu trữ. Với các nhóm kỹ thuật đang tìm cách giảm hóa đơn API mà vẫn giữ chất lượng sinh mã, đây là tín hiệu tích cực.

"Cách tổ chức suy luận có thể đưa độ chính xác lập trình tiệm cận mức hàng đầu với chi phí chỉ bằng một phần nhỏ."

Tự chạy thử

Mã nguồn của GVS5H được công bố công khai trên GitHub, phát hành theo giấy phép MIT. Bài báo, hình ảnh và dữ liệu chạy thuộc CC BY 4.0, còn bản fork LiveCodeBench và đề bài giữ giấy phép riêng. Để chạy thử, người dùng cần uv và khóa API của mô hình muốn kiểm tra, sau đó cấu hình qua biến môi trường như OPENAI_API_KEY, LCB_RELEASE hay MULTIAGENT_MODEL. Điểm pass@1 sẽ được in ra cuối quá trình, kết quả lưu trong runs/results.json.

Với cộng đồng AI nguồn mở, GVS5H là lời nhắc rằng đôi khi bài toán không nằm ở việc có mô hình lớn hơn, mà ở cách sắp xếp nhiều "bộ não" nhỏ cùng làm việc.