Qwen3-4B được "tẩy" thói quen viết văn kiểu AI: mô hình nhỏ nhưng sạch dấu vết máy móc

Ai từng đọc nhiều nội dung do các mô hình ngôn ngữ lớn tạo ra đều nhận ra một kiểu "giọng" rất đặc trưng: mở bài bằng những câu chung chung, thích chia mục gạch đầu dòng, hay kết thúc bằng lời hứa hẹn hoa mỹ. Một dự án mới chia sẻ trên Hacker News đã thử nghiệm việc "tẩy" những thói quen này khỏi Qwen3-4B — một mô hình nhỏ, chạy được trên máy cá nhân.

Điểm đáng chú ý là dự án không chỉ công bố mô hình mà còn đưa ra bộ so sánh trực tiếp: 40 lời nhắc kiểm thử, mỗi lời nhắc lấy một câu trả lời mẫu từ mô hình gốc và một từ mô hình đã tinh chỉnh, trải trên 10 chủ đề và 4 thể loại văn bản, không dùng system prompt. Các đoạn bị đánh dấu là những chỗ mà bộ phát hiện "slop" (văn kiểu AI) coi là dấu hiệu máy móc.

"Slop" là gì và vì sao cần loại bỏ?

Trong cộng đồng AI, "slop" dùng để chỉ loại nội dung được sinh hàng loạt, đọc qua thì trôi chảy nhưng sáo rỗng và dễ nhận ra là do máy viết. Những dấu hiệu thường gặp gồm:

• Mở bài bằng câu khẳng định hiển nhiên kiểu "Trong thế giới ngày nay…"
• Lạm dụng gạch đầu dòng và tiêu đề phụ dù nội dung không cần
• Kết bài bằng lời kêu gọi hoặc hứa hẹn chung chung
• Dùng tính từ mạnh liên tục như "mạnh mẽ", "đột phá", "toàn diện"

Với người dùng Việt Nam, vấn đề này càng rõ khi các công cụ AI thường được dùng để viết bài SEO, email marketing hay mô tả sản phẩm. Nội dung nghe "đúng chuẩn AI" dễ khiến người đọc mất thiện cảm và làm giảm uy tín thương hiệu.

Cách tiếp cận: tinh chỉnh thay vì thay mô hình

Thay vì chờ một mô hình lớn hơn, dự án chọn con đường tinh chỉnh (fine-tune) trên một mô hình nhỏ có sẵn. Qwen3-4B với 4 tỷ tham số là lựa chọn hợp lý: đủ khả năng viết tiếng Anh tự nhiên, nhưng nhẹ đến mức có thể chạy trên GPU phổ thông hoặc thậm chí CPU với lượng tử hóa phù hợp.

Giá trị thực tế của hướng đi này nằm ở chỗ: chất lượng văn phong không nhất thiết phải đánh đổi bằng kích thước mô hình.

Việc đánh giá bằng 40 lời nhắc thuộc nhiều thể loại — từ giải thích kỹ thuật, nội dung quảng cáo đến văn bản học thuật — cho thấy tác giả muốn chứng minh hiệu quả không chỉ ở một kiểu nhiệm vụ duy nhất. Đây cũng là cách kiểm tra đáng tin hơn so với việc chỉ khoe vài ví dụ đẹp.

Hệ sinh thái mô hình nhỏ đang nóng lên

Dự án này tiếp nối xu hướng đáng chú ý trong năm qua: các mô hình mở quy mô nhỏ (1B đến 8B tham số) ngày càng được cộng đồng quan tâm. Chúng phù hợp cho chạy cục bộ, bảo mật dữ liệu và chi phí vận hành thấp — những yếu tố được doanh nghiệp Việt Nam đặc biệt cân nhắc khi triển khai AI nội bộ.

Với các nhóm phát triển sản phẩm tại Việt Nam, một mô hình 4B "viết tự nhiên" có thể là lựa chọn thay thế cho API đám mây đắt đỏ trong các tác vụ như:

• Tạo bản nháp nội dung cần chỉnh sửa nhẹ
• Viết mô tả sản phẩm cho sàn thương mại điện tử
• Tóm tắt tài liệu nội bộ
• Trả lời tự động trong chatbot chăm sóc khách hàng

Tất nhiên, cần lưu ý rằng dự án tập trung vào tiếng Anh. Với tiếng Việt, chất lượng văn phong của các mô hình nhỏ vẫn là bài toán chưa được giải quyết trọn vẹn, và việc tinh chỉnh tương tự cho tiếng Việt là hướng đi mà các nhóm nghiên cứu trong nước có thể thử.

Điều đáng học hỏi

Điểm hay nhất của dự án không nằm ở mô hình cụ thể, mà ở cách công bố minh bạch: đưa ra tiêu chí đánh giá rõ ràng, so sánh song song và thừa nhận giới hạn. Trong bối cảnh nhiều sản phẩm AI quảng cáo quá đà, cách làm này tạo dựng niềm tin tốt hơn nhiều so với những lời giới thiệu chung chung.

Nếu bạn quan tâm đến việc chạy mô hình ngôn ngữ cục bộ hoặc muốn nội dung AI của mình bớt "mùi máy", đây là một thử nghiệm đáng để tham khảo — và cũng là lời nhắc rằng đôi khi vấn đề không nằm ở mô hình to hay nhỏ, mà ở cách ta uốn nắn nó.