|

Anthropic vừa ra mắt Claude Opus 5 với mức giá giữ nguyên như Opus 4.8 nhưng chất lượng trả lời được nâng lên gần bằng Fable 5, model đắt gấp đôi. Nói cách khác, với mức giá bằng một nửa Fable 5 mà hiệu năng lại áp sát, phần lớn người dùng nhiều khả năng sẽ chọn Opus 5 làm model mặc định, chỉ giữ Fable 5 cho số ít tác vụ thật sự cần đến giới hạn cao nhất. Claude Opus 5 mang đến những nâng cấp nào? Theo thông báo ra mắt của Anthropic, Claude Opus 5 là model Opus mạnh nhất tính đến nay và là đại diện đầu tiên của dòng Opus thuộc thế hệ Claude 5. Anthropic mô tả đây là model chủ động, biết suy nghĩ sâu và tiến gần trí tuệ cấp cao nhất của Claude Fable 5 trong nhiều lĩnh vực, nhưng chỉ tốn một nửa chi phí token. Model có mã API claude-opus-5, context mặc định và tối đa 1 triệu token, tương tự Opus 4.8 và Fable 5, cùng giới hạn đầu ra 128.000 token và chế độ thinking được bật mặc định. Nó đã trở thành model mặc định trên Claude Max và là model mạnh nhất khả dụng trên Claude Pro, đồng thời có mặt trên Claude API, Amazon Bedrock, Google Cloud, Microsoft Foundry và cả GitHub Copilot. Vì sao nhiều người sẽ chọn Opus 5 thay vì Fable 5? Câu trả lời không chỉ nằm ở con số giá. Có bốn lý do khiến Opus 5 nhiều khả năng trở thành lựa chọn mặc định cho công việc hằng ngày, trong khi Fable 5 lùi về vai trò công cụ chuyên dụng cho số ít trường hợp đặc biệt. Thắng nhiều hơn thua trên các bài kiểm tra thực tế Trên Frontier-Bench v0.1, bài kiểm tra coding tự động của chính Anthropic, Opus 5 đạt 43,3% trong khi Fable 5 chỉ đạt 33,7%, một khoảng cách gần 10 điểm nghiêng hẳn về Opus 5. Trên CursorBench 3.2 ở mức effort tối đa, Opus 5 đạt khoảng 70,1%, thua Fable 5 chưa tới nửa điểm phần trăm nhưng chi phí chỉ bằng một nửa. Tính chung trên các bài kiểm tra mà cả hai model đều có số liệu, Opus 5 thắng nhiều hơn thua và phần thắng thường lớn hơn phần thua. Cách kiểm chứng nhanh nhất: chạy cùng một tác vụ trên cả hai model ở effort tương đương, rồi so sánh chất lượng đầu ra thay vì chỉ nhìn benchmark được công bố. Không bị ép giữ dữ liệu 30 ngày Fable 5 và Mythos 5 thuộc nhóm Covered Models, bắt buộc lưu giữ prompt và kết quả trong 30 ngày để phục vụ công tác an toàn, đồng thời không hỗ trợ zero data retention (ZDR) trên bất kỳ nền tảng nào, kể cả khi tổ chức đã có thỏa thuận ZDR từ trước. Ngược lại, Opus 5 vẫn vận hành được dưới ZDR như Opus 4.8. Với các đội ngũ xử lý dữ liệu pháp lý, y tế hoặc tài chính, riêng điểm này đã đủ để loại Fable 5 khỏi danh sách lựa chọn mà không cần so hiệu năng. Ít bị gián đoạn bởi bộ lọc an toàn Anthropic cho biết bộ phân loại an ninh mạng của Opus 5 can thiệp ít hơn khoảng 85% so với Fable 5. Với các coding agent chạy nhiều giờ hoặc qua đêm, việc bị chặn giữa chừng vì request chạm ngưỡng an toàn là rủi ro thực sự làm gián đoạn quy trình, và Opus 5 giảm đáng kể tần suất đó. Effort điều chỉnh được, ngân sách dễ đoán hơn Opus 5 hỗ trợ adaptive thinking với effort từ thấp đến tối đa. Mức thấp hoặc trung bình phù hợp cho phản hồi nhanh và khối lượng lớn, còn mức cao hoặc tối đa dành cho coding phức tạp, nghiên cứu sâu và quy trình nhiều bước. Vì phải trả tiền theo effort đã chọn thay vì bị khóa vào một mức giá cố định như Fable 5, đội ngũ có thể tối ưu ngân sách theo từng loại tác vụ thay vì trả giá cao nhất cho mọi request. Cảm nhận ban đầu sau khi dùng thử Opus 5 Sau khi dùng thử Opus 5 cho công việc viết lách và xử lý code hằng ngày, cảm nhận rõ nhất là model này thông minh hơn hẳn Opus 4.8, đặc biệt ở khả năng hiểu ý đồ ngay từ lần yêu cầu đầu tiên mà không cần giải thích lại nhiều lần. Với các tác vụ như tóm tắt tài liệu dài, viết code có logic rẽ nhánh phức tạp hoặc lên kế hoạch nhiều bước, Opus 5 xử lý mượt và ít khi đi lạc đề như bản cũ thường gặp. So với Fable 5 thì vẫn có khoảng cách, dù không lớn như tưởng tượng. Ở những tác vụ đòi hỏi suy luận sâu hoặc phải tự chủ qua nhiều bước liên tiếp mà không có ai can thiệp, Fable 5 vẫn xử lý chắc tay và ít sai sót hơn một chút. Nhưng với phần lớn công việc hằng ngày, mức chênh lệch đó khó nhận ra nếu không đặt hai model cạnh nhau để so sánh trực tiếp. Nếu bạn đang dùng Opus 4.8, đây là thời điểm hợp lý để nâng cấp. Còn nếu đang cân nhắc giữa Opus 5 và Fable 5 cho công việc thông thường, Opus 5 gần như đủ dùng mà không cần trả thêm tiền. Khi nào Fable 5 vẫn là lựa chọn đúng? Fable 5 vẫn giữ được lợi thế ở đúng những chỗ khó nhất. Trên SWE-bench Pro, bộ kiểm tra dùng vấn đề GitHub có thật và được xem là thước đo khắt khe nhất cho công việc coding thực tế, Fable 5 đạt khoảng 80% trong khi Opus 5 đạt khoảng 79%, một khoảng cách nhỏ nhưng vẫn nghiêng về Fable 5. Fable 5 cũng là model duy nhất Anthropic định vị ở cấp Mythos, tức năng lực tổng thể cao hơn Opus theo thiết kế, và điều này thể hiện rõ ở các lĩnh vực chuyên sâu như phân tích y tế chuyên môn hoặc nghiên cứu tự chủ kéo dài nhiều ngày mà không có người giám sát. Nói cách khác, phần thắng của Opus 5 tập trung ở công việc coding và xử lý tri thức hằng ngày, còn lợi thế của Fable 5 nằm ở những bài toán khó nhất và các lĩnh vực đòi hỏi độ tin cậy tuyệt đối. Với đa số người dùng và đội ngũ nhỏ, những bài toán đó chiếm tỷ trọng rất nhỏ trong công việc thường ngày, nên khoản chênh lệch giá gấp đôi khó biện minh được, trừ khi công việc của bạn rơi đúng vào nhóm này. So sánh nhanh Opus 5 và Fable 5 Tiêu chíClaude Opus 5Claude Fable 5 Giá đầu vào5 USD/triệu token10 USD/triệu token Giá đầu ra25 USD/triệu token50 USD/triệu token Context1 triệu token1 triệu token Đầu ra tối đa128.000 token128.000 token Frontier-Bench v0.1 (coding agent)43,3%33,7% SWE-bench Pro (coding thực tế)~79%~80% Lưu giữ dữ liệuHỗ trợ zero data retentionBắt buộc lưu giữ 30 ngày, không có ZDR Tần suất chặn bởi bộ lọc an toànThấp hơn khoảng 85%Cao hơn Phù hợp nhấtCông việc hằng ngày, coding agent, dữ liệu nhạy cảmNghiên cứu khó, dự án tự chủ dài ngày, phân tích y tế chuyên sâu Vậy Opus 5 có thật sự đọ được với GPT-5.6? Trên giấy tờ, câu trả lời là có, nhưng không phải toàn diện. Opus 5 dẫn trước GPT-5.6 Sol ở khả năng suy luận với tình huống mới, thao tác máy tính và phần lớn bài kiểm tra coding công khai, trong khi GPT-5.6 Sol vẫn nhỉnh hơn ở một số bài kiểm tra thao tác dòng lệnh và tìm kiếm thông tin. Không bên nào thắng tuyệt đối, nhưng lần đầu tiên một model tầm giá trung của Anthropic đứng ngang hàng, thậm chí nhỉnh hơn ở nhiều mặt so với model đầu bảng của OpenAI. Câu hỏi đáng quan tâm hơn không phải model nào mạnh hơn mà là model nào thực sự phù hợp với bạn. Nếu công việc hằng ngày xoay quanh code, tài liệu dài và tác vụ nhiều bước, Opus 5 đang là lựa chọn hợp lý cả về giá lẫn chất lượng. Còn nếu bạn đã quen với hệ sinh thái OpenAI hoặc cần đúng thế mạnh của GPT-5.6, chi phí chuyển đổi có thể không đáng để thay đổi. Cách trả lời chắc chắn nhất vẫn là tự chạy thử cùng một việc trên cả hai, vì bảng benchmark không phải lúc nào cũng phản ánh đúng trải nghiệm thật.

Google công bố Gemini 3.6 Flash ngày 21/7/2026 với hàng loạt điểm benchmark tăng vọt so với 3.5 Flash: DeepSWE từ 37% lên 49%, MLE Bench từ 49,7% lên 63,9% và OSWorld Verified đạt 83%. Nhưng trải nghiệm sử dụng thực tế của 4AIVN lại kể một câu chuyện khác hẳn: model xử lý việc nhỏ khá ổn, còn khi được giao một kế hoạch nhiều bước thì lại quên mục tiêu, bỏ sót bước và đi lệch hướng giữa chừng. Benchmark tăng mạnh nhưng không phản ánh đúng việc dùng thật Theo thông báo chính thức của Google, Gemini 3.6 Flash dùng ít hơn 17% token đầu ra so với 3.5 Flash trên Artificial Analysis Index; một số bài test như DeepSWE ghi nhận mức giảm token tới 65%. Cửa sổ đầu vào của model đạt 1.048.576 token và giới hạn đầu ra là 65.536 token, những con số nghe rất ấn tượng trên giấy. Vấn đề nằm ở chỗ tất cả những con số này đều đến từ các bài test được thiết kế sẵn, có mục tiêu cố định ngay từ đầu và chạy trong một phiên ngắn. Đó không phải cách một plan thực tế vận hành, vì công việc thật luôn cần điều chỉnh liên tục theo phản hồi, chứ không phải hoàn thành xong một lượt là kết thúc. Bám plan dài là điểm yếu chí mạng Trong trải nghiệm sử dụng thực tế, Gemini 3.6 Flash thể hiện quá kém ngay khi bước ra khỏi phạm vi một task đơn lẻ. Giao việc nhỏ, có bước kiểm tra rõ ràng thì model làm tốt và ít vòng lặp thừa. Nhưng khi được giao một kế hoạch nhiều bước, model bắt đầu quên mục tiêu ban đầu, bỏ sót các bước đã thống nhất từ trước hoặc tự ý đi lệch hướng sau vài lượt trao đổi. Khi được nhắc lại, model đôi khi chỉ xin lỗi rồi lặp lại đúng lỗi cũ thay vì thực sự sửa. Cửa sổ 1 triệu token mô tả sức chứa đầu vào, không phải khả năng ghi nhớ. Model có thể “nhìn thấy” toàn bộ context nhưng vẫn bỏ sót chi tiết khi thực hiện; chỉ cần một điểm nhỏ không được chú ý là kế hoạch có thể lệch hướng ngay. Đây không phải lỗi ngẫu nhiên hiếm gặp mà là điểm yếu lặp lại đủ nhiều để không thể bỏ qua. Nói cách khác, Gemini 3.6 Flash mạnh ở việc làm nhanh một tác vụ, nhưng chưa đáng tin khi phải thực hiện đúng một chuỗi tác vụ, và đó chính là khoảng cách mà benchmark không đo được. Giá giảm 17% nhưng chất lượng chưa chắc tương xứng Giá niêm yết của Gemini 3.6 Flash là 1,50 USD cho một triệu token đầu vào và 7,50 USD cho một triệu token đầu ra, giảm khoảng 17% so với mức 9 USD của 3.5 Flash. Nghe qua, đây là một bước tiến hợp lý: rẻ hơn mà benchmark lại cao hơn. Nhưng nếu chất lượng thực thi trên các tác vụ dài lại kém, phần tiết kiệm chi phí trên giấy có thể bị nuốt gọn bởi số lần phải nhắc lại, sửa lại hoặc chạy lại toàn bộ kế hoạch từ đầu. Gemini 3.5 Flash Lite còn rẻ hơn, với giá 0,30 USD cho một triệu token đầu vào và 2,50 USD cho đầu ra, nhưng đó là lựa chọn dành cho phân loại và chuyển đổi dữ liệu đơn giản, những việc không đòi hỏi model phải nhớ một kế hoạch dài. Được gì, mất gì khi dùng Gemini 3.6 Flash? Nhìn một cách khách quan, đây không phải là một bản nâng cấp thất bại. Google có lẽ đã tính toán rất kỹ để tối ưu giữa chất lượng đầu ra, tốc độ và chi phí, dù kết quả thực tế chưa hẳn đáp ứng kỳ vọng cao dành cho đội ngũ kỹ sư của họ. Những cải thiện này hoàn toàn rõ ràng chứ không chỉ dừng lại trên lý thuyết: tốc độ phản hồi nhanh hơn, chi phí đầu ra giảm đáng kể và với các tác vụ ngắn, phạm vi hẹp như phân loại nội dung, viết một hàm code đơn lẻ hoặc giải quyết một câu hỏi cụ thể, model xử lý rất gọn gàng, hạn chế các vòng lặp thừa. Nhưng cái giá phải trả lộ ra ngay khi công việc kéo dài quá một vài bước. Model càng phải giữ nhiều ràng buộc và nhớ nhiều quyết định đã thống nhất trước đó thì tỷ lệ đi lệch càng tăng. Với coding agent hoặc quy trình dài đang chạy ổn định trên Claude Fable 5 hoặc GPT 5.6, chưa có lý do đủ thuyết phục để đổi sang Gemini 3.6 Flash chỉ vì benchmark hoặc giá thấp hơn. Vẫn phải chờ Gemini 3.5 Pro Google cho biết Gemini 3.5 Pro vẫn đang được thử nghiệm cùng các đối tác và sẽ được phát hành rộng rãi khi sẵn sàng. Vì vậy, câu chuyện cốt lõi của đợt phát hành này nằm ở khoảng cách khá xa giữa benchmark và thực tế công việc. Với những ai đang tìm kiếm một agent đủ tin cậy cho các quy trình dài hạn, có lẽ họ vẫn phải kiên nhẫn chờ xem 3.5 Pro có tạo nên bước ngoặt mới hay không. Nếu các phiên bản tiếp theo tiếp tục thể hiện mờ nhạt trong thực chiến, Google có nguy cơ tự tay nhường lợi thế cho các đối thủ như Anthropic, OpenAI và Meta.

Spotify biến tìm nhạc thành một cuộc trò chuyện liên tục: người dùng có thể yêu cầu phát nghệ sĩ mới, đổi không khí, lưu bài hát và hỏi về lịch sử nghe mà không rời ứng dụng. Trợ lý mới đưa AI từ gợi ý thụ động thành công cụ hiểu yêu cầu và thực hiện hành động. Spotify biến tìm kiếm thành cuộc trò chuyện như thế nào? Theo thông báo chính thức của Spotify, người dùng đủ điều kiện sẽ thấy cách trò chuyện mới tại màn hình Home và Now Playing trên ứng dụng di động. Họ có thể gõ câu hỏi hoặc nhấn nút micro để nói, sau đó tiếp tục trao đổi qua nhiều lượt thay vì nhập lại một truy vấn hoàn toàn mới. Điểm đáng chú ý là trợ lý không chỉ trả về một danh sách bài hát. Nó có thể điều khiển nội dung đang phát, giải thích thông tin liên quan và thực hiện hành động như lưu bài, thêm bài vào hàng đợi hoặc theo dõi nghệ sĩ. Ví dụ, người nghe có thể yêu cầu một số nghệ sĩ mà mình chưa từng nghe, rồi bổ sung rằng họ muốn nhạc mới phát hành hoặc không khí sôi động hơn. Trợ lý AI mới làm được những gì? Spotify chia trải nghiệm thành ba nhóm chính gồm chọn nội dung, tìm hiểu nội dung đang phát và khám phá thói quen nghe. Trong âm nhạc, người dùng có thể yêu cầu một phong cách, một nghệ sĩ hoặc một tâm trạng, sau đó thay đổi lựa chọn bằng câu hỏi tiếp theo. Trong podcast và sách nói, họ có thể hỏi thêm về khách mời, tác giả hoặc những chương trình liên quan. Trợ lý cũng có quyền truy cập vào ngữ cảnh cá nhân mà một chatbot thông thường không tự có. Nó hiểu playlist, nghệ sĩ yêu thích, bài nghe lặp lại và lịch sử phát của tài khoản, vì vậy người dùng có thể hỏi lần đầu mình nghe một bài là khi nào hoặc gần đây đang nghe nhiều thể loại nào. Đây là lợi thế lớn vì câu trả lời gắn với dữ liệu sử dụng thực tế thay vì chỉ dựa trên kiến thức chung. Một yêu cầu có thể được chỉnh qua nhiều lượt Hãy hình dung bạn đang chuẩn bị một buổi chạy bộ nhưng không biết nên mở playlist nào. Bạn có thể yêu cầu nhạc có nhịp nhanh từ các nghệ sĩ chưa từng nghe, tiếp tục thêm một ca sĩ yêu thích, rồi giới hạn kết quả ở các bản phát hành gần đây. Khi gặp bài phù hợp, bạn có thể yêu cầu lưu bài ngay mà không chuyển qua nhiều màn hình. Tính năng này khác AI DJ và ChatGPT ra sao? AI DJ chủ yếu đóng vai trò người dẫn chương trình, chọn nhạc và giới thiệu bằng giọng nói, trong khi trợ lý mới mở rộng hội thoại sang Home và Now Playing. Người dùng không chỉ nghe lựa chọn do hệ thống đưa ra mà còn có thể đặt câu hỏi, thay đổi hướng đề xuất và yêu cầu ứng dụng thực hiện tác vụ cụ thể. Spotify cũng từng kết nối dịch vụ với ChatGPT, nhưng trải nghiệm mới diễn ra trực tiếp bên trong ứng dụng nghe nhạc. Điều này có nghĩa là người dùng không cần rời Spotify, liên kết một dịch vụ khác rồi quay lại để phát nội dung. Theo TechCrunch, Spotify kết hợp công nghệ AI do hãng phát triển với model từ nhiều nhà cung cấp và chọn công nghệ phù hợp cho từng tác vụ. Spotify chưa công bố tên model cụ thể hoặc cách định tuyến yêu cầu. Vì vậy, chưa thể kết luận trợ lý mạnh đến đâu ở các câu hỏi kiến thức, nhưng chiến lược nhiều model cho thấy hãng không muốn phụ thuộc vào một nhà cung cấp duy nhất. Người dùng cần lưu ý gì trước khi thử? Tính năng đang được triển khai dần dưới dạng beta cho người dùng Premium từ 18 tuổi tại Mỹ, Ireland và Thụy Điển. Trợ lý hiện hỗ trợ tiếng Anh trên iOS và Android, vì vậy người dùng tại Việt Nam chưa nằm trong phạm vi được công bố. Spotify thừa nhận phản hồi có thể chưa luôn chính xác trong giai đoạn thử nghiệm và ý kiến của người dùng sẽ được dùng để cải thiện sản phẩm. Trước khi tin vào thông tin về ngày phát hành, nguồn cảm hứng của bài hát hoặc tiểu sử nghệ sĩ, người nghe vẫn nên kiểm tra nguồn chính thức nếu dữ kiện đó quan trọng. Kiểm tra tài khoản có thuộc khu vực và độ tuổi được hỗ trợ hay không. Thử cả nhập chữ và giọng nói để xem cách nào hiểu ý định tốt hơn. Bắt đầu bằng yêu cầu rõ ràng, sau đó dùng câu hỏi nối tiếp để tinh chỉnh. Không xem câu trả lời beta là nguồn duy nhất cho thông tin cần độ chính xác cao. Spotify đang thay đổi cách khám phá âm thanh Điểm quan trọng nhất không phải là Spotify có thêm một chatbot, mà là hội thoại đang trở thành lớp điều khiển cho cả nội dung và hành động trong ứng dụng. Khi AI hiểu được thư viện, lịch sử nghe và nội dung đang phát, một câu nói có thể thay thế nhiều lần tìm kiếm, mở menu và chỉnh hàng đợi. Nếu được quyền thử beta, người dùng nên kiểm tra ba tình huống gồm khám phá nghệ sĩ mới, hỏi về lịch sử nghe và tinh chỉnh playlist qua nhiều lượt. Ba phép thử này sẽ cho thấy trợ lý thực sự hiểu sở thích cá nhân hay chỉ biến câu lệnh thành một cách tìm kiếm dài hơn.

Muse Image là nỗ lực mới nhất của Meta nhằm biến Meta AI thành một studio sáng tạo nằm ngay trong mạng xã hội. Mô hình không chỉ tạo hoặc sửa ảnh mà còn có thể tìm kiếm, viết code, suy luận và tự kiểm tra kết quả. Khi đặt cạnh Nano Banana 2 và GPT Image 2.0, Muse Image không cố chiến thắng bằng một chỉ số duy nhất mà chọn lợi thế tích hợp sâu với Meta AI, Instagram, WhatsApp cùng cách tạo ảnh mang tính AI agent. Muse Image hoạt động ra sao ? Meta Superintelligence Labs công bố Muse Image tháng 7-2026 cùng preview của Muse Video. Đây là mô hình tạo ảnh đầu tiên của Meta AI để cạnh tranh với các ông lớn Google hay OpenAI. Meta cho biết Muse Image tuân thủ hướng dẫn tốt, chỉnh sửa chính xác và có thể kết hợp nhiều ảnh tham chiếu trong một yêu cầu. Điểm khác biệt nằm ở quy trình trước khi ảnh được xuất đó là thay vì nhận prompt rồi dựng hình ngay, Muse Image có thể lên kế hoạch, gọi công cụ và tự đánh giá bản nháp. Hệ thống phối hợp với Muse Spark để chia sẻ công cụ và cùng lập kế hoạch, đưa khả năng suy luận của mô hình ngôn ngữ vào quá trình tạo nội dung trực quan. Tìm kiếm và viết code giúp ảnh chính xác hơn Muse Image có hai nhóm công cụ đáng chú ý đó là tìm kiếm web giúp mô hình lấy ngữ cảnh thời gian thực và tham chiếu thị giác cho chủ đề cần kiến thức mới. Công cụ viết code được dùng khi ảnh yêu cầu chi tiết có cấu trúc như biểu đồ, công thức hoặc code QR có thể quét. Thay vì chỉ “vẽ gần giống”, hệ thống có thể tạo dữ liệu bằng code, dựng kết quả rồi dùng nó làm điều kiện cho ảnh cuối. Về nguyên lý, cách làm này khá giống với kỹ thuật của GPT Image 2.0 và Nano Banana 2: cả ba đều không chỉ dựa vào prompt ban đầu mà còn tận dụng ngữ cảnh, suy luận hoặc thông tin bổ trợ để nâng độ chính xác của ảnh. Điểm khác biệt của Muse Image theo như Meta nói đó là nhấn mạnh quy trình Agent kết hợp tìm kiếm web, viết lại code và tự đánh giá bản nháp. Nếu một chi tiết nhỏ sai, Muse Image có thể sửa cục bộ; nếu bố cục sai lớn, mô hình có thể tạo lại hoặc đổi chiến thuật bằng cách gọi thêm công cụ. Meta cho biết chất lượng tăng khi mô hình được cấp thêm ngân sách suy luận và các bước tự tinh chỉnh ở thời điểm chạy.Lưu ý: Các nhận định về khả năng và thứ hạng của Muse Image hiện chủ yếu đến từ Meta. Kết quả thực tế còn phụ thuộc prompt, ảnh tham chiếu, khu vực được hỗ trợ và việc tính năng có được triển khai đầy đủ trên tài khoản hay chưa. Trải nghiệm tạo và chỉnh sửa ảnh có gì đáng chú ý? Trong Meta AI, người dùng dĩ nhiên có thể mô tả yêu cầu bằng ngôn ngữ hội thoại, bắt đầu từ ảnh trắng hoặc tải ảnh có sẵn. Đây gần như là điều kiện tối thiểu ở thời điểm hiện tại khi tương tác với công cụ tạo ảnh, thiếu nó đồng nghĩa với việc bị coi là thụt lùi so với mặt bằng chung. Các ví dụ Meta đưa ra gồm xóa người thừa khỏi hậu cảnh, ghép người dùng vào một địa danh, phục hồi ảnh cũ, thử kiểu tóc, tạo infographic và dựng code QR. Preset gợi ý giúp người mới bắt đầu mà không cần viết prompt dài.Chỉnh trực tiếp bằng nét vẽ và giữ ngữ cảnh nhiều lượt Muse Image cho phép khoanh, vẽ hoặc ghi chú trực tiếp lên vùng cần sửa. Vì Meta AI giữ ngữ cảnh hội thoại, người dùng có thể đổi phong cách, thêm vật thể hoặc tinh chỉnh chi tiết qua nhiều lượt mà không phải bắt đầu lại. Đây là cách tương tác phù hợp với người dùng điện thoại và mạng xã hội, nơi thao tác trực quan quan trọng hơn bảng tham số kỹ thuật.Khả năng kết hợp nhiều tham chiếu cũng là lợi thế lớn khi này một prompt có thể đưa người từ ảnh chân dung, trang phục từ ảnh khác, bối cảnh từ ảnh thứ ba và phong cách từ một tham chiếu riêng vào cùng bố cục. Muse Image hỗ trợ xen kẽ văn bản với ảnh trong prompt, giúp yêu cầu phức tạp dễ mô tả hơn.Tích hợp Meta khiến ảnh đi thẳng vào nơi cần chia sẻMuse Image có mặt trong ứng dụng và web của Meta AI đồng thời cung cấp hiệu ứng cho Instagram Stories và tạo ảnh trong cuộc trò chuyện WhatsApp tại một số quốc gia. Meta dự kiến mở rộng sang Facebook, Messenger, thêm khu vực trên Instagram và WhatsApp, cũng như Advantage+ creative cho quảng cáo.Điều này rút ngắn đáng kể quãng đường từ ý tưởng đến bài đăng. Người dùng không cần tạo ảnh ở một ứng dụng, tải xuống rồi nhập lại vào mạng xã hội. Đổi lại, mức độ sẵn có và luồng làm việc phụ thuộc nhiều vào hệ sinh thái Meta hơn so với các model có API công khai rõ ràng. Muse Image so với Nano Banana 2 và GPT Image 2.0 Ba công cụ đều tạo và chỉnh sửa ảnh chất lượng cao, nhưng được tối ưu cho ba điểm xuất phát khác nhau. Muse Image bắt đầu từ Meta AI và mạng xã hội. Nano Banana 2, tên model Gemini 3.1 Flash Image, nhấn mạnh tốc độ, giá thành và khối lượng triển khai. GPT Image 2.0 kết nối trải nghiệm ChatGPT Images 2.0 với model API `gpt-image-2` dành cho tạo và chỉnh sửa ảnh chất lượng cao.Tiêu chíMuse ImageNano Banana 2GPT Image 2.0Cách tiếp cậnTác tử tạo ảnh dùng tìm kiếm, code và tự tinh chỉnhModel Flash tối ưu tốc độ, chi phí và throughputModel chất lượng cao trong ChatGPT và OpenAI APIĐiểm mạnh nổi bậtNhiều ảnh tham chiếu, chỉnh sửa trực tiếp, tích hợp MetaGrounding web và hình ảnh, bản địa hóa chữ, nhiều độ phân giảiĐộ trung thực cao, đầu vào ảnh chất lượng cao, phong cách đa dạngĐộ phân giải và tỉ lệMeta chưa công bố bộ thông số API chuẩn hóa rộng rãi0.5K, 1K, 2K, 4K và các tỉ lệ rất rộng như 8:1Kích thước linh hoạt qua ChatGPT và APIKênh sử dụngMeta AI, meta.ai, Instagram, WhatsApp và dần mở rộngGemini, Google AI Studio và Gemini APIChatGPT, Playground và OpenAI APIPhù hợp nhấtSáng tạo nhanh để chia sẻ trong hệ sinh thái MetaỨng dụng cần tốc độ, chi phí tốt và tạo ảnh số lượng lớnThiết kế, chỉnh sửa và pipeline cần chất lượng cùng kiểm soát caoNano Banana 2 thiên về tốc độ và quy môNano Banana 2 được Google định vị là model Flash hiệu quả cao. Nó hỗ trợ tìm kiếm web và hình ảnh để lấy ngữ cảnh mới, cải thiện chữ trong ảnh và bản địa hóa nhiều ngôn ngữ. Nhà phát triển có thể chọn mức suy luận, nhiều tỉ lệ khung hình và độ phân giải từ 0.5K đến 4K.Điểm hấp dẫn nhất của Nano Banana 2 là khả năng đưa vào quy trình sản xuất khi mà Google công bố giá theo độ phân giải và có chế độ batch rẻ hơn, phù hợp ứng dụng thương mại điện tử, quảng cáo theo thị trường hoặc công cụ cần tạo lượng lớn biến thể. Nếu bài toán là tốc độ, chi phí dự đoán được và API, Nano Banana 2 có lợi thế rõ. GPT Image 2.0 thiên về chất lượng và không gian sáng tạo rộng ChatGPT Images 2.0 cho thấy thế mạnh ở typography đa ngôn ngữ, phong cách thị giác, ảnh chân thực, poster, truyện tranh, infographic và thiết kế nhiều khung. Model `gpt-image-2` cũng có trên OpenAI API với khả năng tạo nhanh, chỉnh sửa, kích thước linh hoạt và đầu vào hình ảnh có độ trung thực cao.Trải nghiệm ChatGPT phù hợp với quá trình trao đổi ý tưởng dài: người dùng có thể đưa tài liệu, ảnh tham chiếu và yêu cầu thay đổi bằng hội thoại. Với nhà phát triển, API tạo ảnh và chỉnh sửa tách bạch giúp đưa model vào sản phẩm. GPT Image 2.0 vì thế cân bằng tốt giữa công cụ cho người dùng cuối và hạ tầng lập trình.Nên chọn công cụ nào cho từng loại công việc?Không có model thắng mọi trường hợp. Nếu kết quả cuối cùng là Story, bài đăng, tin nhắn hoặc quảng cáo trong hệ sinh thái Meta, Muse Image mang lại luồng làm việc ngắn nhất. Khả năng chỉnh bằng nét vẽ và preset cũng giúp người không quen prompt bắt đầu nhanh.Chọn Muse Image khi cần ghép nhiều ảnh cá nhân, tạo nội dung xã hội, chỉnh sửa trên điện thoại hoặc chia sẻ ngay trong Meta.Chọn Nano Banana 2 khi xây ứng dụng tạo ảnh quy mô lớn, cần nhiều độ phân giải, bản địa hóa và tối ưu chi phí API.Chọn GPT Image 2.0 khi cần phong cách đa dạng, chỉnh sửa bằng hội thoại, đầu vào ảnh trung thực hoặc tích hợp với OpenAI API.Một nhóm sản xuất cũng có thể dùng nhiều model. Nano Banana 2 tạo biến thể số lượng lớn, GPT Image 2.0 xử lý tài sản cần art direction kỹ, còn Muse Image phục vụ nội dung cá nhân hóa để phân phối trên Instagram, WhatsApp hoặc Facebook.Muse Image có đủ sức trở thành đối thủ lớn không?Meta cho biết Muse Image đứng thứ hai trên bảng xếp hạng Arena cho text-to-image, chỉnh sửa một ảnh và chỉnh sửa nhiều ảnh theo xếp hạng ưu tiên của người dùng. Con số này cho thấy model có chất lượng cạnh tranh, nhưng lợi thế bền vững của Meta có thể nằm ở phân phối hơn là bảng xếp hạng.Muse Image bước vào nơi hàng tỷ người đã trò chuyện, đăng story, chia sẻ ảnh và mua quảng cáo. Nếu khả năng suy luận, tìm kiếm và tự tinh chỉnh hoạt động ổn định, Meta có thể biến tạo ảnh AI thành tính năng mặc định trong giao tiếp hằng ngày thay vì một công cụ chuyên biệt.Ở chiều ngược lại, Nano Banana 2 và GPT Image 2.0 vẫn giữ hệ sinh thái API rõ ràng hơn cho nhà phát triển, còn Muse Image cần mở rộng khu vực, minh bạch hơn về hạn mức và có lựa chọn tích hợp đủ mạnh nếu muốn cạnh tranh ngoài ứng dụng Meta. Đây là công cụ đáng chú ý nhất cho mảng sáng tạo trên mạng xã hội tính đến lúc này, dù Meta AI vốn mang tiếng luôn đi sau về chất lượng model. Lần này khoảng cách có vẻ đã hẹp hơn đáng kể, nhưng việc Meta có thực sự bắt kịp hay không vẫn cần chờ người dùng đánh giá qua thời gian sử dụng thực tế.

OpenAI vừa đưa GPT-Live vào ChatGPT Voice, biến cuộc trò chuyện bằng giọng nói từ kiểu hỏi xong rồi chờ trả lời thành một dòng tương tác liên tục. Mô hình có thể nghe khi đang nói, nhận ra lúc người dùng muốn ngắt lời, biết chờ khi họ cần suy nghĩ và giao việc khó cho GPT-5.5 xử lý ở nền. Trải nghiệm mới vì thế gần với một cuộc hội thoại thực hơn, nhưng vẫn có những giới hạn cần biết trước khi sử dụng.GPT-Live khác ChatGPT Voice trước đây ở điểm nào?OpenAI công bố GPT-Live ngày 8/7/2026 như một thế hệ mô hình giọng nói mới, gồm GPT-Live-1 và GPT-Live-1 mini. Cả hai đang được triển khai trên ChatGPT thay vì là một sản phẩm độc lập có giao diện riêng. Người dùng chỉ cần mở nút Voice quen thuộc để nhận trải nghiệm mới khi tài khoản được cập nhật.[VIDEO:EAN5Cj347PY|OpenAI ra mắt GPT-Live|Video giới thiệu ChatGPT Voice mới được hỗ trợ bởi GPT-Live]Khác biệt lớn nhất nằm ở kiến trúc full-duplex. Các hệ thống giọng nói nối tầng trước đây phải lần lượt chuyển giọng nói thành văn bản, gửi văn bản cho mô hình ngôn ngữ rồi đọc câu trả lời bằng giọng tổng hợp. Cách làm này tạo độ trễ và có thể làm mất một phần sắc thái. Advanced Voice Mode đã xử lý âm thanh trực tiếp hơn, nhưng cuộc trò chuyện vẫn vận hành theo lượt: AI thường chờ người dùng dừng hẳn rồi mới phản hồi.GPT-Live liên tục xử lý đầu vào trong khi tạo đầu ra. Nhiều lần mỗi giây, mô hình có thể quyết định nên nói, tiếp tục nghe, tạm dừng, chấp nhận lời ngắt hoặc gọi công cụ. Đây là lý do một khoảng im lặng ngắn không nhất thiết bị hiểu nhầm là người dùng đã nói xong.Vừa nghe vừa nói thay đổi cuộc hội thoại ra sao?Khi hai bên có thể phản ứng liên tục, người dùng không còn phải diễn đạt mọi yêu cầu thành một lượt nói hoàn chỉnh. Bạn có thể bổ sung ý giữa chừng, yêu cầu AI nói chậm lại hoặc sửa ngay một giả định mà không cần đợi hết đoạn trả lời. GPT-Live cũng có thể dùng những phản hồi ngắn như “mình đang nghe” để báo hiệu rằng nó vẫn theo kịp, hoặc giữ im lặng khi được yêu cầu chỉ lắng nghe.Full-duplex còn hữu ích cho dịch trực tiếp, luyện hội thoại ngoại ngữ và các tình huống cần trao đổi nhanh. Tuy nhiên, “tự nhiên hơn” không có nghĩa AI đã hiểu mọi tín hiệu giống con người. Giọng vùng miền, môi trường quá ồn, kết nối mạng không ổn định hoặc câu nói thiếu ngữ cảnh vẫn có thể khiến cuộc trò chuyện lệch hướng.Trải nghiệm sử dụng GPT-Live thực tế như thế nào?Cảm giác khác biệt rõ nhất không đến từ một tính năng đơn lẻ mà từ nhịp hội thoại. Khi bạn ngập ngừng để nhớ một con số, GPT-Live được thiết kế để chờ thay vì chen vào. Khi bạn đổi câu hỏi giữa lúc AI đang giải thích, mô hình có thể dừng và chuyển hướng nhanh hơn. Trong môi trường có tiếng xe hoặc cuộc trò chuyện gần đó, OpenAI cho biết khả năng tập trung vào giọng của người dùng cũng được cải thiện.Đối thoại tự nhiên hơn nhưng vẫn cần nói rõ mục tiêuGPT-Live phù hợp với các yêu cầu như lập kế hoạch trong lúc đi bộ, luyện phỏng vấn, luyện phát âm, hỏi nhanh khi đang nấu ăn hoặc phân tích một ý tưởng mà không muốn gõ bàn phím. Người dùng có thể bắt đầu bằng mục tiêu, bổ sung ràng buộc trong quá trình nói và yêu cầu mô hình tóm tắt quyết định ở cuối cuộc trao đổi.Để trải nghiệm ổn định, nên nói rõ vai trò và kết quả cần nhận. Chẳng hạn, thay vì chỉ nói “giúp tôi luyện tiếng Anh”, hãy yêu cầu GPT-Live đóng vai người phỏng vấn, giữ tốc độ chậm, sửa lỗi sau mỗi câu và đưa nhận xét cuối buổi. Khả năng nghe liên tục làm cuộc trò chuyện linh hoạt hơn, nhưng một mục tiêu cụ thể vẫn quyết định chất lượng đầu ra.Việc khó được giao cho GPT-5.5 ở nềnGPT-Live tách phần tương tác tức thời khỏi phần suy luận sâu. Khi câu hỏi cần tìm kiếm web, phân tích phức tạp hoặc nhiều bước xử lý, mô hình giọng nói có thể giao việc cho GPT-5.5 ở nền rồi đưa kết quả trở lại hội thoại. Trong lúc chờ, GPT-Live vẫn có thể tiếp tục nói chuyện và duy trì ngữ cảnh thay vì để người dùng đối diện một khoảng im lặng dài.Ở thời điểm ra mắt, chế độ Instant và GPT-Live-1 mini dùng GPT-5.5 Instant ở nền; các mức Medium và High dùng GPT-5.5 Thinking với mức nỗ lực suy luận tương ứng. Người dùng có thể chọn Instant cho câu hỏi thường ngày hoặc chuyển sang Medium và High khi muốn mô hình dành nhiều thời gian hơn cho một vấn đề khó.Lưu ý: Việc giao tác vụ cho mô hình mạnh hơn không loại bỏ sai sót. Với thông tin quan trọng, người dùng vẫn nên kiểm tra nguồn, phép tính và kết luận thay vì xem câu trả lời bằng giọng nói là kết quả cuối cùng.GPT-Live còn bổ sung những tính năng nào?OpenAI đã tinh chỉnh lại chín giọng nói có sẵn trong ChatGPT cho GPT-Live. Mục tiêu không chỉ là phát âm rõ mà còn giữ nhịp điệu, cảm xúc và phản hồi ngắn tự nhiên hơn. Người dùng vẫn lựa chọn trong bộ giọng được định sẵn; GPT-Live không được thiết kế để bắt chước giọng của một người thật.Trong lúc trò chuyện, ChatGPT có thể hiển thị thẻ trực quan cho thời tiết, chứng khoán, thể thao và một số chủ đề khác. Voice tiếp tục hoạt động cùng tìm kiếm, bộ nhớ, hình ảnh và tệp tải lên. Nhờ đó, trải nghiệm không còn bị giới hạn trong âm thanh: người dùng có thể nghe phần giải thích và đồng thời nhìn số liệu hoặc thông tin cần đối chiếu trên màn hình.Công việc hằng ngày: hỏi nhanh, lên lịch, tạo danh sách và tóm tắt quyết định khi không tiện gõ.Học tập: luyện ngoại ngữ, mô phỏng phỏng vấn, giải thích khái niệm và kiểm tra kiến thức bằng hội thoại.Sáng tạo: phát triển ý tưởng, thử nhiều hướng và yêu cầu AI ghi lại phương án cuối.Tìm kiếm: đặt câu hỏi nối tiếp trong khi GPT-5.5 xử lý thông tin phức tạp ở nền.Hai phiên bản dành cho hai nhóm người dùngGPT-Live-1 trở thành mô hình mặc định cho ChatGPT Voice trên các gói Go, Plus và Pro. Người dùng Free được cung cấp GPT-Live-1 mini. OpenAI triển khai hai phiên bản trên iOS, Android và ChatGPT.com theo từng đợt, vì vậy một số tài khoản có thể chưa nhìn thấy thay đổi ngay lập tức.Đối với nhà phát triển, GPT-Live chưa được mở rộng rãi qua API ở thời điểm công bố. OpenAI cho biết API sẽ xuất hiện sau và đang nhận đăng ký thông báo từ doanh nghiệp cũng như nhà phát triển. Vì thế, GPT-Live hiện chủ yếu là trải nghiệm trong ChatGPT Voice chứ chưa phải lựa chọn có thể thay ngay cho mọi hệ thống voice agent đang chạy bằng Realtime API.Những giới hạn nào dễ nhận thấy khi sử dụng?Ở thời điểm ra mắt, GPT-Live chưa hỗ trợ trò chuyện giọng nói kết hợp video hoặc chia sẻ màn hình. Người dùng cần các khả năng này vẫn có thể chuyển về Standard Voice hoặc Advanced Voice Mode cũ. Đây là điểm cần lưu ý nếu quy trình hỗ trợ từ xa phụ thuộc vào việc AI quan sát camera hay nội dung trên màn hình.OpenAI cũng thừa nhận mô hình được tối ưu trước cho một số ngôn ngữ phổ biến. Với những ngôn ngữ khác, giọng nói có thể mang âm sắc không giống người bản địa hoặc đôi lúc thiếu trôi chảy. Trải nghiệm tiếng Việt vì thế có thể thay đổi theo giọng, tốc độ nói, môi trường và giai đoạn triển khai.An toàn trong hội thoại liên tụcGiọng nói tạo cảm giác gần gũi hơn văn bản, nên rủi ro phụ thuộc cảm xúc cũng đáng chú ý hơn. OpenAI đã bổ sung đánh giá cho tự hại, rối loạn tâm lý, bạo lực, nội dung tình dục và sự gắn bó cảm xúc với AI. Hệ thống có thể điều hướng câu trả lời, hiển thị hỗ trợ phù hợp hoặc kết thúc cuộc trò chuyện trong tình huống rủi ro cao.System Card của GPT-Live cũng mô tả các biện pháp bảo vệ người dùng tuổi teen và cơ chế kiểm soát của phụ huynh. Dù vậy, GPT-Live không phải chuyên gia y tế hay người thay thế các mối quan hệ thật. Người dùng nên xem đây là công cụ hỗ trợ và tìm đến người có chuyên môn khi gặp vấn đề nhạy cảm.GPT-Live có thực sự thay đổi cách dùng ChatGPT Voice?GPT-Live giải quyết đúng điểm gây khó chịu nhất của hội thoại AI: phải chờ đến lượt, bị ngắt khi đang suy nghĩ và gặp khoảng lặng khi hệ thống xử lý việc khó. Kiến trúc full-duplex kết hợp với khả năng giao việc cho GPT-5.5 làm trải nghiệm vừa nhanh ở lớp tương tác vừa đủ thông minh cho câu hỏi phức tạp.Giá trị lớn nhất có thể không nằm ở việc giọng nói nghe giống con người hơn, mà ở khả năng duy trì một dòng công việc bằng hội thoại. Người dùng có thể suy nghĩ thành tiếng, sửa yêu cầu trong lúc nói và nhận cả câu trả lời âm thanh lẫn nội dung trực quan. Điều này mở đường cho các phiên làm việc dài hơn như luyện tập, tư vấn ý tưởng hoặc điều phối nhiều tác vụ.Tuy nhiên, GPT-Live mới ở giai đoạn triển khai đầu tiên. API chưa phát hành rộng rãi, hỗ trợ ngôn ngữ chưa đồng đều và video hoặc chia sẻ màn hình tạm thời vắng mặt. Với nhu cầu trò chuyện rảnh tay, luyện tập và hỏi đáp liên tục, đây là nâng cấp đáng thử. Với công việc yêu cầu quan sát màn hình, tính chính xác tuyệt đối hoặc tích hợp doanh nghiệp ngay lập tức, người dùng vẫn cần kết hợp các chế độ và công cụ khác. Nếu cần xây dựng ứng dụng thoại qua API ngay lúc này, có thể cân nhắc gpt-realtime trong khi chờ GPT-Live được mở cho nhà phát triển.

NotebookLM đã chính thức mang tên Gemini Notebook từ ngày 16/7/2026. Tên mới đánh dấu bước chuyển từ công cụ hỏi đáp tài liệu sang không gian nghiên cứu AI có thể chạy code, phân tích dữ liệu, tạo báo cáo đa định dạng và theo người dùng sang Gemini cũng như Google Search. Bài viết này giải thích điều gì thực sự thay đổi, tính năng nào được giữ lại và ai có thể sử dụng các nâng cấp mới. Gemini Notebook vẫn là NotebookLM quen thuộc Google khẳng định Gemini Notebook vẫn là một sản phẩm độc lập, tập trung vào nghiên cứu và học tập. Người dùng hiện tại không phải chuyển dữ liệu sang dịch vụ khác. Notebook, nguồn, ghi chú và nội dung đã tạo vẫn nằm trong cùng trải nghiệm, trong khi tên mới cho thấy sản phẩm đang trở thành một phần rõ ràng hơn của hệ sinh thái Gemini. Cốt lõi của công cụ cũng không đổi. Người dùng tập hợp PDF, website, video YouTube, tệp âm thanh, Google Docs hoặc Google Slides vào từng notebook. Khi đặt câu hỏi, Gemini Notebook trả lời dựa trên những nguồn đã chọn và đưa ra trích dẫn để người đọc mở đúng đoạn tài liệu liên quan. Cách làm này đặc biệt hữu ích khi cần kiểm chứng một nhận định thay vì chỉ nhận câu trả lời trôi nổi từ chatbot. Việc đổi tên đến sau hành trình bắt đầu với Project Tailwind tại Google I/O 2023. Theo Google, sản phẩm đã có hơn 30 triệu người dùng và hơn 600.000 tổ chức sử dụng. Tên Gemini Notebook vì thế phản ánh giai đoạn trưởng thành mới, khi một notebook không còn chỉ là nơi đọc tài liệu mà trở thành không gian để nghiên cứu, phân tích và tạo đầu ra hoàn chỉnh. Gemini Notebook chạy code như thế nào? Thay đổi kỹ thuật đáng chú ý nhất là mỗi notebook có thể được trang bị một máy tính đám mây bảo mật. Hiểu đơn giản, Gemini Notebook có một môi trường riêng để viết và chạy code phục vụ nhiệm vụ nghiên cứu. Công cụ có thể làm sạch dữ liệu, tính toán, so sánh nhiều bảng số liệu, dựng biểu đồ hoặc kiểm tra một giả thuyết thay vì chỉ tóm tắt văn bản. Từ hỏi đáp tài liệu đến phân tích có hành động Trước đây, giá trị nổi bật của NotebookLM nằm ở khả năng đọc nhiều nguồn và trả lời có trích dẫn. Với môi trường chạy code, Gemini Notebook tiến thêm một bước: nó có thể thao tác trên dữ liệu để tạo ra kết quả mới. Một nhà phân tích có thể nhập dữ liệu từ nhiều quốc gia với định dạng khác nhau, yêu cầu công cụ chuẩn hóa chúng, chạy phép tính rồi tạo biểu đồ và báo cáo. Google cho biết hệ thống còn có hơn 100 kỹ năng phần mềm được tuyển chọn. Tuy vậy, đây vẫn là AI có thể mắc lỗi. Người dùng nên kiểm tra code, phép tính, dữ liệu đầu vào và kết luận, nhất là khi kết quả được dùng cho tài chính, pháp lý, y tế hoặc quyết định kinh doanh. Lưu ý: Khả năng agent và chạy code chưa mở đồng loạt cho mọi tài khoản. Google AI Ultra cùng một số gói Workspace được hỗ trợ trước; Google cho biết tính năng sẽ tiếp tục được triển khai cho người dùng Pro trên web. Gemini Notebook tạo được những định dạng đầu ra nào? Gemini Notebook không còn giới hạn ở báo cáo dạng chữ. Từ dữ liệu và tài liệu trong notebook, người dùng có thể yêu cầu tạo biểu đồ PNG hoặc SVG, báo cáo PDF, tệp Word, Markdown, văn bản, CSV, JSON, Excel và PowerPoint. Hệ thống cũng hỗ trợ hình ảnh, bảng dữ liệu, infographic và slide, đồng thời cho phép chỉnh sửa phiên bản sau khi tạo. Một nguồn, nhiều cách trình bày Cùng một bộ tài liệu đào tạo có thể được chuyển thành báo cáo cho quản lý, slide cho buổi thuyết trình, bảng tính cho nhóm vận hành và Audio Overview cho người muốn nghe. Học sinh có thể tạo thẻ ghi nhớ, câu đố, sơ đồ tư duy hoặc Video Overview. Nhóm nội dung có thể dựng bảng so sánh và infographic mà không phải sao chép dữ liệu qua quá nhiều công cụ. Nghiên cứu: tìm nguồn, đọc chéo tài liệu, trích dẫn và tạo báo cáo có biểu đồ. Phân tích dữ liệu: chuẩn hóa bảng, chạy code, xuất CSV hoặc XLSX và trực quan hóa kết quả. Học tập: tạo hướng dẫn ôn tập, flashcard, quiz, audio, video và sơ đồ tư duy. Làm việc nhóm: xây kho kiến thức, chia sẻ quyền xem hoặc chỉnh sửa và theo dõi mức sử dụng. Điểm đáng giá không nằm ở số lượng định dạng, mà ở việc chúng được tạo từ cùng một tập nguồn. Khi muốn thay đổi góc nhìn hoặc đối tượng người đọc, người dùng có thể điều chỉnh yêu cầu mà không phải dựng lại toàn bộ ngữ cảnh. Gemini Notebook xuất hiện ở đâu trong hệ sinh thái Google? Gemini Notebook đã bắt đầu xuất hiện trong ứng dụng Gemini. Notebook tạo ở sản phẩm độc lập có thể hiển thị trong phần điều hướng của Gemini; việc đổi tên notebook, thêm nguồn hoặc cập nhật hướng dẫn tùy chỉnh được đồng bộ giữa các ứng dụng. Người dùng vì thế có thể tiếp tục trò chuyện với kho kiến thức mà không phải luôn quay về một tab riêng. Google cũng dự kiến đưa notebook vào AI Mode trong Search. Khi hoàn thiện, hướng đi này có thể biến notebook thành lớp ngữ cảnh cá nhân đi cùng người dùng từ nghiên cứu trên web đến trò chuyện với Gemini. Dù vậy, notebook được chia sẻ và hội thoại trong Gemini có quy tắc hiển thị, chia sẻ và lưu giữ dữ liệu riêng; người dùng tổ chức nên đọc chính sách của gói Workspace đang sử dụng. Cách bắt đầu với tên gọi mới Mở Gemini Notebook bằng tài khoản Google và tạo một notebook cho một mục tiêu cụ thể. Thêm các nguồn đáng tin cậy, sau đó kiểm tra cách công cụ phân loại và trích dẫn chúng. Đặt câu hỏi hẹp trước, rồi mới yêu cầu nghiên cứu sâu, phân tích dữ liệu hoặc tạo tệp đầu ra. Kiểm tra trích dẫn, phép tính và phiên bản cuối trước khi chia sẻ. Người dùng cũ có thể tiếp tục truy cập địa chỉ NotebookLM quen thuộc trong giai đoạn chuyển đổi. Slug công cụ trên 4AIVN cũng được giữ nguyên để các liên kết cũ không bị đứt, trong khi tên và nội dung đã được cập nhật thành Gemini Notebook. Đổi tên có làm Gemini Notebook hữu ích hơn không? Bản thân cái tên không thay đổi chất lượng nghiên cứu. Điều làm lần đổi tên này đáng chú ý là Google đang ghép ba lớp năng lực vào một sản phẩm: nguồn có trích dẫn, môi trường chạy code và khả năng đưa notebook sang Gemini cũng như Search. Nếu được triển khai ổn định, Gemini Notebook có thể rút ngắn quãng đường từ đọc tài liệu đến phân tích và giao sản phẩm hoàn chỉnh. Tuy nhiên, không phải tính năng nào cũng có sẵn cho mọi người ngay lập tức, và đầu ra do AI tạo vẫn cần kiểm tra. Cách dùng hiệu quả nhất vẫn là chọn nguồn tốt, chia notebook theo mục tiêu rõ ràng, yêu cầu đầu ra cụ thể và giữ con người ở bước phê duyệt cuối.

Anthropic vừa ra mắt Claude Opus 5 với mức giá giữ nguyên như Opus 4.8 nhưng chất lượng trả lời được nâng lên gần bằng Fable 5, model đắt gấp đôi. Nói cách khác, với mức giá bằng một nửa Fable 5 mà hiệu năng lại áp sát, phần lớn người dùng nhiều khả năng sẽ chọn Opus 5 làm model mặc định, chỉ giữ Fable 5 cho số ít tác vụ thật sự cần đến giới hạn cao nhất. Claude Opus 5 mang đến những nâng cấp nào? Theo thông báo ra mắt của Anthropic, Claude Opus 5 là model Opus mạnh nhất tính đến nay và là đại diện đầu tiên của dòng Opus thuộc thế hệ Claude 5. Anthropic mô tả đây là model chủ động, biết suy nghĩ sâu và tiến gần trí tuệ cấp cao nhất của Claude Fable 5 trong nhiều lĩnh vực, nhưng chỉ tốn một nửa chi phí token. Model có mã API claude-opus-5, context mặc định và tối đa 1 triệu token, tương tự Opus 4.8 và Fable 5, cùng giới hạn đầu ra 128.000 token và chế độ thinking được bật mặc định. Nó đã trở thành model mặc định trên Claude Max và là model mạnh nhất khả dụng trên Claude Pro, đồng thời có mặt trên Claude API, Amazon Bedrock, Google Cloud, Microsoft Foundry và cả GitHub Copilot. Vì sao nhiều người sẽ chọn Opus 5 thay vì Fable 5? Câu trả lời không chỉ nằm ở con số giá. Có bốn lý do khiến Opus 5 nhiều khả năng trở thành lựa chọn mặc định cho công việc hằng ngày, trong khi Fable 5 lùi về vai trò công cụ chuyên dụng cho số ít trường hợp đặc biệt. Thắng nhiều hơn thua trên các bài kiểm tra thực tế Trên Frontier-Bench v0.1, bài kiểm tra coding tự động của chính Anthropic, Opus 5 đạt 43,3% trong khi Fable 5 chỉ đạt 33,7%, một khoảng cách gần 10 điểm nghiêng hẳn về Opus 5. Trên CursorBench 3.2 ở mức effort tối đa, Opus 5 đạt khoảng 70,1%, thua Fable 5 chưa tới nửa điểm phần trăm nhưng chi phí chỉ bằng một nửa. Tính chung trên các bài kiểm tra mà cả hai model đều có số liệu, Opus 5 thắng nhiều hơn thua và phần thắng thường lớn hơn phần thua. Cách kiểm chứng nhanh nhất: chạy cùng một tác vụ trên cả hai model ở effort tương đương, rồi so sánh chất lượng đầu ra thay vì chỉ nhìn benchmark được công bố. Không bị ép giữ dữ liệu 30 ngày Fable 5 và Mythos 5 thuộc nhóm Covered Models, bắt buộc lưu giữ prompt và kết quả trong 30 ngày để phục vụ công tác an toàn, đồng thời không hỗ trợ zero data retention (ZDR) trên bất kỳ nền tảng nào, kể cả khi tổ chức đã có thỏa thuận ZDR từ trước. Ngược lại, Opus 5 vẫn vận hành được dưới ZDR như Opus 4.8. Với các đội ngũ xử lý dữ liệu pháp lý, y tế hoặc tài chính, riêng điểm này đã đủ để loại Fable 5 khỏi danh sách lựa chọn mà không cần so hiệu năng. Ít bị gián đoạn bởi bộ lọc an toàn Anthropic cho biết bộ phân loại an ninh mạng của Opus 5 can thiệp ít hơn khoảng 85% so với Fable 5. Với các coding agent chạy nhiều giờ hoặc qua đêm, việc bị chặn giữa chừng vì request chạm ngưỡng an toàn là rủi ro thực sự làm gián đoạn quy trình, và Opus 5 giảm đáng kể tần suất đó. Effort điều chỉnh được, ngân sách dễ đoán hơn Opus 5 hỗ trợ adaptive thinking với effort từ thấp đến tối đa. Mức thấp hoặc trung bình phù hợp cho phản hồi nhanh và khối lượng lớn, còn mức cao hoặc tối đa dành cho coding phức tạp, nghiên cứu sâu và quy trình nhiều bước. Vì phải trả tiền theo effort đã chọn thay vì bị khóa vào một mức giá cố định như Fable 5, đội ngũ có thể tối ưu ngân sách theo từng loại tác vụ thay vì trả giá cao nhất cho mọi request. Cảm nhận ban đầu sau khi dùng thử Opus 5 Sau khi dùng thử Opus 5 cho công việc viết lách và xử lý code hằng ngày, cảm nhận rõ nhất là model này thông minh hơn hẳn Opus 4.8, đặc biệt ở khả năng hiểu ý đồ ngay từ lần yêu cầu đầu tiên mà không cần giải thích lại nhiều lần. Với các tác vụ như tóm tắt tài liệu dài, viết code có logic rẽ nhánh phức tạp hoặc lên kế hoạch nhiều bước, Opus 5 xử lý mượt và ít khi đi lạc đề như bản cũ thường gặp. So với Fable 5 thì vẫn có khoảng cách, dù không lớn như tưởng tượng. Ở những tác vụ đòi hỏi suy luận sâu hoặc phải tự chủ qua nhiều bước liên tiếp mà không có ai can thiệp, Fable 5 vẫn xử lý chắc tay và ít sai sót hơn một chút. Nhưng với phần lớn công việc hằng ngày, mức chênh lệch đó khó nhận ra nếu không đặt hai model cạnh nhau để so sánh trực tiếp. Nếu bạn đang dùng Opus 4.8, đây là thời điểm hợp lý để nâng cấp. Còn nếu đang cân nhắc giữa Opus 5 và Fable 5 cho công việc thông thường, Opus 5 gần như đủ dùng mà không cần trả thêm tiền. Khi nào Fable 5 vẫn là lựa chọn đúng? Fable 5 vẫn giữ được lợi thế ở đúng những chỗ khó nhất. Trên SWE-bench Pro, bộ kiểm tra dùng vấn đề GitHub có thật và được xem là thước đo khắt khe nhất cho công việc coding thực tế, Fable 5 đạt khoảng 80% trong khi Opus 5 đạt khoảng 79%, một khoảng cách nhỏ nhưng vẫn nghiêng về Fable 5. Fable 5 cũng là model duy nhất Anthropic định vị ở cấp Mythos, tức năng lực tổng thể cao hơn Opus theo thiết kế, và điều này thể hiện rõ ở các lĩnh vực chuyên sâu như phân tích y tế chuyên môn hoặc nghiên cứu tự chủ kéo dài nhiều ngày mà không có người giám sát. Nói cách khác, phần thắng của Opus 5 tập trung ở công việc coding và xử lý tri thức hằng ngày, còn lợi thế của Fable 5 nằm ở những bài toán khó nhất và các lĩnh vực đòi hỏi độ tin cậy tuyệt đối. Với đa số người dùng và đội ngũ nhỏ, những bài toán đó chiếm tỷ trọng rất nhỏ trong công việc thường ngày, nên khoản chênh lệch giá gấp đôi khó biện minh được, trừ khi công việc của bạn rơi đúng vào nhóm này. So sánh nhanh Opus 5 và Fable 5 Tiêu chíClaude Opus 5Claude Fable 5 Giá đầu vào5 USD/triệu token10 USD/triệu token Giá đầu ra25 USD/triệu token50 USD/triệu token Context1 triệu token1 triệu token Đầu ra tối đa128.000 token128.000 token Frontier-Bench v0.1 (coding agent)43,3%33,7% SWE-bench Pro (coding thực tế)~79%~80% Lưu giữ dữ liệuHỗ trợ zero data retentionBắt buộc lưu giữ 30 ngày, không có ZDR Tần suất chặn bởi bộ lọc an toànThấp hơn khoảng 85%Cao hơn Phù hợp nhấtCông việc hằng ngày, coding agent, dữ liệu nhạy cảmNghiên cứu khó, dự án tự chủ dài ngày, phân tích y tế chuyên sâu Vậy Opus 5 có thật sự đọ được với GPT-5.6? Trên giấy tờ, câu trả lời là có, nhưng không phải toàn diện. Opus 5 dẫn trước GPT-5.6 Sol ở khả năng suy luận với tình huống mới, thao tác máy tính và phần lớn bài kiểm tra coding công khai, trong khi GPT-5.6 Sol vẫn nhỉnh hơn ở một số bài kiểm tra thao tác dòng lệnh và tìm kiếm thông tin. Không bên nào thắng tuyệt đối, nhưng lần đầu tiên một model tầm giá trung của Anthropic đứng ngang hàng, thậm chí nhỉnh hơn ở nhiều mặt so với model đầu bảng của OpenAI. Câu hỏi đáng quan tâm hơn không phải model nào mạnh hơn mà là model nào thực sự phù hợp với bạn. Nếu công việc hằng ngày xoay quanh code, tài liệu dài và tác vụ nhiều bước, Opus 5 đang là lựa chọn hợp lý cả về giá lẫn chất lượng. Còn nếu bạn đã quen với hệ sinh thái OpenAI hoặc cần đúng thế mạnh của GPT-5.6, chi phí chuyển đổi có thể không đáng để thay đổi. Cách trả lời chắc chắn nhất vẫn là tự chạy thử cùng một việc trên cả hai, vì bảng benchmark không phải lúc nào cũng phản ánh đúng trải nghiệm thật.

Google công bố Gemini 3.6 Flash ngày 21/7/2026 với hàng loạt điểm benchmark tăng vọt so với 3.5 Flash: DeepSWE từ 37% lên 49%, MLE Bench từ 49,7% lên 63,9% và OSWorld Verified đạt 83%. Nhưng trải nghiệm sử dụng thực tế của 4AIVN lại kể một câu chuyện khác hẳn: model xử lý việc nhỏ khá ổn, còn khi được giao một kế hoạch nhiều bước thì lại quên mục tiêu, bỏ sót bước và đi lệch hướng giữa chừng. Benchmark tăng mạnh nhưng không phản ánh đúng việc dùng thật Theo thông báo chính thức của Google, Gemini 3.6 Flash dùng ít hơn 17% token đầu ra so với 3.5 Flash trên Artificial Analysis Index; một số bài test như DeepSWE ghi nhận mức giảm token tới 65%. Cửa sổ đầu vào của model đạt 1.048.576 token và giới hạn đầu ra là 65.536 token, những con số nghe rất ấn tượng trên giấy. Vấn đề nằm ở chỗ tất cả những con số này đều đến từ các bài test được thiết kế sẵn, có mục tiêu cố định ngay từ đầu và chạy trong một phiên ngắn. Đó không phải cách một plan thực tế vận hành, vì công việc thật luôn cần điều chỉnh liên tục theo phản hồi, chứ không phải hoàn thành xong một lượt là kết thúc. Bám plan dài là điểm yếu chí mạng Trong trải nghiệm sử dụng thực tế, Gemini 3.6 Flash thể hiện quá kém ngay khi bước ra khỏi phạm vi một task đơn lẻ. Giao việc nhỏ, có bước kiểm tra rõ ràng thì model làm tốt và ít vòng lặp thừa. Nhưng khi được giao một kế hoạch nhiều bước, model bắt đầu quên mục tiêu ban đầu, bỏ sót các bước đã thống nhất từ trước hoặc tự ý đi lệch hướng sau vài lượt trao đổi. Khi được nhắc lại, model đôi khi chỉ xin lỗi rồi lặp lại đúng lỗi cũ thay vì thực sự sửa. Cửa sổ 1 triệu token mô tả sức chứa đầu vào, không phải khả năng ghi nhớ. Model có thể “nhìn thấy” toàn bộ context nhưng vẫn bỏ sót chi tiết khi thực hiện; chỉ cần một điểm nhỏ không được chú ý là kế hoạch có thể lệch hướng ngay. Đây không phải lỗi ngẫu nhiên hiếm gặp mà là điểm yếu lặp lại đủ nhiều để không thể bỏ qua. Nói cách khác, Gemini 3.6 Flash mạnh ở việc làm nhanh một tác vụ, nhưng chưa đáng tin khi phải thực hiện đúng một chuỗi tác vụ, và đó chính là khoảng cách mà benchmark không đo được. Giá giảm 17% nhưng chất lượng chưa chắc tương xứng Giá niêm yết của Gemini 3.6 Flash là 1,50 USD cho một triệu token đầu vào và 7,50 USD cho một triệu token đầu ra, giảm khoảng 17% so với mức 9 USD của 3.5 Flash. Nghe qua, đây là một bước tiến hợp lý: rẻ hơn mà benchmark lại cao hơn. Nhưng nếu chất lượng thực thi trên các tác vụ dài lại kém, phần tiết kiệm chi phí trên giấy có thể bị nuốt gọn bởi số lần phải nhắc lại, sửa lại hoặc chạy lại toàn bộ kế hoạch từ đầu. Gemini 3.5 Flash Lite còn rẻ hơn, với giá 0,30 USD cho một triệu token đầu vào và 2,50 USD cho đầu ra, nhưng đó là lựa chọn dành cho phân loại và chuyển đổi dữ liệu đơn giản, những việc không đòi hỏi model phải nhớ một kế hoạch dài. Được gì, mất gì khi dùng Gemini 3.6 Flash? Nhìn một cách khách quan, đây không phải là một bản nâng cấp thất bại. Google có lẽ đã tính toán rất kỹ để tối ưu giữa chất lượng đầu ra, tốc độ và chi phí, dù kết quả thực tế chưa hẳn đáp ứng kỳ vọng cao dành cho đội ngũ kỹ sư của họ. Những cải thiện này hoàn toàn rõ ràng chứ không chỉ dừng lại trên lý thuyết: tốc độ phản hồi nhanh hơn, chi phí đầu ra giảm đáng kể và với các tác vụ ngắn, phạm vi hẹp như phân loại nội dung, viết một hàm code đơn lẻ hoặc giải quyết một câu hỏi cụ thể, model xử lý rất gọn gàng, hạn chế các vòng lặp thừa. Nhưng cái giá phải trả lộ ra ngay khi công việc kéo dài quá một vài bước. Model càng phải giữ nhiều ràng buộc và nhớ nhiều quyết định đã thống nhất trước đó thì tỷ lệ đi lệch càng tăng. Với coding agent hoặc quy trình dài đang chạy ổn định trên Claude Fable 5 hoặc GPT 5.6, chưa có lý do đủ thuyết phục để đổi sang Gemini 3.6 Flash chỉ vì benchmark hoặc giá thấp hơn. Vẫn phải chờ Gemini 3.5 Pro Google cho biết Gemini 3.5 Pro vẫn đang được thử nghiệm cùng các đối tác và sẽ được phát hành rộng rãi khi sẵn sàng. Vì vậy, câu chuyện cốt lõi của đợt phát hành này nằm ở khoảng cách khá xa giữa benchmark và thực tế công việc. Với những ai đang tìm kiếm một agent đủ tin cậy cho các quy trình dài hạn, có lẽ họ vẫn phải kiên nhẫn chờ xem 3.5 Pro có tạo nên bước ngoặt mới hay không. Nếu các phiên bản tiếp theo tiếp tục thể hiện mờ nhạt trong thực chiến, Google có nguy cơ tự tay nhường lợi thế cho các đối thủ như Anthropic, OpenAI và Meta.

Spotify biến tìm nhạc thành một cuộc trò chuyện liên tục: người dùng có thể yêu cầu phát nghệ sĩ mới, đổi không khí, lưu bài hát và hỏi về lịch sử nghe mà không rời ứng dụng. Trợ lý mới đưa AI từ gợi ý thụ động thành công cụ hiểu yêu cầu và thực hiện hành động. Spotify biến tìm kiếm thành cuộc trò chuyện như thế nào? Theo thông báo chính thức của Spotify, người dùng đủ điều kiện sẽ thấy cách trò chuyện mới tại màn hình Home và Now Playing trên ứng dụng di động. Họ có thể gõ câu hỏi hoặc nhấn nút micro để nói, sau đó tiếp tục trao đổi qua nhiều lượt thay vì nhập lại một truy vấn hoàn toàn mới. Điểm đáng chú ý là trợ lý không chỉ trả về một danh sách bài hát. Nó có thể điều khiển nội dung đang phát, giải thích thông tin liên quan và thực hiện hành động như lưu bài, thêm bài vào hàng đợi hoặc theo dõi nghệ sĩ. Ví dụ, người nghe có thể yêu cầu một số nghệ sĩ mà mình chưa từng nghe, rồi bổ sung rằng họ muốn nhạc mới phát hành hoặc không khí sôi động hơn. Trợ lý AI mới làm được những gì? Spotify chia trải nghiệm thành ba nhóm chính gồm chọn nội dung, tìm hiểu nội dung đang phát và khám phá thói quen nghe. Trong âm nhạc, người dùng có thể yêu cầu một phong cách, một nghệ sĩ hoặc một tâm trạng, sau đó thay đổi lựa chọn bằng câu hỏi tiếp theo. Trong podcast và sách nói, họ có thể hỏi thêm về khách mời, tác giả hoặc những chương trình liên quan. Trợ lý cũng có quyền truy cập vào ngữ cảnh cá nhân mà một chatbot thông thường không tự có. Nó hiểu playlist, nghệ sĩ yêu thích, bài nghe lặp lại và lịch sử phát của tài khoản, vì vậy người dùng có thể hỏi lần đầu mình nghe một bài là khi nào hoặc gần đây đang nghe nhiều thể loại nào. Đây là lợi thế lớn vì câu trả lời gắn với dữ liệu sử dụng thực tế thay vì chỉ dựa trên kiến thức chung. Một yêu cầu có thể được chỉnh qua nhiều lượt Hãy hình dung bạn đang chuẩn bị một buổi chạy bộ nhưng không biết nên mở playlist nào. Bạn có thể yêu cầu nhạc có nhịp nhanh từ các nghệ sĩ chưa từng nghe, tiếp tục thêm một ca sĩ yêu thích, rồi giới hạn kết quả ở các bản phát hành gần đây. Khi gặp bài phù hợp, bạn có thể yêu cầu lưu bài ngay mà không chuyển qua nhiều màn hình. Tính năng này khác AI DJ và ChatGPT ra sao? AI DJ chủ yếu đóng vai trò người dẫn chương trình, chọn nhạc và giới thiệu bằng giọng nói, trong khi trợ lý mới mở rộng hội thoại sang Home và Now Playing. Người dùng không chỉ nghe lựa chọn do hệ thống đưa ra mà còn có thể đặt câu hỏi, thay đổi hướng đề xuất và yêu cầu ứng dụng thực hiện tác vụ cụ thể. Spotify cũng từng kết nối dịch vụ với ChatGPT, nhưng trải nghiệm mới diễn ra trực tiếp bên trong ứng dụng nghe nhạc. Điều này có nghĩa là người dùng không cần rời Spotify, liên kết một dịch vụ khác rồi quay lại để phát nội dung. Theo TechCrunch, Spotify kết hợp công nghệ AI do hãng phát triển với model từ nhiều nhà cung cấp và chọn công nghệ phù hợp cho từng tác vụ. Spotify chưa công bố tên model cụ thể hoặc cách định tuyến yêu cầu. Vì vậy, chưa thể kết luận trợ lý mạnh đến đâu ở các câu hỏi kiến thức, nhưng chiến lược nhiều model cho thấy hãng không muốn phụ thuộc vào một nhà cung cấp duy nhất. Người dùng cần lưu ý gì trước khi thử? Tính năng đang được triển khai dần dưới dạng beta cho người dùng Premium từ 18 tuổi tại Mỹ, Ireland và Thụy Điển. Trợ lý hiện hỗ trợ tiếng Anh trên iOS và Android, vì vậy người dùng tại Việt Nam chưa nằm trong phạm vi được công bố. Spotify thừa nhận phản hồi có thể chưa luôn chính xác trong giai đoạn thử nghiệm và ý kiến của người dùng sẽ được dùng để cải thiện sản phẩm. Trước khi tin vào thông tin về ngày phát hành, nguồn cảm hứng của bài hát hoặc tiểu sử nghệ sĩ, người nghe vẫn nên kiểm tra nguồn chính thức nếu dữ kiện đó quan trọng. Kiểm tra tài khoản có thuộc khu vực và độ tuổi được hỗ trợ hay không. Thử cả nhập chữ và giọng nói để xem cách nào hiểu ý định tốt hơn. Bắt đầu bằng yêu cầu rõ ràng, sau đó dùng câu hỏi nối tiếp để tinh chỉnh. Không xem câu trả lời beta là nguồn duy nhất cho thông tin cần độ chính xác cao. Spotify đang thay đổi cách khám phá âm thanh Điểm quan trọng nhất không phải là Spotify có thêm một chatbot, mà là hội thoại đang trở thành lớp điều khiển cho cả nội dung và hành động trong ứng dụng. Khi AI hiểu được thư viện, lịch sử nghe và nội dung đang phát, một câu nói có thể thay thế nhiều lần tìm kiếm, mở menu và chỉnh hàng đợi. Nếu được quyền thử beta, người dùng nên kiểm tra ba tình huống gồm khám phá nghệ sĩ mới, hỏi về lịch sử nghe và tinh chỉnh playlist qua nhiều lượt. Ba phép thử này sẽ cho thấy trợ lý thực sự hiểu sở thích cá nhân hay chỉ biến câu lệnh thành một cách tìm kiếm dài hơn.

Muse Image là nỗ lực mới nhất của Meta nhằm biến Meta AI thành một studio sáng tạo nằm ngay trong mạng xã hội. Mô hình không chỉ tạo hoặc sửa ảnh mà còn có thể tìm kiếm, viết code, suy luận và tự kiểm tra kết quả. Khi đặt cạnh Nano Banana 2 và GPT Image 2.0, Muse Image không cố chiến thắng bằng một chỉ số duy nhất mà chọn lợi thế tích hợp sâu với Meta AI, Instagram, WhatsApp cùng cách tạo ảnh mang tính AI agent. Muse Image hoạt động ra sao ? Meta Superintelligence Labs công bố Muse Image tháng 7-2026 cùng preview của Muse Video. Đây là mô hình tạo ảnh đầu tiên của Meta AI để cạnh tranh với các ông lớn Google hay OpenAI. Meta cho biết Muse Image tuân thủ hướng dẫn tốt, chỉnh sửa chính xác và có thể kết hợp nhiều ảnh tham chiếu trong một yêu cầu. Điểm khác biệt nằm ở quy trình trước khi ảnh được xuất đó là thay vì nhận prompt rồi dựng hình ngay, Muse Image có thể lên kế hoạch, gọi công cụ và tự đánh giá bản nháp. Hệ thống phối hợp với Muse Spark để chia sẻ công cụ và cùng lập kế hoạch, đưa khả năng suy luận của mô hình ngôn ngữ vào quá trình tạo nội dung trực quan. Tìm kiếm và viết code giúp ảnh chính xác hơn Muse Image có hai nhóm công cụ đáng chú ý đó là tìm kiếm web giúp mô hình lấy ngữ cảnh thời gian thực và tham chiếu thị giác cho chủ đề cần kiến thức mới. Công cụ viết code được dùng khi ảnh yêu cầu chi tiết có cấu trúc như biểu đồ, công thức hoặc code QR có thể quét. Thay vì chỉ “vẽ gần giống”, hệ thống có thể tạo dữ liệu bằng code, dựng kết quả rồi dùng nó làm điều kiện cho ảnh cuối. Về nguyên lý, cách làm này khá giống với kỹ thuật của GPT Image 2.0 và Nano Banana 2: cả ba đều không chỉ dựa vào prompt ban đầu mà còn tận dụng ngữ cảnh, suy luận hoặc thông tin bổ trợ để nâng độ chính xác của ảnh. Điểm khác biệt của Muse Image theo như Meta nói đó là nhấn mạnh quy trình Agent kết hợp tìm kiếm web, viết lại code và tự đánh giá bản nháp. Nếu một chi tiết nhỏ sai, Muse Image có thể sửa cục bộ; nếu bố cục sai lớn, mô hình có thể tạo lại hoặc đổi chiến thuật bằng cách gọi thêm công cụ. Meta cho biết chất lượng tăng khi mô hình được cấp thêm ngân sách suy luận và các bước tự tinh chỉnh ở thời điểm chạy.Lưu ý: Các nhận định về khả năng và thứ hạng của Muse Image hiện chủ yếu đến từ Meta. Kết quả thực tế còn phụ thuộc prompt, ảnh tham chiếu, khu vực được hỗ trợ và việc tính năng có được triển khai đầy đủ trên tài khoản hay chưa. Trải nghiệm tạo và chỉnh sửa ảnh có gì đáng chú ý? Trong Meta AI, người dùng dĩ nhiên có thể mô tả yêu cầu bằng ngôn ngữ hội thoại, bắt đầu từ ảnh trắng hoặc tải ảnh có sẵn. Đây gần như là điều kiện tối thiểu ở thời điểm hiện tại khi tương tác với công cụ tạo ảnh, thiếu nó đồng nghĩa với việc bị coi là thụt lùi so với mặt bằng chung. Các ví dụ Meta đưa ra gồm xóa người thừa khỏi hậu cảnh, ghép người dùng vào một địa danh, phục hồi ảnh cũ, thử kiểu tóc, tạo infographic và dựng code QR. Preset gợi ý giúp người mới bắt đầu mà không cần viết prompt dài.Chỉnh trực tiếp bằng nét vẽ và giữ ngữ cảnh nhiều lượt Muse Image cho phép khoanh, vẽ hoặc ghi chú trực tiếp lên vùng cần sửa. Vì Meta AI giữ ngữ cảnh hội thoại, người dùng có thể đổi phong cách, thêm vật thể hoặc tinh chỉnh chi tiết qua nhiều lượt mà không phải bắt đầu lại. Đây là cách tương tác phù hợp với người dùng điện thoại và mạng xã hội, nơi thao tác trực quan quan trọng hơn bảng tham số kỹ thuật.Khả năng kết hợp nhiều tham chiếu cũng là lợi thế lớn khi này một prompt có thể đưa người từ ảnh chân dung, trang phục từ ảnh khác, bối cảnh từ ảnh thứ ba và phong cách từ một tham chiếu riêng vào cùng bố cục. Muse Image hỗ trợ xen kẽ văn bản với ảnh trong prompt, giúp yêu cầu phức tạp dễ mô tả hơn.Tích hợp Meta khiến ảnh đi thẳng vào nơi cần chia sẻMuse Image có mặt trong ứng dụng và web của Meta AI đồng thời cung cấp hiệu ứng cho Instagram Stories và tạo ảnh trong cuộc trò chuyện WhatsApp tại một số quốc gia. Meta dự kiến mở rộng sang Facebook, Messenger, thêm khu vực trên Instagram và WhatsApp, cũng như Advantage+ creative cho quảng cáo.Điều này rút ngắn đáng kể quãng đường từ ý tưởng đến bài đăng. Người dùng không cần tạo ảnh ở một ứng dụng, tải xuống rồi nhập lại vào mạng xã hội. Đổi lại, mức độ sẵn có và luồng làm việc phụ thuộc nhiều vào hệ sinh thái Meta hơn so với các model có API công khai rõ ràng. Muse Image so với Nano Banana 2 và GPT Image 2.0 Ba công cụ đều tạo và chỉnh sửa ảnh chất lượng cao, nhưng được tối ưu cho ba điểm xuất phát khác nhau. Muse Image bắt đầu từ Meta AI và mạng xã hội. Nano Banana 2, tên model Gemini 3.1 Flash Image, nhấn mạnh tốc độ, giá thành và khối lượng triển khai. GPT Image 2.0 kết nối trải nghiệm ChatGPT Images 2.0 với model API `gpt-image-2` dành cho tạo và chỉnh sửa ảnh chất lượng cao.Tiêu chíMuse ImageNano Banana 2GPT Image 2.0Cách tiếp cậnTác tử tạo ảnh dùng tìm kiếm, code và tự tinh chỉnhModel Flash tối ưu tốc độ, chi phí và throughputModel chất lượng cao trong ChatGPT và OpenAI APIĐiểm mạnh nổi bậtNhiều ảnh tham chiếu, chỉnh sửa trực tiếp, tích hợp MetaGrounding web và hình ảnh, bản địa hóa chữ, nhiều độ phân giảiĐộ trung thực cao, đầu vào ảnh chất lượng cao, phong cách đa dạngĐộ phân giải và tỉ lệMeta chưa công bố bộ thông số API chuẩn hóa rộng rãi0.5K, 1K, 2K, 4K và các tỉ lệ rất rộng như 8:1Kích thước linh hoạt qua ChatGPT và APIKênh sử dụngMeta AI, meta.ai, Instagram, WhatsApp và dần mở rộngGemini, Google AI Studio và Gemini APIChatGPT, Playground và OpenAI APIPhù hợp nhấtSáng tạo nhanh để chia sẻ trong hệ sinh thái MetaỨng dụng cần tốc độ, chi phí tốt và tạo ảnh số lượng lớnThiết kế, chỉnh sửa và pipeline cần chất lượng cùng kiểm soát caoNano Banana 2 thiên về tốc độ và quy môNano Banana 2 được Google định vị là model Flash hiệu quả cao. Nó hỗ trợ tìm kiếm web và hình ảnh để lấy ngữ cảnh mới, cải thiện chữ trong ảnh và bản địa hóa nhiều ngôn ngữ. Nhà phát triển có thể chọn mức suy luận, nhiều tỉ lệ khung hình và độ phân giải từ 0.5K đến 4K.Điểm hấp dẫn nhất của Nano Banana 2 là khả năng đưa vào quy trình sản xuất khi mà Google công bố giá theo độ phân giải và có chế độ batch rẻ hơn, phù hợp ứng dụng thương mại điện tử, quảng cáo theo thị trường hoặc công cụ cần tạo lượng lớn biến thể. Nếu bài toán là tốc độ, chi phí dự đoán được và API, Nano Banana 2 có lợi thế rõ. GPT Image 2.0 thiên về chất lượng và không gian sáng tạo rộng ChatGPT Images 2.0 cho thấy thế mạnh ở typography đa ngôn ngữ, phong cách thị giác, ảnh chân thực, poster, truyện tranh, infographic và thiết kế nhiều khung. Model `gpt-image-2` cũng có trên OpenAI API với khả năng tạo nhanh, chỉnh sửa, kích thước linh hoạt và đầu vào hình ảnh có độ trung thực cao.Trải nghiệm ChatGPT phù hợp với quá trình trao đổi ý tưởng dài: người dùng có thể đưa tài liệu, ảnh tham chiếu và yêu cầu thay đổi bằng hội thoại. Với nhà phát triển, API tạo ảnh và chỉnh sửa tách bạch giúp đưa model vào sản phẩm. GPT Image 2.0 vì thế cân bằng tốt giữa công cụ cho người dùng cuối và hạ tầng lập trình.Nên chọn công cụ nào cho từng loại công việc?Không có model thắng mọi trường hợp. Nếu kết quả cuối cùng là Story, bài đăng, tin nhắn hoặc quảng cáo trong hệ sinh thái Meta, Muse Image mang lại luồng làm việc ngắn nhất. Khả năng chỉnh bằng nét vẽ và preset cũng giúp người không quen prompt bắt đầu nhanh.Chọn Muse Image khi cần ghép nhiều ảnh cá nhân, tạo nội dung xã hội, chỉnh sửa trên điện thoại hoặc chia sẻ ngay trong Meta.Chọn Nano Banana 2 khi xây ứng dụng tạo ảnh quy mô lớn, cần nhiều độ phân giải, bản địa hóa và tối ưu chi phí API.Chọn GPT Image 2.0 khi cần phong cách đa dạng, chỉnh sửa bằng hội thoại, đầu vào ảnh trung thực hoặc tích hợp với OpenAI API.Một nhóm sản xuất cũng có thể dùng nhiều model. Nano Banana 2 tạo biến thể số lượng lớn, GPT Image 2.0 xử lý tài sản cần art direction kỹ, còn Muse Image phục vụ nội dung cá nhân hóa để phân phối trên Instagram, WhatsApp hoặc Facebook.Muse Image có đủ sức trở thành đối thủ lớn không?Meta cho biết Muse Image đứng thứ hai trên bảng xếp hạng Arena cho text-to-image, chỉnh sửa một ảnh và chỉnh sửa nhiều ảnh theo xếp hạng ưu tiên của người dùng. Con số này cho thấy model có chất lượng cạnh tranh, nhưng lợi thế bền vững của Meta có thể nằm ở phân phối hơn là bảng xếp hạng.Muse Image bước vào nơi hàng tỷ người đã trò chuyện, đăng story, chia sẻ ảnh và mua quảng cáo. Nếu khả năng suy luận, tìm kiếm và tự tinh chỉnh hoạt động ổn định, Meta có thể biến tạo ảnh AI thành tính năng mặc định trong giao tiếp hằng ngày thay vì một công cụ chuyên biệt.Ở chiều ngược lại, Nano Banana 2 và GPT Image 2.0 vẫn giữ hệ sinh thái API rõ ràng hơn cho nhà phát triển, còn Muse Image cần mở rộng khu vực, minh bạch hơn về hạn mức và có lựa chọn tích hợp đủ mạnh nếu muốn cạnh tranh ngoài ứng dụng Meta. Đây là công cụ đáng chú ý nhất cho mảng sáng tạo trên mạng xã hội tính đến lúc này, dù Meta AI vốn mang tiếng luôn đi sau về chất lượng model. Lần này khoảng cách có vẻ đã hẹp hơn đáng kể, nhưng việc Meta có thực sự bắt kịp hay không vẫn cần chờ người dùng đánh giá qua thời gian sử dụng thực tế.

OpenAI vừa đưa GPT-Live vào ChatGPT Voice, biến cuộc trò chuyện bằng giọng nói từ kiểu hỏi xong rồi chờ trả lời thành một dòng tương tác liên tục. Mô hình có thể nghe khi đang nói, nhận ra lúc người dùng muốn ngắt lời, biết chờ khi họ cần suy nghĩ và giao việc khó cho GPT-5.5 xử lý ở nền. Trải nghiệm mới vì thế gần với một cuộc hội thoại thực hơn, nhưng vẫn có những giới hạn cần biết trước khi sử dụng.GPT-Live khác ChatGPT Voice trước đây ở điểm nào?OpenAI công bố GPT-Live ngày 8/7/2026 như một thế hệ mô hình giọng nói mới, gồm GPT-Live-1 và GPT-Live-1 mini. Cả hai đang được triển khai trên ChatGPT thay vì là một sản phẩm độc lập có giao diện riêng. Người dùng chỉ cần mở nút Voice quen thuộc để nhận trải nghiệm mới khi tài khoản được cập nhật.[VIDEO:EAN5Cj347PY|OpenAI ra mắt GPT-Live|Video giới thiệu ChatGPT Voice mới được hỗ trợ bởi GPT-Live]Khác biệt lớn nhất nằm ở kiến trúc full-duplex. Các hệ thống giọng nói nối tầng trước đây phải lần lượt chuyển giọng nói thành văn bản, gửi văn bản cho mô hình ngôn ngữ rồi đọc câu trả lời bằng giọng tổng hợp. Cách làm này tạo độ trễ và có thể làm mất một phần sắc thái. Advanced Voice Mode đã xử lý âm thanh trực tiếp hơn, nhưng cuộc trò chuyện vẫn vận hành theo lượt: AI thường chờ người dùng dừng hẳn rồi mới phản hồi.GPT-Live liên tục xử lý đầu vào trong khi tạo đầu ra. Nhiều lần mỗi giây, mô hình có thể quyết định nên nói, tiếp tục nghe, tạm dừng, chấp nhận lời ngắt hoặc gọi công cụ. Đây là lý do một khoảng im lặng ngắn không nhất thiết bị hiểu nhầm là người dùng đã nói xong.Vừa nghe vừa nói thay đổi cuộc hội thoại ra sao?Khi hai bên có thể phản ứng liên tục, người dùng không còn phải diễn đạt mọi yêu cầu thành một lượt nói hoàn chỉnh. Bạn có thể bổ sung ý giữa chừng, yêu cầu AI nói chậm lại hoặc sửa ngay một giả định mà không cần đợi hết đoạn trả lời. GPT-Live cũng có thể dùng những phản hồi ngắn như “mình đang nghe” để báo hiệu rằng nó vẫn theo kịp, hoặc giữ im lặng khi được yêu cầu chỉ lắng nghe.Full-duplex còn hữu ích cho dịch trực tiếp, luyện hội thoại ngoại ngữ và các tình huống cần trao đổi nhanh. Tuy nhiên, “tự nhiên hơn” không có nghĩa AI đã hiểu mọi tín hiệu giống con người. Giọng vùng miền, môi trường quá ồn, kết nối mạng không ổn định hoặc câu nói thiếu ngữ cảnh vẫn có thể khiến cuộc trò chuyện lệch hướng.Trải nghiệm sử dụng GPT-Live thực tế như thế nào?Cảm giác khác biệt rõ nhất không đến từ một tính năng đơn lẻ mà từ nhịp hội thoại. Khi bạn ngập ngừng để nhớ một con số, GPT-Live được thiết kế để chờ thay vì chen vào. Khi bạn đổi câu hỏi giữa lúc AI đang giải thích, mô hình có thể dừng và chuyển hướng nhanh hơn. Trong môi trường có tiếng xe hoặc cuộc trò chuyện gần đó, OpenAI cho biết khả năng tập trung vào giọng của người dùng cũng được cải thiện.Đối thoại tự nhiên hơn nhưng vẫn cần nói rõ mục tiêuGPT-Live phù hợp với các yêu cầu như lập kế hoạch trong lúc đi bộ, luyện phỏng vấn, luyện phát âm, hỏi nhanh khi đang nấu ăn hoặc phân tích một ý tưởng mà không muốn gõ bàn phím. Người dùng có thể bắt đầu bằng mục tiêu, bổ sung ràng buộc trong quá trình nói và yêu cầu mô hình tóm tắt quyết định ở cuối cuộc trao đổi.Để trải nghiệm ổn định, nên nói rõ vai trò và kết quả cần nhận. Chẳng hạn, thay vì chỉ nói “giúp tôi luyện tiếng Anh”, hãy yêu cầu GPT-Live đóng vai người phỏng vấn, giữ tốc độ chậm, sửa lỗi sau mỗi câu và đưa nhận xét cuối buổi. Khả năng nghe liên tục làm cuộc trò chuyện linh hoạt hơn, nhưng một mục tiêu cụ thể vẫn quyết định chất lượng đầu ra.Việc khó được giao cho GPT-5.5 ở nềnGPT-Live tách phần tương tác tức thời khỏi phần suy luận sâu. Khi câu hỏi cần tìm kiếm web, phân tích phức tạp hoặc nhiều bước xử lý, mô hình giọng nói có thể giao việc cho GPT-5.5 ở nền rồi đưa kết quả trở lại hội thoại. Trong lúc chờ, GPT-Live vẫn có thể tiếp tục nói chuyện và duy trì ngữ cảnh thay vì để người dùng đối diện một khoảng im lặng dài.Ở thời điểm ra mắt, chế độ Instant và GPT-Live-1 mini dùng GPT-5.5 Instant ở nền; các mức Medium và High dùng GPT-5.5 Thinking với mức nỗ lực suy luận tương ứng. Người dùng có thể chọn Instant cho câu hỏi thường ngày hoặc chuyển sang Medium và High khi muốn mô hình dành nhiều thời gian hơn cho một vấn đề khó.Lưu ý: Việc giao tác vụ cho mô hình mạnh hơn không loại bỏ sai sót. Với thông tin quan trọng, người dùng vẫn nên kiểm tra nguồn, phép tính và kết luận thay vì xem câu trả lời bằng giọng nói là kết quả cuối cùng.GPT-Live còn bổ sung những tính năng nào?OpenAI đã tinh chỉnh lại chín giọng nói có sẵn trong ChatGPT cho GPT-Live. Mục tiêu không chỉ là phát âm rõ mà còn giữ nhịp điệu, cảm xúc và phản hồi ngắn tự nhiên hơn. Người dùng vẫn lựa chọn trong bộ giọng được định sẵn; GPT-Live không được thiết kế để bắt chước giọng của một người thật.Trong lúc trò chuyện, ChatGPT có thể hiển thị thẻ trực quan cho thời tiết, chứng khoán, thể thao và một số chủ đề khác. Voice tiếp tục hoạt động cùng tìm kiếm, bộ nhớ, hình ảnh và tệp tải lên. Nhờ đó, trải nghiệm không còn bị giới hạn trong âm thanh: người dùng có thể nghe phần giải thích và đồng thời nhìn số liệu hoặc thông tin cần đối chiếu trên màn hình.Công việc hằng ngày: hỏi nhanh, lên lịch, tạo danh sách và tóm tắt quyết định khi không tiện gõ.Học tập: luyện ngoại ngữ, mô phỏng phỏng vấn, giải thích khái niệm và kiểm tra kiến thức bằng hội thoại.Sáng tạo: phát triển ý tưởng, thử nhiều hướng và yêu cầu AI ghi lại phương án cuối.Tìm kiếm: đặt câu hỏi nối tiếp trong khi GPT-5.5 xử lý thông tin phức tạp ở nền.Hai phiên bản dành cho hai nhóm người dùngGPT-Live-1 trở thành mô hình mặc định cho ChatGPT Voice trên các gói Go, Plus và Pro. Người dùng Free được cung cấp GPT-Live-1 mini. OpenAI triển khai hai phiên bản trên iOS, Android và ChatGPT.com theo từng đợt, vì vậy một số tài khoản có thể chưa nhìn thấy thay đổi ngay lập tức.Đối với nhà phát triển, GPT-Live chưa được mở rộng rãi qua API ở thời điểm công bố. OpenAI cho biết API sẽ xuất hiện sau và đang nhận đăng ký thông báo từ doanh nghiệp cũng như nhà phát triển. Vì thế, GPT-Live hiện chủ yếu là trải nghiệm trong ChatGPT Voice chứ chưa phải lựa chọn có thể thay ngay cho mọi hệ thống voice agent đang chạy bằng Realtime API.Những giới hạn nào dễ nhận thấy khi sử dụng?Ở thời điểm ra mắt, GPT-Live chưa hỗ trợ trò chuyện giọng nói kết hợp video hoặc chia sẻ màn hình. Người dùng cần các khả năng này vẫn có thể chuyển về Standard Voice hoặc Advanced Voice Mode cũ. Đây là điểm cần lưu ý nếu quy trình hỗ trợ từ xa phụ thuộc vào việc AI quan sát camera hay nội dung trên màn hình.OpenAI cũng thừa nhận mô hình được tối ưu trước cho một số ngôn ngữ phổ biến. Với những ngôn ngữ khác, giọng nói có thể mang âm sắc không giống người bản địa hoặc đôi lúc thiếu trôi chảy. Trải nghiệm tiếng Việt vì thế có thể thay đổi theo giọng, tốc độ nói, môi trường và giai đoạn triển khai.An toàn trong hội thoại liên tụcGiọng nói tạo cảm giác gần gũi hơn văn bản, nên rủi ro phụ thuộc cảm xúc cũng đáng chú ý hơn. OpenAI đã bổ sung đánh giá cho tự hại, rối loạn tâm lý, bạo lực, nội dung tình dục và sự gắn bó cảm xúc với AI. Hệ thống có thể điều hướng câu trả lời, hiển thị hỗ trợ phù hợp hoặc kết thúc cuộc trò chuyện trong tình huống rủi ro cao.System Card của GPT-Live cũng mô tả các biện pháp bảo vệ người dùng tuổi teen và cơ chế kiểm soát của phụ huynh. Dù vậy, GPT-Live không phải chuyên gia y tế hay người thay thế các mối quan hệ thật. Người dùng nên xem đây là công cụ hỗ trợ và tìm đến người có chuyên môn khi gặp vấn đề nhạy cảm.GPT-Live có thực sự thay đổi cách dùng ChatGPT Voice?GPT-Live giải quyết đúng điểm gây khó chịu nhất của hội thoại AI: phải chờ đến lượt, bị ngắt khi đang suy nghĩ và gặp khoảng lặng khi hệ thống xử lý việc khó. Kiến trúc full-duplex kết hợp với khả năng giao việc cho GPT-5.5 làm trải nghiệm vừa nhanh ở lớp tương tác vừa đủ thông minh cho câu hỏi phức tạp.Giá trị lớn nhất có thể không nằm ở việc giọng nói nghe giống con người hơn, mà ở khả năng duy trì một dòng công việc bằng hội thoại. Người dùng có thể suy nghĩ thành tiếng, sửa yêu cầu trong lúc nói và nhận cả câu trả lời âm thanh lẫn nội dung trực quan. Điều này mở đường cho các phiên làm việc dài hơn như luyện tập, tư vấn ý tưởng hoặc điều phối nhiều tác vụ.Tuy nhiên, GPT-Live mới ở giai đoạn triển khai đầu tiên. API chưa phát hành rộng rãi, hỗ trợ ngôn ngữ chưa đồng đều và video hoặc chia sẻ màn hình tạm thời vắng mặt. Với nhu cầu trò chuyện rảnh tay, luyện tập và hỏi đáp liên tục, đây là nâng cấp đáng thử. Với công việc yêu cầu quan sát màn hình, tính chính xác tuyệt đối hoặc tích hợp doanh nghiệp ngay lập tức, người dùng vẫn cần kết hợp các chế độ và công cụ khác. Nếu cần xây dựng ứng dụng thoại qua API ngay lúc này, có thể cân nhắc gpt-realtime trong khi chờ GPT-Live được mở cho nhà phát triển.

NotebookLM đã chính thức mang tên Gemini Notebook từ ngày 16/7/2026. Tên mới đánh dấu bước chuyển từ công cụ hỏi đáp tài liệu sang không gian nghiên cứu AI có thể chạy code, phân tích dữ liệu, tạo báo cáo đa định dạng và theo người dùng sang Gemini cũng như Google Search. Bài viết này giải thích điều gì thực sự thay đổi, tính năng nào được giữ lại và ai có thể sử dụng các nâng cấp mới. Gemini Notebook vẫn là NotebookLM quen thuộc Google khẳng định Gemini Notebook vẫn là một sản phẩm độc lập, tập trung vào nghiên cứu và học tập. Người dùng hiện tại không phải chuyển dữ liệu sang dịch vụ khác. Notebook, nguồn, ghi chú và nội dung đã tạo vẫn nằm trong cùng trải nghiệm, trong khi tên mới cho thấy sản phẩm đang trở thành một phần rõ ràng hơn của hệ sinh thái Gemini. Cốt lõi của công cụ cũng không đổi. Người dùng tập hợp PDF, website, video YouTube, tệp âm thanh, Google Docs hoặc Google Slides vào từng notebook. Khi đặt câu hỏi, Gemini Notebook trả lời dựa trên những nguồn đã chọn và đưa ra trích dẫn để người đọc mở đúng đoạn tài liệu liên quan. Cách làm này đặc biệt hữu ích khi cần kiểm chứng một nhận định thay vì chỉ nhận câu trả lời trôi nổi từ chatbot. Việc đổi tên đến sau hành trình bắt đầu với Project Tailwind tại Google I/O 2023. Theo Google, sản phẩm đã có hơn 30 triệu người dùng và hơn 600.000 tổ chức sử dụng. Tên Gemini Notebook vì thế phản ánh giai đoạn trưởng thành mới, khi một notebook không còn chỉ là nơi đọc tài liệu mà trở thành không gian để nghiên cứu, phân tích và tạo đầu ra hoàn chỉnh. Gemini Notebook chạy code như thế nào? Thay đổi kỹ thuật đáng chú ý nhất là mỗi notebook có thể được trang bị một máy tính đám mây bảo mật. Hiểu đơn giản, Gemini Notebook có một môi trường riêng để viết và chạy code phục vụ nhiệm vụ nghiên cứu. Công cụ có thể làm sạch dữ liệu, tính toán, so sánh nhiều bảng số liệu, dựng biểu đồ hoặc kiểm tra một giả thuyết thay vì chỉ tóm tắt văn bản. Từ hỏi đáp tài liệu đến phân tích có hành động Trước đây, giá trị nổi bật của NotebookLM nằm ở khả năng đọc nhiều nguồn và trả lời có trích dẫn. Với môi trường chạy code, Gemini Notebook tiến thêm một bước: nó có thể thao tác trên dữ liệu để tạo ra kết quả mới. Một nhà phân tích có thể nhập dữ liệu từ nhiều quốc gia với định dạng khác nhau, yêu cầu công cụ chuẩn hóa chúng, chạy phép tính rồi tạo biểu đồ và báo cáo. Google cho biết hệ thống còn có hơn 100 kỹ năng phần mềm được tuyển chọn. Tuy vậy, đây vẫn là AI có thể mắc lỗi. Người dùng nên kiểm tra code, phép tính, dữ liệu đầu vào và kết luận, nhất là khi kết quả được dùng cho tài chính, pháp lý, y tế hoặc quyết định kinh doanh. Lưu ý: Khả năng agent và chạy code chưa mở đồng loạt cho mọi tài khoản. Google AI Ultra cùng một số gói Workspace được hỗ trợ trước; Google cho biết tính năng sẽ tiếp tục được triển khai cho người dùng Pro trên web. Gemini Notebook tạo được những định dạng đầu ra nào? Gemini Notebook không còn giới hạn ở báo cáo dạng chữ. Từ dữ liệu và tài liệu trong notebook, người dùng có thể yêu cầu tạo biểu đồ PNG hoặc SVG, báo cáo PDF, tệp Word, Markdown, văn bản, CSV, JSON, Excel và PowerPoint. Hệ thống cũng hỗ trợ hình ảnh, bảng dữ liệu, infographic và slide, đồng thời cho phép chỉnh sửa phiên bản sau khi tạo. Một nguồn, nhiều cách trình bày Cùng một bộ tài liệu đào tạo có thể được chuyển thành báo cáo cho quản lý, slide cho buổi thuyết trình, bảng tính cho nhóm vận hành và Audio Overview cho người muốn nghe. Học sinh có thể tạo thẻ ghi nhớ, câu đố, sơ đồ tư duy hoặc Video Overview. Nhóm nội dung có thể dựng bảng so sánh và infographic mà không phải sao chép dữ liệu qua quá nhiều công cụ. Nghiên cứu: tìm nguồn, đọc chéo tài liệu, trích dẫn và tạo báo cáo có biểu đồ. Phân tích dữ liệu: chuẩn hóa bảng, chạy code, xuất CSV hoặc XLSX và trực quan hóa kết quả. Học tập: tạo hướng dẫn ôn tập, flashcard, quiz, audio, video và sơ đồ tư duy. Làm việc nhóm: xây kho kiến thức, chia sẻ quyền xem hoặc chỉnh sửa và theo dõi mức sử dụng. Điểm đáng giá không nằm ở số lượng định dạng, mà ở việc chúng được tạo từ cùng một tập nguồn. Khi muốn thay đổi góc nhìn hoặc đối tượng người đọc, người dùng có thể điều chỉnh yêu cầu mà không phải dựng lại toàn bộ ngữ cảnh. Gemini Notebook xuất hiện ở đâu trong hệ sinh thái Google? Gemini Notebook đã bắt đầu xuất hiện trong ứng dụng Gemini. Notebook tạo ở sản phẩm độc lập có thể hiển thị trong phần điều hướng của Gemini; việc đổi tên notebook, thêm nguồn hoặc cập nhật hướng dẫn tùy chỉnh được đồng bộ giữa các ứng dụng. Người dùng vì thế có thể tiếp tục trò chuyện với kho kiến thức mà không phải luôn quay về một tab riêng. Google cũng dự kiến đưa notebook vào AI Mode trong Search. Khi hoàn thiện, hướng đi này có thể biến notebook thành lớp ngữ cảnh cá nhân đi cùng người dùng từ nghiên cứu trên web đến trò chuyện với Gemini. Dù vậy, notebook được chia sẻ và hội thoại trong Gemini có quy tắc hiển thị, chia sẻ và lưu giữ dữ liệu riêng; người dùng tổ chức nên đọc chính sách của gói Workspace đang sử dụng. Cách bắt đầu với tên gọi mới Mở Gemini Notebook bằng tài khoản Google và tạo một notebook cho một mục tiêu cụ thể. Thêm các nguồn đáng tin cậy, sau đó kiểm tra cách công cụ phân loại và trích dẫn chúng. Đặt câu hỏi hẹp trước, rồi mới yêu cầu nghiên cứu sâu, phân tích dữ liệu hoặc tạo tệp đầu ra. Kiểm tra trích dẫn, phép tính và phiên bản cuối trước khi chia sẻ. Người dùng cũ có thể tiếp tục truy cập địa chỉ NotebookLM quen thuộc trong giai đoạn chuyển đổi. Slug công cụ trên 4AIVN cũng được giữ nguyên để các liên kết cũ không bị đứt, trong khi tên và nội dung đã được cập nhật thành Gemini Notebook. Đổi tên có làm Gemini Notebook hữu ích hơn không? Bản thân cái tên không thay đổi chất lượng nghiên cứu. Điều làm lần đổi tên này đáng chú ý là Google đang ghép ba lớp năng lực vào một sản phẩm: nguồn có trích dẫn, môi trường chạy code và khả năng đưa notebook sang Gemini cũng như Search. Nếu được triển khai ổn định, Gemini Notebook có thể rút ngắn quãng đường từ đọc tài liệu đến phân tích và giao sản phẩm hoàn chỉnh. Tuy nhiên, không phải tính năng nào cũng có sẵn cho mọi người ngay lập tức, và đầu ra do AI tạo vẫn cần kiểm tra. Cách dùng hiệu quả nhất vẫn là chọn nguồn tốt, chia notebook theo mục tiêu rõ ràng, yêu cầu đầu ra cụ thể và giữ con người ở bước phê duyệt cuối.