NotebookLM một công cụ tuyệt vời để học tập và nghiên cứu

Bạn đã dùng NotebookLM để lưu tài liệu, nghiên cứu và ghi chú tuy nhiên mỗi lần cần AI xử lý thêm thì lại phải mở Gemini, copy-paste thủ công rồi hy vọng AI không bịa số liệu không chính xác. Giờ đây sau khi khám phá ra thì mình có thể xóa bỏ hoàn toàn bước thừa đó khi mà NotebookLM giờ có thể kết nối trực tiếp vào Gemini, biến toàn bộ tài liệu thành bộ não cho AI xử lý tức thì. NotebookLM và Gemini đã từng như hai ốc đảo NotebookLM rất giỏi một việc bám chặt vào tài liệu bạn cung cấp và trả lời chính xác dựa trên đó. Ví dụ như bạn có thể upload báo cáo tài chính 200 trang có thể hỏi bất kỳ con số nào, NotebookLM trích dẫn đúng trang đúng đoạn. Tuy nhiên nó bị cô lập trong từng note riêng biệt và không thể tìm kiếm thông tin mới ngoài internet. Gemini thì ngược lại có tư duy linh hoạt, kết nối web thời gian thực, có sự sáng tạo nhưng lại cực kì dễ ảo giác khi làm việc với dữ liệu chuyên sâu mà không có nguồn rõ ràng. Kết quả là nếu người dùng biết đến 2 công cụ này đều phải dùng song song, chuyển dữ liệu qua lại thủ công vừa mất thời gian vừa dễ mắc lỗi. Tích hợp này giải quyết đúng vấn đề đó bằng cách đưa NotebookLM vào thẳng giao diện Gemini, để hai công cụ bổ trợ cho nhau thay vì hoạt động độc lập. Một vài điều cần biết trước khi kết nối Gemini và NotebookLM Vì cùng hệ sinh thái Google cho nên tích hợp Gemini và NotebookLM hoạt động rất mượt mà, nhưng có một vài điểm cần lưu ý để tránh kỳ vọng sai. Gemini ưu tiên dữ liệu từ notebook trước, nhưng khi notebook không đủ thông tin, nó sẽ tự động tìm kiếm web mà không cần bạn ra lệnh thêm. Điều này tiện lợi, nhưng cũng có nghĩa là bạn cần kiểm tra nguồn trích dẫn để biết câu trả lời đến từ tài liệu của bạn hay từ tìm kiếm web. Khả năng phân tích chéo nhiều notebook cùng lúc là điểm mạnh lớn mà NotebookLM đơn thuần chưa làm được. Với càng nhiều notebook được kết nối, Gemini càng có thể xử lý được sự khác nhau và nhiều góc của vấn đề hơn nhưng vẫn bám sát được toàn bộ ngữ cảnh. Ngoài ra mọi câu trả lời từ dữ liệu notebook đều có trích dẫn nguồn cụ thể, đây là điểm khác biệt quan trọng so với Gemini thông thường và giúp bạn kiểm chứng nhanh khi cần. Kết nối NotebookLM vào Gemini trong 4 bước Tính năng hiện đã có thể dùng được cho cả tài khoản miễn phí lẫn Google AI Pro, không cần cài thêm gì. Bạn thực hiện theo thứ tự sau. Đầu tiên, mở Gemini trên web hoặc ứng dụng di động và vào khung nhập liệu như bình thường. Tiếp theo, nhấp vào biểu tượng dấu "+" ở góc khung chat và chọn NotebookLM từ danh sách nguồn. Sau đó chọn một hoặc nhiều notebook bạn đã tạo sẵn để làm ngữ cảnh cho cuộc hội thoại. Cuối cùng, nhập prompt của bạn như bình thường, lưu ý rằng Gemini sẽ ưu tiên dữ liệu từ notebook trước, và chỉ tìm kiếm thêm trên web khi thông tin trong notebook chưa đủ. Toàn bộ quá trình thiết lập mất chưa đến 60 giây, và bạn có thể chuyển đổi giữa các notebook khác nhau ngay trong cùng một cuộc hội thoại. Notebook + Gemini có thể làm được những gì mà trước đây không làm được? Điểm thay đổi lớn nhất không phải là tốc độ mà là độ tin cậy của đầu ra. Khi Gemini có nguồn dữ liệu cụ thể từ notebook, mọi câu trả lời đều được gắn nhãn trích dẫn rõ ràng giúp bạn biết chính xác thông tin đó đến từ trang nào, tài liệu nào, thay vì phải tự đi kiểm chứng lại. Về mặt ứng dụng thực tế có 4 trường hợp mà sự kết hợp này tạo ra khác biệt rõ nhất. Nghiên cứu và tổng hợp tài liệuThay vì đọc hết một cuốn sách giáo khoa 500 trang, bạn upload vào NotebookLM rồi yêu cầu Gemini tóm tắt thành bộ sách hoặc cũng có thể là infographic hoặc bộ slide thuyết trình qua chế độ Canvas. Và đây là kết quả của mình với prompt thông thường tạo thành cuốn sách từ tất cả các notebook được chọn. Bạn có thể tham khảo ở link Gemini sau đây Viết content không lo ảo giác Đây là use case hữu ích nhất với người làm nội dung. NotebookLM đảm nhiệm phần "đúng" đó là giữ chặt số liệu, tên người, sự kiện từ tài liệu gốc. Gemini đảm nhiệm phần "hay" đó là viết văn, tạo hook, chọn góc độ hấp dẫn. Tuy nhiên kết quả vẫn chưa so được với Claude nhưng cũng là một tham khảo để đưa sang Claude viết lại thì bạn sẽ nhận được kết quả thật sự rất tốt. Gems tự cập nhật kiến thức Gems là các trợ lý AI tùy chỉnh trong Gemini. Khi bạn gắn notebook vào một Gem, điểm đặc biệt là notebook đồng bộ tự động khi bạn thêm tài liệu mới vào NotebookLM, Gem cập nhật ngay mà không cần thiết lập lại từ đầu. Ví dụ bạn có một Gem chuyên hỗ trợ khách hàng, mỗi khi chính sách công ty thay đổi bạn chỉ cần cập nhật notebook, Gem tự hiểu luôn. Audio Overview kết hợp tìm kiếm web NotebookLM đã có tính năng chuyển tài liệu thành podcast đối thoại khá hay. Khi kết hợp với Gemini, bạn có thể yêu cầu AI bổ sung thêm thông tin mới nhất từ web vào bản tóm tắt âm thanh đó, phù hợp để nghe khi di chuyển mà vẫn có đủ những tin tức cập nhật mới nhất. Bắt đầu từ đâu nếu bạn chưa quen dùng NotebookLM và Gemini? Nếu bạn chưa từng dùng NotebookLM, hãy bắt đầu bằng cách upload một tài liệu bạn hay phải tra cứu có thể là quy trình nội bộ công ty, giáo trình học, hoặc báo cáo ngành bạn đang theo dõi. Tạo notebook từ tài liệu đó, rồi mở Gemini và kết nối notebook đó vào. Thử đặt một vài câu hỏi mà trước đây bạn phải đọc cả tài liệu mới trả lời được. Khi AI trả lời đúng và trích dẫn rõ nguồn, bạn sẽ hiểu ngay tại sao sự kết hợp này đáng để dùng thường xuyên. Không phải vì nó "cách mạng" hay "đột phá" mà vì nó giải quyết đúng một việc phiền phức cụ thể mà bạn vẫn phải làm thủ công mỗi ngày.

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.

Rất nhiều người vẫn nghiên cứu theo cách thủ công: mở hàng chục tab, xem video, đọc bài viết, ghi chú rời rạc rồi mất thêm thời gian tự tổng hợp. Bài viết long-form của monokern trên X gợi ý một cách làm khác: dùng Claude Code để điều phối, NotebookLM để phân tích nguồn và Obsidian để lưu trí nhớ dài hạn. Khi kết hợp đúng, đây không còn là một lần tìm kiếm thông tin mà trở thành một workflow AI có khả năng tích lũy qua từng phiên làm việc. Ý tưởng cốt lõi khá thực dụng: Claude Code không cần tự làm mọi thứ trong một context đắt đỏ. Nó có thể gọi công cụ, chạy skill, tạo file và chuyển phần xử lý nặng sang NotebookLM. Sau đó toàn bộ kết quả được lưu về Obsidian dưới dạng markdown để lần nghiên cứu tiếp theo có ngữ cảnh tốt hơn. Theo tác giả, phần thiết lập ban đầu có thể hoàn thành trong khoảng dưới 30 phút nếu máy đã có các công cụ cần thiết. Vì sao bộ ba này hoạt động tốt với nhau? Điểm mạnh của workflow này nằm ở việc mỗi công cụ chỉ đảm nhiệm một lớp rõ ràng. Claude Code đóng vai trò execution engine: nhận yêu cầu bằng ngôn ngữ tự nhiên, gọi skill, chạy lệnh, quản lý file và điều phối toàn bộ pipeline. Thay vì bắt người dùng thao tác từng bước, Claude Code trở thành người vận hành hệ thống. NotebookLM là lớp phân tích. Công cụ của Google có thể đọc nguồn, tóm tắt, tạo phân tích, flashcard, mindmap, infographic hoặc audio overview. Khi Claude Code đẩy phần đọc nguồn sang NotebookLM, người dùng tận dụng hạ tầng xử lý của Google thay vì đốt toàn bộ token Claude cho việc nghiền dữ liệu dài. Obsidian là lớp trí nhớ. Mọi kết quả sau khi phân tích được lưu thành markdown trong vault cá nhân. Qua thời gian, vault này trở thành kho tri thức có cấu trúc gồm chủ đề, nguồn, nhận định, pattern và kết luận. Claude Code có thể đọc lại các file đó để hiểu người dùng quan tâm điều gì, thích format nào và thường đánh giá vấn đề theo hướng nào. Skill Creator biến workflow thành công cụ tái sử dụng Phần quan trọng đầu tiên trong hướng dẫn là cài Skill Creator trong Claude Code. Đây là lớp cho phép người dùng mô tả một kỹ năng bằng ngôn ngữ tự nhiên, sau đó Claude Code tạo cấu trúc skill, cài đặt và biến nó thành lệnh có thể gọi lại. Nói cách khác, thay vì mỗi lần nghiên cứu lại prompt từ đầu, người dùng đóng gói thao tác thành một skill riêng. Ví dụ đầu tiên trong bài là tạo skill tìm kiếm YouTube. Skill này dùng yt-dlp để tìm video theo truy vấn, lấy metadata như tiêu đề, kênh, lượt xem, thời lượng, ngày đăng, URL và tỷ lệ view trên subscriber. Với nghiên cứu thị trường nội dung, dữ liệu này quan trọng hơn danh sách link thông thường vì nó cho biết nguồn nào đang thật sự thu hút sự chú ý. NotebookLM là nơi xử lý phần phân tích nặng Bài viết đề xuất kết nối Claude Code với NotebookLM thông qua dự án notebooklm-py vì NotebookLM chưa có public API chính thức. Sau khi cài và xác thực tài khoản Google, Claude Code có thể dùng skill riêng để tạo notebook mới, thêm nguồn như URL YouTube, văn bản hoặc file, rồi yêu cầu NotebookLM sinh phân tích hoặc deliverable. Điểm đáng chú ý là NotebookLM không chỉ tóm tắt. Trong một pipeline nghiên cứu thực tế, nó có thể nhận 10 video liên quan đến một chủ đề, phân tích xem framework nào đang tăng trưởng, framework nào bị thổi phồng, đâu là điểm tranh luận trong cộng đồng và khoảng trống nội dung nào chưa được ai khai thác tốt. Phần xử lý này tốn thời gian, nhưng chủ yếu diễn ra ở phía NotebookLM. Pipeline hoàn chỉnh: một lệnh để nghiên cứu cả chủ đề Khi đã có skill YouTube search và skill NotebookLM, bước tiếp theo là tạo một pipeline skill kết hợp cả hai. Người dùng chỉ cần đưa chủ đề, ví dụ nghiên cứu các AI agent framework trong năm 2026, rồi pipeline sẽ tự tìm nguồn liên quan, tạo notebook, thêm nguồn, chạy phân tích và trả kết quả thành markdown. Trong ví dụ của monokern, pipeline tìm 10 nguồn video, đẩy sang NotebookLM, tạo phân tích, sinh infographic và lưu lại kết quả vào Obsidian. Tổng thời gian xử lý được mô tả khoảng 6 phút, trong đó phần lớn là thời gian NotebookLM xử lý nguồn. Giá trị thực tế nằm ở việc người dùng không phải tự mở từng tab, copy từng link hay tự tổng hợp metadata. Kết quả cuối cùng không chỉ là một đoạn trả lời trong chat. Nó gồm phân tích đầy đủ, danh sách nguồn, chỉ số tương tác, nhận định về xu hướng, deliverable trực quan và file markdown được lưu vào vault. Đây là điểm khiến workflow này khác với một chatbot hỏi đáp thông thường. Obsidian khiến hệ thống thông minh hơn theo thời gian Phần thú vị nhất là Obsidian. Nếu chỉ chạy một lần, workflow này đã tiết kiệm thời gian. Nhưng nếu chạy đều đặn, mỗi file markdown mới sẽ làm kho tri thức cá nhân dày hơn. Sau một tháng, Claude Code có thể nhìn thấy các chủ đề bạn quay lại nhiều lần, loại insight bạn đánh giá cao và cách bạn muốn dữ liệu được trình bày. Tác giả cũng nhấn mạnh vai trò của file claude.md trong vault. Đây có thể trở thành nơi mô tả quy ước làm việc, phong cách phân tích và format đầu ra mong muốn. Sau mỗi vài phiên nghiên cứu, người dùng có thể yêu cầu Claude Code đọc lại kết quả gần đây và cập nhật file này để phản ánh cách làm việc mới. Điểm mạnh thật sự là cấu trúc, không phải YouTube YouTube chỉ là nguồn dữ liệu trong ví dụ. Cấu trúc pipeline mới là phần có giá trị. Người dùng có thể thay YouTube bằng PDF học thuật, báo cáo ngành, tài liệu public, trang web, file local, transcript hoặc tài liệu Google Drive. Miễn là Claude Code có cách truy cập và đưa nguồn vào lớp phân tích, template vận hành vẫn giữ nguyên. Điều này mở ra nhiều ứng dụng thực tế: nghiên cứu một hệ sinh thái crypto bằng whitepaper và tài liệu public, phân tích một công nghệ mới qua talk hội nghị, tìm khoảng trống nội dung trong một niche, hoặc theo dõi động lực thị trường từ báo cáo công khai. Với mỗi trường hợp, pipeline vẫn gồm ba lớp: lấy nguồn, phân tích, lưu tri thức. Cần lưu ý gì trước khi áp dụng? Workflow này mạnh nhưng không phải dành cho mọi người. Nó yêu cầu người dùng quen với Claude Code, có Obsidian vault, biết cài công cụ CLI như yt-dlp và chấp nhận dùng một thư viện không chính thức để kết nối NotebookLM. Ngoài ra, vì NotebookLM và YouTube có thể thay đổi giao diện hoặc hạn chế truy cập, các skill nên được xem như công cụ cần bảo trì chứ không phải giải pháp cài một lần mãi mãi. Dù vậy, ý tưởng đằng sau rất đáng chú ý: thay vì dùng AI như một hộp chat rời rạc, hãy biến AI thành một hệ thống nghiên cứu có bộ nhớ, có pipeline và có khả năng học từ lịch sử làm việc của chính bạn. Với những người thường xuyên phân tích thị trường, công nghệ hoặc nội dung, đây là một hướng triển khai thực dụng hơn rất nhiều so với việc mở 10 tab rồi tự tổng hợp mọi thứ bằng tay.

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.