Đột phá quy trình làm việc với Gemini và NotebookLM

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.

Gemini đã thắng lớn theo đúng nghĩa đen ngay khi Messi lập cú hat-trick đầu tiên tại World Cup 2026, giúp Argentina đè bẹp Algeria với tỷ số 3-0 và cân bằng kỷ lục 16 bàn thắng của Miroslav Klose. Khoảnh khắc lịch sử này chính là bệ phóng hoàn hảo cho Gemini. Trước đó vào tháng 3/2026, Google và Liên đoàn bóng đá Argentina (AFA) đã đưa ra một quyết định táo bạo: thay vì chỉ in logo trên áo tập, họ ký hợp đồng để AI này tham gia hỗ trợ chiến thuật và đưa ra các quyết định chuyên môn. Đến nay, thương vụ đặt cược này đã chứng minh đó là một chiến lược hoàn toàn đúng đắn. Từ áo tập đến phòng họp chiến thuật Thỏa thuận giữa AFA và Google được công bố tại Times Square, New York, một địa điểm được chọn có chủ ý để gây chú ý với truyền thông toàn cầu. Logo Gemini xuất hiện trên toàn bộ trang phục tập luyện của đội tuyển nam, nữ lẫn các lứa trẻ Argentina, đứng ngang hàng với Adidas và American Express trong tầng tài trợ cao nhất của AFA. Nhưng phần thú vị không nằm ở chiếc áo. Theo thông tin từ Inside World Football, ban huấn luyện Argentina sẽ dùng Gemini cho ba việc cụ thể: phân tích chiến thuật, phòng ngừa chấn thương và hỗ trợ ra quyết định. Nói cách khác, Gemini có mặt trong những cuộc họp mà trước đây chỉ có Scaloni và các trợ lý của ông được ngồi. Google không tiết lộ cụ thể những công cụ Gemini nào được tích hợp vào quy trình làm việc của AFA. Điều duy nhất rõ ràng là họ đang dùng World Cup để đưa Gemini vào thực tế bóng đá chuyên nghiệp, và kết quả sẽ được chấm điểm công khai. Gemini làm gì trong phòng thay đồ? Argentina đến World Cup 2026 với tư cách nhà đương kim vô địch. Mọi quyết định của Scaloni, từ danh sách triệu tập đến lựa chọn đội hình, đều bị soi kỹ hơn bất kỳ đội nào khác, và đây cũng chính là lý do Argentina trở thành phòng thí nghiệm lý tưởng nhất mà Google từng có cho Gemini trong môi trường bóng đá chuyên nghiệp và đặc biệt là ở giải đấu lớn. Phân tích chiến thuật Gemini được dùng để xử lý dữ liệu trận đấu của cả Argentina lẫn đối thủ, bao gồm thống kê di chuyển, mẫu hình tấn công và điểm yếu phòng thủ. Thay vì ban huấn luyện phải ngồi xem lại hàng giờ video, AI tổng hợp và đưa ra các sơ đồ chiến thuật được tạo tự động điều này sẽ tiết kiệm đáng kể thời gian chuẩn bị trước mỗi trận. Phòng ngừa chấn thương Đây là bài toán mà mọi đội bóng lớn đều muốn giải, đặc biệt khi Messi và nhiều trụ cột đã ở độ tuổi cần quản lý tải lượng tập luyện cẩn thận. Gemini phân tích dữ liệu sinh học và lịch sử chấn thương để đưa ra cảnh báo sớm, giúp ban huấn luyện điều chỉnh cường độ tập trước khi vấn đề thực sự xảy ra. Đó là lý do vì sao vừa ghi hat-trick Scaloni đã quyết định thay Messi ra để đảm bảo thể lực và an toàn cho các trận đấu sau. AI trong phòng ngừa chấn thương tất nhiên không phải diều mới mẻ gì khi mà tại Premier League đã có Microsoft làm đối tác cho mục đích tương tự. Điểm khác biệt lần này là Gemini được tích hợp trực tiếp vào quy trình của một đội tuyển dự giải lớn, không chỉ ở cấp câu lạc bộ. Phía người hâm mộ: tạo ảnh Messi, theo dõi tỉ số không cần mở khóa màn hình Song song với việc hỗ trợ ban huấn luyện, Gemini cũng triển khai một loạt tính năng hướng đến người hâm mộ, và đây mới là phần mà hàng trăm triệu người thực sự chạm vào. Gemini cho phép tạo nội dung về cầu thủ luôn Người dùng có thể tạo ảnh, bài nhạc và nội dung kỹ thuật số gắn với các cầu thủ Argentina như Messi ngay trong ứng dụng Gemini. Tính năng này được thiết kế để đưa trải nghiệm World Cup đến gần hơn với những người không thể đến sân trực tiếp. Tỉ số thời gian thực và bản tin tự động Trên Google Search, tỉ số trận đấu được ghim lên màn hình khóa và cập nhật theo thời gian thực, có animation riêng cho bàn thắng và thẻ đỏ mà không cần mở khóa điện thoại. Với người dùng Gemini trả phí, tính năng Scheduled Actions cho phép thiết lập bản tin bóng đá tự động mỗi ngày, bao gồm tỉ số, tin tức và lịch thi đấu, được giao đúng giờ đã chọn mà không cần nhắc lại mỗi ngày. Hạ tầng phục vụ ngày thi đấu Google cập nhật Street View tại 16 sân vận động chủ nhà và tối ưu hóa lộ trình trên Waze cho ngày thi đấu. Waze còn hiển thị tỉ số trực tiếp khi xe dừng đèn đỏ, để người lái không cần cầm điện thoại trong lúc di chuyển. World Cup 2026 là phép thử thật sự cho AI trong thể thao Google không chỉ tài trợ cho Argentina. Gemini còn có mặt trên áo của Pháp, Morocco, Iraq, Thổ Nhĩ Kỳ và Mỹ, trong khi Pixel là điện thoại chính thức của đội Pháp với Gemini được dùng cho liên lạc nội bộ. Đây rõ ràng là chiến lược tổng thể của Google và không phải một hợp đồng đơn lẻ. Điều khiến World Cup 2026 trở nên đặc biệt là nó sẽ trả lời một câu hỏi mà không phòng lab nào làm được: người dùng thực sự dùng AI để làm gì khi có một giải đấu World Cup 2026 kéo dài 6 tuần với 104 trận? Các tính năng chạy trên sức hút ban đầu sẽ tắt dần sau vòng bảng. Những gì người dùng còn tiếp tục dùng đến tận trận chung kết mới là câu trả lời thật cho câu hỏi AI phù hợp ở đâu trong cuộc sống hàng ngày, và Google biết rõ điều đó. Giám đốc truyền thông Google khu vực Mỹ Latinh, Flor Sabatini, phát biểu rằng World Cup 2026 sẽ đánh dấu một trước và sau trong lịch sử bóng đá nhờ AI. Câu nói nghe có vẻ marketing, nhưng thực tế là lần đầu tiên một mô hình AI lớn được tích hợp vào chuẩn bị của đội đương kim vô địch, ngay giữa một giải đấu được xem nhiều nhất hành tinh. World Cup 2026 là bài kiểm tra thật của Gemini Điểm đáng chú ý nhất của toàn bộ câu chuyện này không phải logo Gemini trên áo Messi. Đó là việc Argentina tất nhiên vẫn là đội được kỳ vọng nhất và bị soi kỹ nhất, với áp lực bảo vệ chức vô địch vẫn đặt một phần quy trình chuẩn bị của mình vào AI. Nếu Argentina thành công, Gemini có một case study không thể mua bằng tiền quảng cáo. Nếu Argentina thất bại mà ban huấn luyện quy trách nhiệm một phần cho AI, câu chuyện sẽ đi theo chiều ngược lại hoàn toàn. Dù kết quả thế nào, đây là lần đầu tiên AI phải chịu trách nhiệm ở một sân khấu thực sự có giá trị, không phải benchmark, không phải demo, mà là World Cup. Với người dùng AI, điều đáng theo dõi không chỉ là Argentina có vô địch hay không, mà là xem liệu Gemini có thực sự thay đổi cách một đội bóng vận hành, hay chỉ là logo trên áo tập đẹp hơn mọi năm.

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.

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.