DeepSeek V4.1 Flash vượt mặt GPT-5.6 Sol và Opus 5 về lập trình và an ninh mạng với chi phí thấp hơn 86 lần
DeepSeek vừa ra mắt mô hình V4.1 Flash với kiến trúc tiên tiến, có khả năng cạnh tranh trực tiếp với GPT-5.6 Sol và Claude Opus 5 trong lĩnh vực lập trình và an ninh mạng. Điểm nhấn của mô hình là khả năng tối ưu hóa bộ nhớ cực tốt, giảm yêu cầu về HBM tới 3,8 lần và tiết kiệm chi phí vận hành khoảng 86 lần.
Các kỹ sư của DeepSeek tiếp tục gây kinh ngạc khi vắt kiệt từng chút hiệu năng từ các ràng buộc kiến trúc vốn đặc trưng cho các mô hình ngôn ngữ lớn (LLM) hiện đại. Minh chứng rõ nét là phiên bản V4.1 Flash vừa ra mắt, có khả năng cạnh tranh mạnh mẽ với các đối thủ như GPT-5.6 Sol của OpenAI hay Claude Opus 5 của Anthropic trong các tác vụ lập trình và an ninh mạng, nhưng lại có chi phí thấp hơn đáng kể!
Kiến trúc mới mẻ của mô hình V4.1 Flash từ DeepSeek
Mô hình V4.1 Flash của DeepSeek sở hữu một kiến trúc khá mới lạ. Do tính phức tạp vốn có, chúng ta có thể hiểu các thành phần kiến trúc chính thông qua các phép ẩn dụ dễ hiểu.
V4.1 Flash là một mô hình Hỗn hợp Chuyên gia (Mixture of Experts - MoE) đa phương thức, có khả năng xử lý nguyên bản cả hình ảnh và văn bản. Để hình dung về MoE, hãy tưởng tượng một căn bếp lớn có 384 đầu bếp chuyên môn hóa (các chuyên gia được định tuyến), được giám sát bởi 1 bếp trưởng (chuyên gia chia sẻ). Mô hình chỉ kích hoạt các đầu bếp chuyên môn khi cần thiết. Ví dụ, để làm một chiếc bánh soufflé, mô hình sẽ chỉ gọi các chuyên gia làm bánh ngọt chứ không gọi những người giỏi nấu món Á.
Kiến trúc Transformer 40 lớp: Causal Encoder-Decoder (CED)
Đây là phần khá phức tạp. Một mô hình AI cơ bản bao gồm một chuỗi các khối transformer được cấu thành từ hai yếu tố cốt lõi:
- Tầng chú ý (Attention Layer) xem xét cách các từ trong câu liên kết với nhau. Ví dụ, nếu bạn đưa ra câu lệnh Paris là thủ đô của nước Pháp, tầng chú ý sẽ liên kết từ 'thủ đô' với 'Pháp' và xác định 'Paris' là câu trả lời. Tuy nhiên, tầng này không thực sự hiểu Pháp hay Paris là gì, mà sẽ lưu lại các ghi chú này dưới dạng bộ đệm KV (KV cache). Khi ngữ cảnh tăng lên, bộ đệm KV cũng tăng theo.
- Mạng chuyển tiếp (Feed-Forward Network - FFN) chứa toàn bộ tri thức của mô hình dưới dạng các trọng số (weights), và chính tầng này sử dụng các công thức toán học sâu để khai thác ý nghĩa đằng sau mỗi từ.
Thông thường, các mô hình AI đọc câu lệnh của bạn (prefill) và viết ra câu trả lời (decode) bằng cách sử dụng chính xác hệ thống máy móc nặng nề cho cả hai bước. Tuy nhiên, DeepSeek V4.1 Flash chia công việc thành hai 'phòng' riêng biệt, ví von theo phép ẩn dụ nhà bếp của chúng ta:
- Trạm chuẩn bị (Encoder): 20 lớp đầu tiên có nhiệm vụ đọc và hiểu câu lệnh dài của bạn một cách hiệu quả, chỉ đánh thức 8 tỷ tham số (còn gọi là các tế bào não của mô hình).
- Trạm nấu ăn (Decoder): 20 lớp tiếp theo viết câu trả lời, đánh thức 16 tỷ tham số để xử lý các công việc nặng nhọc.
- Bàn giao công thức: Thay vì để mọi đầu bếp ở trạm nấu ăn đều phải ghi chép, trạm chuẩn bị sẽ tạo ra một tờ ghi chú tổng (KV Cache) duy nhất vào phút cuối và bàn giao lại, giúp tiết kiệm lượng lớn bộ nhớ.
Theo DeepSeek, cấu trúc này cải thiện đáng kể hiệu quả chi phí cho các tác vụ mang tính tác nhân (agentic) đòi hỏi đầu vào lớn.
Kiểm soát KV Cache với Compressed Sparse Attention 2 (CSA2), độ chính xác FP4 và SWA Bounded Replay
Hãy tưởng tượng bạn đang đi học và phải đọc một cuốn sách lịch sử dài 1,000 trang, sau đó hoàn thành 40 bài tập khác nhau (các lớp) về cuốn sách đó. Ở một mô hình AI thông thường, mọi lớp đều phải đọc lại toàn bộ cuốn sách từ đầu và tự viết ra một chồng giấy nhớ khổng lồ (KV Cache). Điều này dĩ nhiên đòi hỏi rất nhiều không gian lưu trữ (bộ nhớ).
Để vượt qua những hạn chế này, DeepSeek sử dụng công nghệ Chú ý thưa nén 2 (Compressed Sparse Attention 2 - CSA2). Thay vì ghi chép mọi từ, mô hình sử dụng một "Bộ lập chỉ mục tốc độ cao" (Lightning Indexer) để đọc nhanh cuốn sách, chỉ đánh dấu những trang quan trọng nhất. Khi AI cần trả lời câu hỏi, nó chỉ nhìn vào các phần Top-K liên quan nhất thay vì đọc lại mọi thứ. Điều này giải thích cho phần "nén".
Tiếp theo, thay vì cả 40 lớp tự tạo bản sao cho các điểm nổi bật đó, CSA2 phân công cho mỗi lớp một trong ba nhiệm vụ để chia sẻ khối lượng công việc:
- Chế độ đầy đủ (Full Mode): Lớp đầu tiên thực hiện công việc khó khăn. Nó đọc ngữ cảnh, tạo các điểm nổi bật và viết ra bộ ghi chú chính.
- Chế độ lập chỉ mục lại (Reindex Mode): Lớp tiếp theo nhìn vào ghi chú chính và tự nhủ: "Tôi sẽ không tự viết ghi chú nữa, tôi sẽ dùng luôn của bạn! Nhưng tôi sẽ gắn thêm các tờ giấy nhớ của riêng mình vào những phần tôi quan tâm cho bài tập của mình."
- Chế độ tái sử dụng (Reuse Mode): Các lớp sâu hơn nhìn vào lớp trước đó và nhận xét: "Ghi chú và các nhãn dán của bạn hoàn hảo rồi. Tôi sẽ chép lại bài tập của bạn y nguyên."
Cuối cùng, chúng ta có SWA Bounded Replay. Mô hình V4.1 Flash của DeepSeek lưu trữ cả trạng thái chú ý toàn cục (global attention) và cục bộ (local attention):
- Chú ý toàn cục (Main KV Cache): Phần này nắm bắt các mối phụ thuộc tầm xa và chi tiết lịch sử trên toàn bộ cửa sổ ngữ cảnh (lên tới 1 triệu token). Nó được giữ vĩnh viễn trong Bộ nhớ Băng thông Cao (HBM) siêu tốc nhờ các kỹ thuật nén cực hạn như CSA2 và độ chính xác FP4.
- Chú ý cục bộ (SWA KV Cache): Chỉ tập trung vào cửa sổ cục bộ gồm 128 token gần nhất để xử lý ngữ cảnh chi tiết, tức thời.
Ở các mô hình ngữ cảnh dài truyền thống, việc lưu trữ cả trạng thái chú ý toàn cục và cục bộ cho hàng nghìn người dùng đồng thời đòi hỏi lượng lưu trữ khổng lồ. DeepSeek khắc phục điều này bằng phương pháp SWA Bounded Replay. Nếu người dùng tạm dừng phiên làm việc và trạng thái SWA 128 token cục bộ bị xóa khỏi vùng RAM tạm thời của máy chủ, hệ thống sẽ không tính toán lại toàn bộ câu lệnh 1 triệu token để tìm vị trí dừng. Thay vào đó, mô hình chỉ phát lại 128 token cuối cùng của dữ liệu đầu vào để nắm bắt tình hình.
Bằng cách kết hợp tất cả các đổi mới này, DeepSeek có thể giảm bộ nhớ đệm KV cho V4.1 Flash xuống 3,9x so với phiên bản V4 Flash, giới hạn ở mức chỉ 890 byte cho mỗi token! Đây là mức tối ưu hóa bộ nhớ cực khủng, giúp giảm 3,9x yêu cầu về HBM và giảm tới 8x nhu cầu về SSD so với V4 Flash.
Sử dụng mHC một lần (single-pass mHC)
Hãy tưởng tượng bạn đang lái xe trên đường cao tốc. Công nghệ Kết nối siêu hạn bị ràng buộc bởi đa tạp (Manifold-Constrained Hyper-Connections - mHC) của DeepSeek mở rộng bề rộng đường cao tốc thành 4 làn, cho phép thông tin truyền qua nhiều kênh và chuyển làn linh hoạt. Để ngăn chặn tai nạn hoặc tình trạng mất cân bằng làn đường, họ sử dụng giới hạn tốc độ toán học nghiêm ngặt (ma trận song ngẫu qua thuật toán Sinkhorn-Knopp), đảm bảo tín hiệu thông tin không bao giờ bị tắc nghẽn.
Tuy nhiên, các giới hạn tốc độ này lại là trở ngại cho các mô hình dòng Flash. Để khắc phục, DeepSeek giờ đây đã giới thiệu mHC một lần (single-pass mHC), trong đó mỗi lớp mô hình đọc dữ liệu từ "đường cao tốc" sử dụng các chỉ dẫn do lớp trước để lại. Vì mô hình đã biết cách hòa trộn các làn đường trước, con chip có thể tính toán việc trộn làn ngay tại thời điểm nó tính toán các phép toán chú ý còn lại, loại bỏ hoàn toàn thời gian chờ đợi.
Về cơ bản, nếu mHC là con đường cao tốc 4 làn siêu ổn định giúp mô hình thông minh hơn, thì single-pass mHC chính là trạm thu phí tối ưu cho phép lưu lượng (thông tin) đi qua cả 4 làn ngay lập tức mà không cần dừng lại.
Bộ nhớ điều kiện Engram (Engram Conditional Memory)
Bộ nhớ Engram thực chất tương tự như một cuốn sổ tay bỏ túi, bao gồm một bảng tra cứu tĩnh khổng lồ chứa đầy tri thức thô, các cụm từ phổ biến và sự thật (chẳng hạn như Abu Dhabi là thủ đô của UAE).
Khi DeepSeek V4.1 Flash đọc văn bản, nó đọc theo các nhóm từ nhỏ (gọi là N-gram). Nếu nhận diện được một mẫu quen thuộc, nó sẽ không mất công suy nghĩ mà chạy ngay lệnh kiểm tra hàm băm (giống như tra từ trong từ điển) và trích xuất ý nghĩa chính xác từ sổ tay (Bộ nhớ Engram) ngay lập tức. Để tối ưu hóa hơn nữa cấu trúc này, DeepSeek đã giới thiệu một cổng điều kiện hoặc cổng ngữ cảnh, có nhiệm vụ quan sát xem mô hình đang làm gì và đặt câu hỏi: "Thông tin lịch sử này có thực sự hữu ích cho câu hỏi người dùng đang đặt ra lúc này không?". Nếu có, nó sẽ đưa bộ nhớ vào. Nếu không, nó sẽ giữ cho cuốn sổ tay được đóng lại.
⚡ DEEPSEEK V4.1 FLASH VƯỢT MẶT GPT-5.6 SOL VÀ OPUS 5 VỀ LẬP TRÌNH VÀ AN NINH MẠNG VỚI CHI PHÍ THẤP HƠN 86 LẦN Các kỹ sư của DeepSeek tiếp tục gây kinh ngạc khi vắt kiệt từng chút hiệu năng từ các ràng buộc kiến trúc vốn đặc trưng cho các mô hình ngôn ngữ lớn (LLM) hiện đại. Minh chứng rõ nét là phiên bản V4.1 Flash vừa ra mắt, có khả năng cạnh tranh mạnh mẽ với các đối thủ như GPT-5.6 Sol của OpenAI hay Claude Opus 5 của Anthropic trong các tác vụ lập trình và an ninh mạng, nhưng lại có chi phí thấp hơn đáng kể! Kiến trúc mới mẻ của mô hình V4.1 Flash từ DeepSeek Mô hình V4.1 Flash của DeepSeek sở hữu một kiến trúc khá mới lạ. Do tính phức tạp vốn có, chúng ta có thể hiểu các thành phần kiến trúc chính thông qua các phép ẩn dụ dễ hiểu. V4.1 Flash là một mô hình Hỗn hợp Chuyên gia (Mixture of Experts - MoE) đa phương thức, có khả năng xử lý nguyên bản cả hình ảnh và văn bản. Để hình dung về MoE, hãy tưởng tượng một căn bếp lớn có 384 đầu bếp chuyên môn hóa (các chuyên gia được định tuyến), được giám sát bởi 1 bếp trưởng (chuyên gia chia sẻ). Mô hình chỉ kích hoạt các đầu bếp chuyên môn khi cần thiết. Ví dụ, để làm một chiếc bánh soufflé, mô hình sẽ chỉ gọi các chuyên gia làm bánh ngọt chứ không gọi những người giỏi nấu món Á. Kiến trúc Transformer 40 lớp: Causal Encoder-Decoder (CED) Đây là phần khá phức tạp. Một mô hình AI cơ bản bao gồm một chuỗi các khối transformer được cấu thành từ hai yếu tố cốt lõi: • Tầng chú ý (Attention Layer) xem xét cách các từ trong câu liên kết với nhau. Ví dụ, nếu bạn đưa ra câu lệnh Paris là thủ đô của nước Pháp, tầng chú ý sẽ liên kết từ 'thủ đô' với 'Pháp' và xác định 'Paris' là câu trả lời. Tuy nhiên, tầng này không thực sự hiểu Pháp hay Paris là gì, mà sẽ lưu lại các ghi chú này dưới dạng bộ đệm KV (KV cache). Khi ngữ cảnh tăng lên, bộ đệm KV cũng tăng theo. • Mạng chuyển tiếp (Feed-Forward Network - FFN) chứa toàn bộ tri thức của mô hình dưới dạng các trọng số (weights), và chính tầng này sử dụng các công thức toán học sâu để khai thác ý nghĩa đằng sau mỗi từ. Thông thường, các mô hình AI đọc câu lệnh của bạn (prefill) và viết ra câu trả lời (decode) bằng cách sử dụng chính xác hệ thống máy móc nặng nề cho cả hai bước. Tuy nhiên, DeepSeek V4.1 Flash chia công việc thành hai 'phòng' riêng biệt, ví von theo phép ẩn dụ nhà bếp của chúng ta: • Trạm chuẩn bị (Encoder): 20 lớp đầu tiên có nhiệm vụ đọc và hiểu câu lệnh dài của bạn một cách hiệu quả, chỉ đánh thức 8 tỷ tham số (còn gọi là các tế bào não của mô hình). • Trạm nấu ăn (Decoder): 20 lớp tiếp theo viết câu trả lời, đánh thức 16 tỷ tham số để xử lý các công việc nặng nhọc. • Bàn giao công thức: Thay vì để mọi đầu bếp ở trạm nấu ăn đều phải ghi chép, trạm chuẩn bị sẽ tạo ra một tờ ghi chú tổng (KV Cache) duy nhất vào phút cuối và bàn giao lại, giúp tiết kiệm lượng lớn bộ nhớ. Theo DeepSeek, cấu trúc này cải thiện đáng kể hiệu quả chi phí cho các tác vụ mang tính tác nhân (agentic) đòi hỏi đầu vào lớn. Kiểm soát KV Cache với Compressed Sparse Attention 2 (CSA2), độ chính xác FP4 và SWA Bounded Replay Hãy tưởng tượng bạn đang đi học và phải đọc một cuốn sách lịch sử dài 1,000 trang, sau đó hoàn thành 40 bài tập khác nhau (các lớp) về cuốn sách đó. Ở một mô hình AI thông thường, mọi lớp đều phải đọc lại toàn bộ cuốn sách từ đầu và tự viết ra một chồng giấy nhớ khổng lồ (KV Cache). Điều này dĩ nhiên đòi hỏi rất nhiều không gian lưu trữ (bộ nhớ). Để vượt qua những hạn chế này, DeepSeek sử dụng công nghệ Chú ý thưa nén 2 (Compressed Sparse Attention 2 - CSA2). Thay vì ghi chép mọi từ, mô hình sử dụng một "Bộ lập chỉ mục tốc độ cao" (Lightning Indexer) để đọc nhanh cuốn sách, chỉ đánh dấu những trang quan trọng nhất. Khi AI cần trả lời câu hỏi, nó chỉ nhìn vào các phần Top-K liên quan nhất thay vì đọc lại mọi thứ. Điều này giải thích cho phần "nén". Tiếp theo, thay vì cả 40 lớp tự tạo bản sao cho các điểm nổi bật đó, CSA2 phân công cho mỗi lớp một trong ba nhiệm vụ để chia sẻ khối lượng công việc: • Chế độ đầy đủ (Full Mode): Lớp đầu tiên thực hiện công việc khó khăn. Nó đọc ngữ cảnh, tạo các điểm nổi bật và viết ra bộ ghi chú chính. • Chế độ lập chỉ mục lại (Reindex Mode): Lớp tiếp theo nhìn vào ghi chú chính và tự nhủ: "Tôi sẽ không tự viết ghi chú nữa, tôi sẽ dùng luôn của bạn! Nhưng tôi sẽ gắn thêm các tờ giấy nhớ của riêng mình vào những phần tôi quan tâm cho bài tập của mình." • Chế độ tái sử dụng (Reuse Mode): Các lớp sâu hơn nhìn vào lớp trước đó và nhận xét: "Ghi chú và các nhãn dán của bạn hoàn hảo rồi. Tôi sẽ chép lại bài tập của bạn y nguyên." Cuối cùng, chúng ta có SWA Bounded Replay. Mô hình V4.1 Flash của DeepSeek lưu trữ cả trạng thái chú ý toàn cục (global attention) và cục bộ (local attention): • Chú ý toàn cục (Main KV Cache): Phần này nắm bắt các mối phụ thuộc tầm xa và chi tiết lịch sử trên toàn bộ cửa sổ ngữ cảnh (lên tới 1 triệu token). Nó được giữ vĩnh viễn trong Bộ nhớ Băng thông Cao (HBM) siêu tốc nhờ các kỹ thuật nén cực hạn như CSA2 và độ chính xác FP4. • Chú ý cục bộ (SWA KV Cache): Chỉ tập trung vào cửa sổ cục bộ gồm 128 token gần nhất để xử lý ngữ cảnh chi tiết, tức thời. Ở các mô hình ngữ cảnh dài truyền thống, việc lưu trữ cả trạng thái chú ý toàn cục và cục bộ cho hàng nghìn người dùng đồng thời đòi hỏi lượng lưu trữ khổng lồ. DeepSeek khắc phục điều này bằng phương pháp SWA Bounded Replay. Nếu người dùng tạm dừng phiên làm việc và trạng thái SWA 128 token cục bộ bị xóa khỏi vùng RAM tạm thời của máy chủ, hệ thống sẽ không tính toán lại toàn bộ câu lệnh 1 triệu token để tìm vị trí dừng. Thay vào đó, mô hình chỉ phát lại 128 token cuối cùng của dữ liệu đầu vào để nắm bắt tình hình. Bằng cách kết hợp tất cả các đổi mới này, DeepSeek có thể giảm bộ nhớ đệm KV cho V4.1 Flash xuống 3,9x so với phiên bản V4 Flash, giới hạn ở mức chỉ 890 byte cho mỗi token! Đây là mức tối ưu hóa bộ nhớ cực khủng, giúp giảm 3,9x yêu cầu về HBM và giảm tới 8x nhu cầu về SSD so với V4 Flash. Sử dụng mHC một lần (single-pass mHC) Hãy tưởng tượng bạn đang lái xe trên đường cao tốc. Công nghệ Kết nối siêu hạn bị ràng buộc bởi đa tạp (Manifold-Constrained Hyper-Connections - mHC) của DeepSeek mở rộng bề rộng đường cao tốc thành 4 làn, cho phép thông tin truyền qua nhiều kênh và chuyển làn linh hoạt. Để ngăn chặn tai nạn hoặc tình trạng mất cân bằng làn đường, họ sử dụng giới hạn tốc độ toán học nghiêm ngặt (ma trận song ngẫu qua thuật toán Sinkhorn-Knopp), đảm bảo tín hiệu thông tin không bao giờ bị tắc nghẽn. Tuy nhiên, các giới hạn tốc độ này lại là trở ngại cho các mô hình dòng Flash. Để khắc phục, DeepSeek giờ đây đã giới thiệu mHC một lần (single-pass mHC), trong đó mỗi lớp mô hình đọc dữ liệu từ "đường cao tốc" sử dụng các chỉ dẫn do lớp trước để lại. Vì mô hình đã biết cách hòa trộn các làn đường trước, con chip có thể tính toán việc trộn làn ngay tại thời điểm nó tính toán các phép toán chú ý còn lại, loại bỏ hoàn toàn thời gian chờ đợi. Về cơ bản, nếu mHC là con đường cao tốc 4 làn siêu ổn định giúp mô hình thông minh hơn, thì single-pass mHC chính là trạm thu phí tối ưu cho phép lưu lượng (thông tin) đi qua cả 4 làn ngay lập tức mà không cần dừng lại. Bộ nhớ điều kiện Engram (Engram Conditional Memory) Bộ nhớ Engram thực chất tương tự như một cuốn sổ tay bỏ túi, bao gồm một bảng tra cứu tĩnh khổng lồ chứa đầy tri thức thô, các cụm từ phổ biến và sự thật (chẳng hạn như Abu Dhabi là thủ đô của UAE). Khi DeepSeek V4.1 Flash đọc văn bản, nó đọc theo các nhóm từ nhỏ (gọi là N-gram). Nếu nhận diện được một mẫu quen thuộc, nó sẽ không mất công suy nghĩ mà chạy ngay lệnh kiểm tra hàm băm (giống như tra từ trong từ điển) và trích xuất ý nghĩa chính xác từ sổ tay (Bộ nhớ Engram) ngay lập tức. Để tối ưu hóa hơn nữa cấu trúc này, DeepSeek đã giới thiệu một cổng điều kiện hoặc cổng ngữ cảnh, có nhiệm vụ quan sát xem mô hình đang làm gì và đặt câu hỏi: "Thông tin lịch sử này có thực sự hữu ích cho câu hỏi người dùng đang đặt ra lúc này không?". Nếu có, nó sẽ đưa bộ nhớ vào. Nếu không, nó sẽ giữ cho cuốn sổ tay được đóng lại. 🗞 Nguồn: Wccftech #vgsnews #vgs #tintuc
