Hãy hỏi GPT-6.1 Sol, Claude Opus 5.5 hoặc Gemini 4 Argon “Nhà nghiên cứu này là ai?” — và xem Argon tìm đến nhầm phòng thí nghiệm.

Ba mô hình tiên tiến nhất mỗi mô hình được hỏi một câu, 448 lần, chỉ với một cái tên để làm manh mối. GPT-6.1 Sol và Claude Opus 5.5 nhận diện được gần như mọi nhà nghiên cứu AI mà chúng được cho xem. Gemini 4 Argon nhận diện được số người gần tương đương nhưng mô tả đúng về ít người hơn, và lý do được nêu cụ thể và hữu ích: nó liên tục nêu trước đây của một nhà nghiên cứu làm nơi làm việc hiện tại của người đó. Đánh giá này được đăng vào ngày 14 tháng 10 năm 2026 bởi tài khoản @scaling01; đây là một bài kiểm tra được đăng tải, không phải một bộ chuẩn độc lập, và chưa ai tái lập được nó. Ba mô hình có độ tuổi rất khác nhau — Gemini 4 Argon được cung cấp rộng rãi ở gói trả phí vào ngày 13 tháng 10 năm 2026 sau khi được công bố vào ngày 30 tháng 9, Claude Opus 5.5 ra mắt ngày 22 tháng 9, GPT-6.1 Sol ngày 29 tháng 9 — nên điều thực sự mới ở đây chỉ là chính phát hiện này, vốn xuất hiện hai ngày sau khi gói trả phí của Argon mở.

Đây là một vấn đề thuộc tính lỗi thời, và nó đáng được hiểu cho đúng, bởi nó không thuộc cùng loại thất bại như một trích dẫn bịa đặt hay một bài báo được dựng lên đầy tự tin. Một mô hình nêu tên chủ cũ của một nhà nghiên cứu không phải đang bịa ra điều gì đó. Nó đang trả về một sự thật từng đúng, từ một bản chụp đã trôi đi. Lý do nội bộ được dẫn ra cho khoảng cách này là: mô hình càng "giỏi" trong việc dẫn thông tin lỗi thời như thể còn hiện hành, thì nó càng hữu ích cho một số tác vụ và càng nguy hiểm cho tác vụ này. Đó là một cách diễn đạt gọn ghẽ về sự đánh đổi, và đó là lý do bài đánh giá cụ thể này thú vị hơn mức mà kích thước mẫu của nó gợi ra.

Bài đăng thực sự đã đo lường điều gì, theo đúng lời của nó: 448 nhà nghiên cứu thật đã được đưa cho mỗi mô hình dưới dạng chỉ một cái tên, một lần, không có quyền truy cập web và không có công cụ. Các câu trả lời đã được đối chiếu với các nguồn công khai — trang cá nhân, tiểu sử phòng thí nghiệm, bài báo — vào ngày 14 tháng 10 năm 2026. Biểu đồ tách riêng hai thứ thường bị gộp thành một điểm số. Thanh đầy đủ là "đã nhận ra đúng người." Phần đặc của thanh là "toàn bộ câu trả lời cũng chính xác." Khoảng cách giữa hai phần là kiểu lỗi: đúng người, sai chi tiết. Sự phân chia nhóm là 131 nhà nghiên cứu OpenAI, 166 Anthropic, 151 Google. Mối liên hệ với phòng thí nghiệm được xác lập từ 298 hồ sơ hiện tại hoặc trang phòng thí nghiệm, 148 dòng ghi tên tác giả thuộc phòng thí nghiệm kể từ tháng 10 năm 2025, và 2 người đã chuyển giữa các phòng thí nghiệm. Bị loại: 2 người đã rời các phòng thí nghiệm này, 13 người không thể xác nhận, và 22 nhà nghiên cứu nổi bật làm việc bên ngoài ba phòng thí nghiệm. Cả ba mô hình đều đã bác bỏ toàn bộ 50 cái tên bịa đặt được đưa cho chúng — không mô hình nào trong số ba mô hình bịa ra một người, đây là phép kiểm soát khó hơn và là phép kiểm soát mà chúng đã vượt qua.

Một lỗi “người sử dụng lao động cũ” thực sự khiến bạn tốn kém bao nhiêu

Nếu bạn đang dùng một mô hình tiên tiến để chuẩn bị bản giao ban, soạn danh sách tiếp cận, hoặc tóm tắt ai làm việc ở đâu, thì đây chính là dạng lỗi mà bạn sẽ nhận được. Tên sẽ đúng. Vai trò sẽ có vẻ hợp lý. Tổ chức sẽ là đơn vị mà người đó đã rời đi. Không có gì trong kết quả đầu ra trông có vẻ sai, đó là lý do nó vượt qua được khâu xem xét, và cũng là lý do một câu trả lời sai về đơn vị công tác lại tệ hơn một câu trả lời sai rõ ràng.

Nó cũng giải thích nguồn gốc của sự khác biệt giữa các mô hình. Loại lỗi gán ghép này phản ánh cách kiến thức của một mô hình được chụp nhanh và cách nó diễn đạt câu trả lời khi dữ liệu huấn luyện của nó chứa cả một mối liên kết cũ lẫn một mối liên kết mới. Một mô hình đã thấy cả hai dữ kiện và chọn cái gần đây hơn sẽ đạt điểm cao ở đây. Một mô hình đã thấy cả hai và chọn cái phổ biến hơn trong kho ngữ liệu của nó — mà đối với một nhà nghiên cứu có thâm niên lâu năm thì thường là cái cũ hơn — sẽ bị điểm kém mà không hề sai về bất cứ điều gì nó thực sự được cho biết. Cách đặt vấn đề của chính bài đánh giá cũng khớp: nó đang đo xem liệu một mô hình có coi "người này là ai" như một câu hỏi về hiện tại hay không.

Ba mô hình khác nhau có ý nghĩa gì đối với kết quả này, và điều gì nó không có ý nghĩa.

Đây là một đánh giá được đăng bởi một tài khoản, và cách đọc trung thực phải bắt đầu từ đó. Mẫu gồm 448 tên, việc chấm điểm do chính người đăng thực hiện dựa trên các nguồn công khai, các số liệu cột theo từng mô hình không thể tái lập đầy đủ từ hình ảnh của biểu đồ, và không có phòng thí nghiệm hay người đánh giá nào khác đã chạy cùng giao thức. Hãy coi đó là một tín hiệu rằng một kiểu lỗi cụ thể tồn tại ở một tỷ lệ đo được trong một trong ba mô hình, chứ không phải là một bảng xếp hạng để chọn mua.

Điều khiến nó không chỉ là nhiễu là việc kiểm soát này tốt một cách bất thường đối với một đánh giá trên mạng xã hội. Việc chỉ cung cấp cho mỗi mô hình một cái tên, một lần, không có quyền truy cập web, loại bỏ con đường truy xuất vốn thường che lấp một liên kết đã cũ — một mô hình có khả năng duyệt web sẽ chỉ đơn giản là tra cứu người đó. Việc loại trừ các nhà nghiên cứu đã rời khỏi phòng thí nghiệm, và loại trừ riêng những người nổi bật bên ngoài các phòng thí nghiệm, loại bỏ những trường hợp mà câu trả lời “sai nhà tuyển dụng hiện tại” có thể được coi là đúng. Và 50 cái tên được bịa ra là phép thử phân biệt “kiến thức cũ” với “sẵn sàng bịa đặt”, mà cả ba mô hình đều cùng vượt qua.

Có một nghịch lý đáng gọi tên: tỷ lệ vô lý được báo cáo — tỷ lệ các câu trả lời sai ở phần rìa — thực chất bằng không, trong khi sự thiếu chính xác dễ nhận thấy lại gần như tập trung hoàn toàn vào trường đơn vị công tác. Một mô hình đạt kết quả sạch đến vậy với những cái tên bịa ra mà vẫn gán sai đơn vị công tác thì không phải là bị nhầm lẫn. Nó chỉ cũ ở đúng một chiều kích.

Ba mô hình không phải là những sản phẩm có thể so sánh với nhau, nên hãy đọc kết quả cho phù hợp.

• Gemini 4 Argon — được công bố vào ngày 30 tháng 9 năm 2026, chính thức có sẵn trên gói trả phí từ ngày 13 tháng 10 với mức giá được công bố là 2,00 đô la cho mỗi triệu đầu vào và 10,00 đô la cho mỗi triệu đầu ra; cùng một đánh giá đánh dấu các lỗi gán nguồn của nó lại chính là đánh giá đã xếp hạng nó cao về khả năng nhận diện.

• Claude Opus 5.5 — ra mắt ngày 22 tháng 9 năm 2026 với mức giá 4,00 USD mỗi triệu token đầu vào và 20,00 USD mỗi triệu token đầu ra, giảm so với mức 5/25 USD mà Claude Opus 5 từng áp dụng.

• GPT-6.1 Sol — ra mắt ngày 29 tháng 9 năm 2026 với mức giá 2,00 USD cho mỗi triệu đầu vào và 10,00 USD cho mỗi triệu đầu ra.

Khoảng cách thời gian có ảnh hưởng đến cách bạn diễn giải kết quả. Argon là mới nhất trong ba mô hình, với khoảng cách khá xa, và nếu chế độ lỗi là các ảnh chụp nhanh đã cũ, thì mô hình có kiến thức gần đây nhất là mô hình dễ mang hai liên kết xung đột cho cùng một người mà không có tín hiệu mạnh về việc cái nào hiện hành. Đó là một giả thuyết mà đánh giá không kiểm tra và không thể kiểm tra, với thiết kế của nó, nhưng đó là điều đầu tiên cần kiểm tra nếu bạn chạy lại nó.

Nếu bạn định dùng một mô hình để tra cứu thông tin về con người, hãy kiểm tra nó trước khi tin tưởng nó.

Đánh giá này rất dễ xấp xỉ trên dữ liệu của riêng bạn, và ước lượng đó hữu ích hơn kết quả tổng hợp. Hãy lấy hai mươi cái tên từ lĩnh vực của riêng bạn — những người bạn biết đã đổi nhà tuyển dụng trong mười tám tháng qua — và hỏi mô hình về vai trò hiện tại của từng người, một lần, không dùng công cụ. Đếm xem bao nhiêu trường hợp trả về tổ chức cũ. Con số duy nhất đó cho bạn biết nhiều hơn về việc triển khai của bạn so với toàn bộ lần chạy 448 tên, vì lỗi mang tính đặc thù theo lĩnh vực: một mô hình đáng tin cậy với các nhà nghiên cứu phòng thí nghiệm AI có thể yếu trong ngành của bạn, hoặc ngược lại.

Hai chi tiết về giao thức từ bản gốc đáng để sao chép, vì chúng chính là những điều làm cho kết quả có ý nghĩa. Thứ nhất, không truy cập web. Một mô hình có công cụ tìm kiếm sẽ chỉ đơn giản là tra cứu người đó, đó là hành vi đúng đắn và có nghĩa là bài kiểm tra không còn đo lường được bất cứ điều gì về kiến thức đã lưu trữ của nó. Thứ hai, chỉ đưa ra tên. Việc thêm ngữ cảnh (“người này làm về robot học”) cho phép mô hình suy ra câu trả lời từ ngữ cảnh thay vì truy xuất nó, điều này làm cho kết quả trông tốt hơn mà không khắc phục điểm yếu.

Nếu bạn đang chạy việc này ở quy mô lớn trên nhiều mô hình thay vì chỉ một, thì phần so sánh mới là phần tốn kém — cùng những cái tên đó phải được gửi đến từng mô hình theo cùng một cách, và đó chính là lúc một lớp định tuyến khẳng định được chỗ đứng của mình chứ không chỉ là một tiện ích.

Loại kiểm tra này nên nằm ở đâu trong một pipeline

Thông tin về con người là một trong số ít những nhóm mà một câu trả lời sai thì phát hiện sau khi sự việc xảy ra thì rẻ, còn phát hiện trước khi nó xảy ra thì đắt, nên cách làm thực tế là coi trường thông tin liên kết mặc định là chưa được xác minh và đối chiếu nó với một nguồn mà bạn kiểm soát. Điều đó không có nghĩa là tin tưởng các mô hình ít hơn trên mọi phương diện. Nó có nghĩa là nhận ra rằng "nhận diện đúng người" và "mô tả đúng về người đó" là hai phép đo khác nhau, và phép đo thứ hai mới là cái bạn thực sự muốn.

Trên OrcaRouter, đây là kiểu kiểm tra chạy trên nhiều mô hình cùng một khóa thay vì lần lượt từng mô hình một. GPT-6.1 Sol và Claude Opus 5.5 — hai mô hình mà đánh giá này xác định là ít mắc lỗi liên kết lỗi thời nhất — đều có thể định tuyến tại đây qua cùng một endpoint, nên hai mươi cái tên giống nhau được gửi đến cả hai chỉ bằng một thay đổi chuỗi mô hình thay vì phải dùng hợp đồng thứ hai, và việc một nhà cung cấp gặp sự cố cũng không kéo theo sự so sánh bị gián đoạn. Gemini 4 Argon không có trên OrcaRouter; nó có thể truy cập được thông qua gói trả phí của chính nhà cung cấp và các nền tảng bên thứ ba khác, và không nội dung nào ở đây nên được hiểu là lời đề nghị định tuyến nó. Các mô hình mà chúng tôi thực sự cung cấp được tính theo giá niêm yết của nhà cung cấp, không có phụ phí, nên khi nhà cung cấp thay đổi giá, hóa đơn của bạn sẽ cập nhật ngay trong ngày mức giá đó được công bố.

Những điểm cần theo dõi và điều gì sẽ làm thay đổi nhận định này

Kết quả là đánh giá của một tài khoản với một đối chứng tốt và một mẫu nhỏ, được đăng vào ngày 14 tháng 10 năm 2026, và bước tiếp theo trung thực không phải là hành động dựa trên nó mà là tìm kiếm lần chạy thứ hai. Hai điều sẽ đưa nó từ một tín hiệu thành một phát hiện: một bên đánh giá độc lập lặp lại quy trình với danh sách tên lớn hơn và cách chấm điểm được công bố, hoặc một nhà cung cấp thừa nhận rằng việc quy kết giữa nhà tuyển dụng cũ và hiện tại của một người là một lớp lỗi riêng biệt đáng để nhắm tới. Việc đối chứng 50 tên bịa đặt vượt qua trên cả ba mô hình là chi tiết khiến điều đó trở nên hợp lý — nghĩa là vấn đề không phải là bịa đặt, vốn khó, mà là làm mới, vốn có thể xử lý được.

Cho đến lúc đó, bản tóm tắt hữu ích sẽ hẹp hơn một bảng xếp hạng nhưng có tính hành động cao hơn. Một mô hình tự tin báo cáo một nhà tuyển dụng cũ không phải đang nói dối bạn. Nó đang trả lời một câu hỏi về quá khứ như thể bạn đã hỏi về hiện tại, và cách duy nhất để phát hiện ra là hỏi đúng câu hỏi mà bạn thực sự muốn hỏi.

Kết quả như thế này cũng là một lời nhắc rằng các sai sót của mô hình đã được ghi nhận: những sự cố AI và thất bại của tác nhân đằng sau các mô hình thuộc lớp này được tập hợp trong Kho lưu trữ Sự cố AI OrcaRouter , nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.