Muse Glimmer so với DeepSeek V4 Pro: Hai thái cực của Open Weights

Đâu đó trong phần chữ in nhỏ của bản phát hành DeepSeek V4 Pro có một con số mà bất kỳ ai tin rằng "trọng số mở giá rẻ" đồng nghĩa với "giỏi lập trình tác nhân" đều nên thấy băn khoăn. Trên DeepSWE, một benchmark không nhiễm dữ liệu được xây dựng để chống lại việc lợi dụng dữ liệu huấn luyện vốn đang hoành hành trong các bài đánh giá kỹ thuật phần mềm, DeepSeek V4 Pro — mô hình chủ lực Mixture-of-Experts 1,6 nghìn tỷ tham số, phát hành ngày 24 tháng 4 năm 2026 theo giấy phép MIT — chỉ đạt 8%. GPT-5.5 đạt 70 trong cùng bài kiểm tra; Claude Opus 4.7 đạt 54. Đây là điểm dữ liệu độc lập gây tổn hại nhất gắn với câu chuyện mô hình giá rẻ thành công nhất ngành, và nó quan trọng với cuộc so tài này vì Muse Glimmer, mô hình tác nhân trọng số mở 30B của Meta phát hành ngày 10 tháng 8 năm 2026 theo Apache 2.0, là một mô hình trọng số mở có toàn bộ định hướng thiết kế dành cho công việc tác nhân tầm xa mà DeepSWE đo lường — và những điểm số duy nhất của nó cho đến nay đều do chính công ty tạo ra nó thực hiện.

Vậy đây là sự so sánh giữa hai mô hình ở hai đầu đối lập của phổ trọng số mở, theo nhiều khía cạnh hơn là chỉ kích thước. Một là mô hình MoE trung tâm dữ liệu mà bạn thuê với giá rẻ mạt. Cái còn lại là bản tải về cho máy tính để bàn, chẳng tốn gì ngoài GPU. Một mô hình có thành tích độc lập bao gồm một kết quả tác nhân thảm khốc. Mô hình kia hoàn toàn không có thành tích độc lập. Bài viết này làm rõ cả hai và để khoảng cách giữa 'do nhà cung cấp báo cáo' và 'được kiểm chứng độc lập' tự lên tiếng.

Con số mà bạn nên lo lắng

DeepSWE đáng để tìm hiểu trước bất kỳ con số nổi bật nào, vì nó là bài kiểm tra không trao thưởng cho những gì có thể học thuộc lòng. Nó được thiết kế để tránh ô nhiễm dữ liệu — tức việc đánh giá trên dữ liệu mà mô hình đã thấy trong quá trình huấn luyện — và nó chạy các tác vụ kỹ thuật phần mềm thực tế, kéo dài, đòi hỏi thực thi đa bước liên tục, chứ không phải khả năng nhớ lại mẫu. Con số 8% của DeepSeek V4 Pro ở đó không phải là một ý kiến chủ quan; đó là kết quả đo được từ một đánh giá độc lập, và nó là một bức tranh hoàn toàn khác với bức tranh mà bảng số liệu của chính nhà cung cấp vẽ ra, nơi cùng một mô hình đạt 80,6 trên SWE-bench Verified, 93,5 trên LiveCodeBench, và chỉ số Codeforces 3.206, vượt qua mức 3.168 của GPT-5. Khoảng cách giữa hai bức tranh đó chính là toàn bộ câu chuyện lý giải vì sao “trọng số mở, token rẻ” và “giỏi lập trình agentic” phải được kiểm chứng riêng biệt.

Muse Glimmer không có điểm DeepSWE. Nó không có bất kỳ điểm số độc lập nào — nó mới ra mắt sáng nay, và toàn bộ bảng điểm chuẩn của nó là của chính Meta, do Meta chạy đối chiếu với các thiết lập đối thủ mà Meta thừa nhận đã không tinh chỉnh. Nhãn trung thực cho mọi con số Glimmer trong bài viết này là do nhà cung cấp báo cáo. Nhưng thiết kế của mô hình nhắm chính xác vào chế độ lỗi mà DeepSWE phơi bày: tự động phục hồi sau lỗi, kế hoạch đa bước, sử dụng công cụ trong thời gian dài. Liệu thiết kế đó có sống sót khi tiếp xúc với một bài kiểm tra độc lập hay không là câu hỏi mở của cuộc so tài này, và chưa ai có thể trả lời được.

Hai mặt của trọng số mở

Hãy bắt đầu với ý nghĩa của từ "mở" đối với từng mô hình, vì chúng không hề giống nhau. DeepSeek V4 Pro là mô hình MoE có tổng cộng 1,6 nghìn tỷ tham số, với khoảng 49 tỷ tham số hoạt động cho mỗi token, cửa sổ ngữ cảnh 1 triệu token, tối đa 384.000 token đầu ra và chỉ nhận đầu vào dạng văn bản — không hỗ trợ thị giác. Trọng số của nó được cấp phép MIT nên có thể lấy miễn phí, nhưng tự lưu trữ là một dự án tầm trung tâm dữ liệu: checkpoint BF16 có dung lượng cỡ terabyte, vì vậy trên thực tế DeepSeek V4 Pro là thứ bạn phải thuê, qua API của DeepSeek hoặc của bên thứ ba. Muse Glimmer là mô hình dense 30 tỷ tham số, đa phương thức — văn bản cộng hình ảnh thông qua bộ mã hóa nhận thức — dưới giấy phép Apache 2.0, với checkpoint bốn bit cùng bộ drafter DFlash chỉ chiếm khoảng 19,5GB. Một loại là mô hình open-weight bạn triển khai; loại còn lại là mô hình open-weight bạn tải về và chạy trên một card 24GB hoặc 32GB duy nhất, hoặc trên Mac dòng M cao cấp. Cả hai đều thực sự là open-weight. Chúng hầu như không có gì chung khác về cách bạn sẽ sử dụng chúng.

Tính cách phân liệt của gã khổng lồ

Điểm mạnh của DeepSeek V4 Pro nằm ở các bài benchmark độc lập. Toán và kiến thức: GPQA Diamond 90.1, AIME 2026 96.4, MMLU-Pro 87.5. Lập trình trong môi trường được kiểm soát: SWE-bench Verified 80.6, LiveCodeBench 93.5. Khả năng tìm kim trong đống cỏ khô với ngữ cảnh dài cũng rất mạnh — đạt 83.5 trên MRCR ở 1 triệu token, vượt qua Gemini 3.1 Pro ở bài kiểm tra đó. Nhưng ở các hạng mục đo lường khả năng thực thi tác nhân bền bỉ, bức tranh rạn nứt. Terminal-Bench 2.0 đạt 67.9, sử dụng công cụ đạt 51.8 tại Toolathlon, và các bảng xếp hạng tổng hợp độc lập xếp phiên bản tiêu chuẩn vào giữa nhóm ở các hạng mục tác nhân và lập trình, ngay cả khi các con số suy luận vẫn ở gần top đầu. Kết quả 8% của DeepSWE là sự rạn nứt ở mức cực đoan.

Bảng số liệu do nhà cung cấp công bố của Muse Glimmer lại chỉ theo hướng ngược lại: những hàng mạnh nhất của nó là các hàng về tác nhân (agentic). MCP-Atlas 75.5, DeepSearch QA 74.6, GAIA2 43.3, SWE-bench Verified 76.0, SWE-bench Pro 51.2, Terminal-Bench 2.1 51.7. So với các con số lập trình viên đã kiểm chứng của DeepSeek — 80.6 SWE-bench Verified, 93.5 LiveCodeBench, 90.1 GPQA Diamond — Glimmer thua gần như mọi hàng mà một bảng benchmark quan tâm. Các mô hình giỏi ở những việc khác nhau, và loại việc mà Glimmer tuyên bố giỏi lại chính là loại việc mà hồ sơ độc lập của DeepSeek nói rằng cách tiếp cận "gã khổng lồ giá rẻ" làm sai.

Thành thật mà nói, mỗi cái giá bao nhiêu

Giá niêm yết công khai của DeepSeek V4 Pro là {{1}}1,74 USD cho mỗi triệu token đầu vào và 3,48 USD cho mỗi triệu token đầu ra{{/1}}, với token đầu vào trúng cache khoảng 0,145 USD. Mức chiết khấu vĩnh viễn của DeepSeek — {{2}}ban đầu được định vị như một chương trình khuyến mãi rồi sau đó được giữ lại{{/2}} — đưa mức giá hiệu dụng xuống còn khoảng 0,44 USD cho token đầu vào và 0,87 USD cho token đầu ra, đủ rẻ để chi phí trên mỗi token gần như không còn là yếu tố quyết định, và đủ rẻ để lý giải vì sao đây là lựa chọn tiết kiệm mặc định cho một bộ phận lớn ngành công nghiệp. Mức giá đó đang được áp dụng trực tiếp qua API của chính nhà cung cấp và nhiều nền tảng bên thứ ba; trên OrcaRouter, giá được truyền qua với mức tăng 0% — đúng giá niêm yết của nhà cung cấp, không thêm biên lợi nhuận — nên khi DeepSeek hạ giá, mức giá mới sẽ hiển thị trên trang mô hình ngay trong ngày, và đó chính là cách minh bạch để so sánh với bất kỳ mô hình nào khác trong danh mục.

Muse Glimmer không tính phí theo token, và chi phí thực sự nằm ở phần cứng: GPU 24GB hoặc 32GB với RTX 5090 làm chuẩn tham chiếu, hoặc một chiếc Mac dòng M cấu hình tối đa. Nếu bạn đã sở hữu phần cứng đó, chi phí cận biên của một agent cục bộ luôn hoạt động chỉ là tiền điện. Nếu không, GPU chính là khoản mục chi phí — và với nhiều đội ngũ, khoản mua một lần đó rẻ hơn cả mức giá chiết khấu của DeepSeek trong suốt vòng đời của một agent luôn hoạt động, trong khi với những người khác, mô hình tính phí theo token lại thắng thế vì họ cần ngữ cảnh 1M và đầu ra 384K mà một mô hình cục bộ 19.5GB không thể đáp ứng. Việc so sánh giá chỉ thực sự ngã ngũ khi bạn quyết định mình đang vận hành trong môi trường triển khai nào.

Chính trị đằng sau

Đáng để nêu rõ bối cảnh, vì nó định hình mức độ bạn nên tin tưởng vào bảng số liệu của bên nào. Bài luận của Zuckerberg đi kèm với bản phát hành Muse Glimmer, "Tương lai dành cho tất cả mọi người," đã nêu đích danh DeepSeek, cùng với Qwen và Moonshot, là các phòng thí nghiệm mô hình mở của Trung Quốc mà các bản phát hành mở trọng số của Mỹ phải cạnh tranh, đồng thời kêu gọi nới lỏng quy định của Mỹ đối với AI nguồn mở. Meta đang định vị Glimmer như câu trả lời trong nước cho làn sóng trọng số mở giá rẻ. Cách đóng khung đó là có thật, và đó chính xác là loại tình huống mà các điểm chuẩn do nhà cung cấp tự chạy đáng bị hoài nghi nhất — cả hai bên đều đang bán một câu chuyện quốc gia cùng với một mô hình. Đối trọng là các phép đo độc lập đã tồn tại cho DeepSeek (bao gồm cả con số 8 phần trăm), và các phép đo độc lập chưa tồn tại cho Glimmer.

Ai nên điều hành cái gì

Hai mô hình này không phải là sản phẩm thay thế cho nhau, và quyết định chủ yếu là một câu hỏi về phạm vi triển khai đội lốt điểm chuẩn. Nếu khối lượng công việc của bạn ngốn token và ngốn ngữ cảnh — đầu vào khổng lồ, đầu ra dài, toán học và tri thức ở quy mô lớn — DeepSeek V4 Pro với mức giá chiết khấu là một trong những thương vụ tốt nhất về chi phí trên năng lực trong danh mục, và kết quả DeepSWE 8% của nó ít quan trọng hơn đối với các khối lượng công việc không phải là mã hóa tác tử dài hạn. Nếu khối lượng công việc của bạn là một tác tử cục bộ luôn bật — tần suất cao, riêng tư, tương tác, gọi công cụ — Muse Glimmer chính là hình dạng của câu trả lời, với lưu ý rằng các tuyên bố về năng lực tác tử của nó vẫn hoàn toàn tự công bố và cần một bài kiểm tra độc lập. Nếu khối lượng công việc của bạn là cả hai — và hầu hết các ngăn xếp tác tử thực tế đều vậy — thì hai mô hình này là hai tầng của một hệ thống: bản 30B cục bộ cho đường dẫn nhanh, riêng tư, tần suất cao, và MoE đi thuê cho các tác vụ nặng về ngữ cảnh dài.

Điều gì sẽ phân định cuộc so sánh này, theo thứ tự ước chừng về tốc độ: một kết quả Glimmer độc lập trên bài kiểm tra dài hạn không nhiễm dữ liệu như DeepSWE — con số hữu ích nhất mà cuộc đối đầu này còn thiếu; một bản tái tạo độc lập thứ hai cho con số 8% của DeepSeek để xác nhận đó không phải là một cú may do thiết lập; và nhà cung cấp đầu tiên dựng lên một endpoint Glimmer — thời điểm sự phân chia cục bộ–thuê ngoài không còn là giả thuyết mà trở thành thứ bạn có thể kết nối chỉ với một chìa khóa. Cho đến lúc đó, bản tổng kết trung thực rất ngắn. DeepSeek V4 Pro là gã khổng lồ trọng số mở với câu chuyện token rẻ đã được kiểm chứng và một điểm yếu cụ thể, được đo lường. Muse Glimmer là tân binh trọng số mở với toàn bộ lời chào hàng nhắm thẳng vào đúng điểm yếu đó — và bằng chứng duy nhất cho đến nay chỉ là lời của chính họ.