Seedream 5.5 vượt qua GPT Image 2.5 Sunburst về khả năng xử lý văn bản — Trên bảng điểm của chính ByteDance

Hai con số kể nên câu chuyện kết xuất văn bản trong Seedream 5.5, và không con số nào trong đó là điểm chuẩn theo nghĩa thông thường. ByteDance nói rằng lỗi văn bản nghiêm trọng ở mức 0,4% và lỗi nhẹ ở mức 1,7% trên tiếng Trung và tiếng Anh, bao gồm cả chữ nhỏ dày đặc, và rằng các đánh giá của chính họ đặt Seedream 5.5 vượt trên cả GPT Image 2.5 Sunburst và Nano Banana 2.1 về cấu trúc văn bản trong chuyển văn bản thành hình ảnh và chuyển hình ảnh thành hình ảnh. Đó là một tuyên bố cụ thể, có thể bác bỏ được, về thứ thường hỏng nhất trong công việc hình ảnh thương mại. Tính đến ngày 10 tháng 11 năm 2026, một ngày sau khi mô hình được công bố, nó cũng hoàn toàn chưa được kiểm chứng bởi bất kỳ ai ngoài ByteDance — và hai mô hình mà nó nêu tên đứng đầu một bảng xếp hạng độc lập không có dòng nào dành cho nó cả.

0,4% thực sự đang đo lường điều gì

Tỷ lệ hỏng văn bản là một chỉ số hình ảnh hiếm hoi có định nghĩa mà bạn có thể tranh luận một cách có ích. Một tiêu đề được kết xuất hoặc là đọc được, hoặc là không. Một lỗi một ký tự trong tên thương hiệu là phải chụp lại; một ký tự bị hoán đổi trong giá còn tệ hơn cả việc chụp lại. Vì vậy, khi một nhà cung cấp công bố “nghiêm trọng 0,4%, nhẹ 1,7%”, những câu hỏi đáng quan tâm là những bộ ký tự nào đã được kiểm thử, ở cỡ nào, và ai là người chấm mức “nhẹ”.

Thông báo của ByteDance trả lời hai điều đầu tiên: tiếng Trung và tiếng Anh, bao gồm cả văn bản nhỏ dày đặc, được đánh giá trên sáu trường hợp sử dụng trong thiết lập MagicArena của chính họ. Nó không trả lời điều thứ ba một cách công khai và không công bố bảng phân tích chi tiết theo từng mô hình để người ngoài có thể tính lại phép so sánh với GPT Image 2.5 Sunburst hoặc Nano Banana 2.1. Điều đó không có gì lạ — gần như không ai công bố tiêu chí chấm điểm — nhưng điều đó có nghĩa con số này nói về quy trình của ByteDance cũng nhiều như nói về mô hình.

Điều khiến tuyên bố này đáng được xem trọng là nó hẹp. “Cấu trúc văn bản tốt hơn” là một lời hứa nhỏ hơn nhiều so với “hình ảnh tốt hơn”, và những lời hứa hẹp là loại mà các nhà cung cấp thường làm đúng, vì đó chính là những thứ khách hàng của họ phàn nàn. Logic thương mại rất dễ hiểu: các bề mặt tiêu dùng của ByteDance — Doubao, Doubao Work, Dreamina, BytePlus AI Playground, Dola — đầy áp phích, thẻ sản phẩm và tài sản mạng xã hội, và mỗi thứ trong số đó đều là một bài kiểm tra hiển thị văn bản.

Những đối thủ mà nó nêu tên đều có mặt trong hội đồng quản trị. Còn nó thì không.

Đây là phần khó xử của phép so sánh. Trên bảng xếp hạng chỉnh sửa hình ảnh của Artificial Analysis, phiên bản 2.1, GPT Image 2.5 Sunburst đứng thứ ba với 1.199 Elo và Nano Banana 2.1 đứng thứ bảy với 1.152, cả hai đều có khoảng tin cậy khoảng ±12 điểm. Trên bảng xếp hạng văn bản thành hình ảnh, GPT Image 2.5 Sunburst đứng thứ ba với 1.227. Đó là những phép đo sở thích của con người được thực hiện mù, với hàng nghìn lượt bình chọn phía sau và không có sự tham gia của nhà cung cấp.

Seedream 5.5 không có bất kỳ điều nào trong số đó. Cả hai bảng xếp hạng đều không có dòng nào dành cho nó. Thứ gần nhất với một mốc neo độc lập là mô hình tiền nhiệm: Seedream 5.0 Pro với 1.129 Elo ở hạng mục chỉnh sửa (thứ mười một) và 1.101 ở hạng mục văn bản thành hình ảnh (thứ mười tám). Vì vậy, phép so sánh mà ByteDance đang mời gọi — mô hình mới đối đầu với hai mô hình mạnh nhất về văn bản — là phép so sánh giữa kết quả đấu trường nội bộ của một nhà cung cấp và hai điểm Elo được lấy mẫu độc lập. Chúng không phải cùng một loại phép đo, và việc đặt chúng vào cùng một câu mà không nói rõ điều đó chính là cách các con số của nhà cung cấp trở thành chuyện truyền miệng.

Khoảng trống đó sẽ được lấp đầy hoặc sẽ không. Artificial Analysis thường thêm các dòng trong vòng vài ngày đến vài tuần sau khi một mô hình trở nên truy cập được qua API, và API dành cho nhà phát triển của Seedream 5.5 vẫn được mô tả là sẽ mở "trong tuần này" trên Volcano Ark, trong khi tính đến hôm nay không có mã định danh mô hình công khai nào trong tài liệu của ModelArk. Cho đến khi một dòng xuất hiện, cách diễn giải trung thực về tuyên bố trong văn bản là: có khả năng xảy ra, cụ thể và chưa được kiểm chứng.

Vì sao kết xuất văn bản là tuyên bố quan trọng về mặt thương mại

Hầu hết các so sánh mô hình hình ảnh đều xoay quanh thị hiếu, mà thị hiếu là nền tảng tồi để đưa ra quyết định mua hàng. Văn bản thì khác. Một mô hình hiển thị tiêu đề phim Trung Quốc bằng chữ Phồn thể thay vì Giản thể không phải là mô hình mắc vấn đề về phong cách; đó là mô hình không thể dùng được trong quy trình bản địa hóa. Kiểu lỗi này đã được ghi nhận nhiều lần trong các đợt kiểm thử độc lập đối với các mô hình đối thủ, và đây là lý do phổ biến nhất khiến một đội thiết kế không đưa mô hình vào sản xuất ngay cả khi hình ảnh trông đẹp.

Nếu các con số của ByteDance đúng dù chỉ ở mức tương đối — chẳng hạn, tỷ lệ lỗi ở mức một chữ số thấp thay vì dưới một phần trăm — thì Seedream 5.5 sẽ trở nên khả thi cho một nhóm công việc mà mọi mô hình hình ảnh từng gặp khó xử: bản mockup poster và bao bì nơi chữ phải được giữ nguyên vẹn, thẻ thương mại điện tử nơi cả giá và SKU đều phải chính xác, và bất kỳ tài nguyên song ngữ nào nơi một mô hình phải xử lý hai hệ chữ viết trong cùng một khung hình.

Nếu những điều đó không đứng vững, mô hình vẫn còn hai thứ khác để chào bán, và cả hai đều đã được đề cập ở nơi khác trong loạt bài này: một kênh alpha gốc, và một vòng lặp chỉnh sửa mà ByteDance tuyên bố có thể trụ qua một trăm vòng mà không bị lệch. Văn bản là điểm nhấn chính; còn những thứ kia là các tính năng.

Tuyên bố về độ bền là thứ bạn có thể kiểm chứng ngay chiều nay.

Có một sự bất đối xứng hữu ích trong lần ra mắt này. Các con số về văn bản đòi hỏi một bộ khung đánh giá, một phép so sánh khác biệt ở cấp ký tự và một quy tắc chấm điểm. Tuyên bố về độ bền thì không cần bất kỳ thứ nào trong số đó. ByteDance nói rằng các vùng không bị chỉnh sửa được giữ nguyên ở cấp độ điểm ảnh và cùng một hình ảnh vẫn trụ được qua 100 vòng chỉnh sửa. Bạn có thể mở Dreamina, chụp một ảnh sản phẩm và thực hiện hai mươi lần chỉnh sửa trên đó trong khi quan sát một vùng mà bạn chưa từng động tới. Hoặc là bóng đổ phía sau chủ thể vẫn là cùng một bóng đổ ở vòng hai mươi, hoặc là không.

Điều đó đáng làm trước khi bạn tin vào bất kỳ tỷ lệ phần trăm nào đã công bố, vì hai khẳng định này trên thực tế không độc lập với nhau. Một mô hình giữ được hình ảnh nhất quán qua một phiên dài là mô hình mà phần chữ cũng sống sót qua việc bị chỉnh sửa xung quanh — chữ không bị kết xuất lại từ đầu ở mỗi lượt. Một mô hình bị trôi dạt rồi cuối cùng sẽ trôi dạt cả phần chữ của nó, và không tỷ lệ hỏng nào của một lượt đơn lẻ có thể cho bạn biết điều đó.

Lớp định tuyến phát huy tác dụng ở đâu khi mô hình chưa được chấm điểm

Một mô hình chưa được chấm điểm là một bài toán mua sắm trước khi là một bài toán kỹ thuật. Bạn muốn thử Seedream 5.5 trên các brief thực tế mà không phải viết lại toàn bộ pipeline quanh một endpoint có định danh mô hình chưa tồn tại, đồng thời muốn có lựa chọn rút lui nếu những con số trong văn bản hóa ra chỉ là sản phẩm tạo tác từ đấu trường nhà cung cấp.

Đó chính là tình huống mà OrcaRouter được tạo ra để giải quyết, với một lưu ý thẳng thắn: chúng tôi không cung cấp bất kỳ mô hình hình ảnh nào của ByteDance, nên đây không phải là thứ bạn có thể gọi qua chúng tôi ngay trong ngày đầu tiên ra mắt. Điều mà một endpoint duy nhất thực sự mang lại cho bạn chính là khả năng so sánh. OrcaRouter chuyển tiếp nguyên giá niêm yết của nhà cung cấp với mức phụ phí 0% trên hơn 200 mô hình văn bản và hình ảnh, nghĩa là mô hình mà bạn dùng để đánh giá Seedream 5.5 — GPT Image 2.5 Sunburst, Nano Banana 2.1, Imagen 4.0 — sẽ được tính trên hóa đơn của bạn đúng bằng mức giá mà nhà cung cấp thu, và khi nhà cung cấp thay đổi giá thì phía chúng tôi cập nhật ngay trong cùng ngày chứ không đợi đến kỳ gia hạn. Khi bảng giá của Volcano Ark thực sự có hiệu lực, con số bạn dùng để đối chiếu sẽ là của chính nhà cung cấp, chứ không phải của một nhà bán lại.

Chuyển đổi dự phòng quan trọng vì một lý do khác. Một endpoint hoàn toàn mới trong tuần đầu tiên là lúc nó kém đáng tin cậy nhất so với bất kỳ giai đoạn nào sau đó: giới hạn tốc độ không được thông báo trước, độ trễ không thể dự đoán, các lần từ chối không được ghi nhận trong tài liệu. Định tuyến một tỷ lệ phần trăm lưu lượng đến nó cùng với một cơ chế dự phòng tự động sang một mô hình mà bạn đã đánh giá chính là cách để thu được bằng chứng mà không phải đặt cược một đường dẫn sản xuất vào một API của tuần ra mắt.

Điều gì sẽ thay đổi phán quyết này

Ba điều, theo thứ tự về mức độ chúng sẽ làm thay đổi câu trả lời.

Đầu tiên, một suất trên bảng chỉnh sửa. Seedream 5.5 là mô hình ưu tiên chỉnh sửa — tuyên bố về hàng trăm vòng liên quan đến vòng lặp chỉnh sửa — nên bảng chỉnh sửa là nơi nó phải thể hiện mạnh nhất, và cũng là nơi khoảng cách so với mức 1.199 của GPT Image 2.5 Sunburst mang lại nhiều thông tin nhất. Nếu nó đạt gần mức 1.129 của phiên bản tiền nhiệm mà vẫn giữ được vòng lặp, thì đó là một công cụ quy trình làm việc với mức giá tốt. Nếu nó vượt 1.180, tuyên bố về văn bản trở nên dễ tin hơn nhiều và khi đó câu chuyện sẽ là mức giá của các đối thủ đương nhiệm.

Thứ hai, việc ai đó tái tạo các tỷ lệ hỏng dữ liệu. So sánh khác biệt ở cấp ký tự trên vài trăm prompt trong cả hai hệ chữ chỉ là công việc một cuối tuần với bất kỳ ai có bộ khung đánh giá, và người đầu tiên công bố kết quả như vậy sẽ giải quyết được câu hỏi mà lần ra mắt vốn được xây dựng dựa trên đó.

Thứ ba, biến thể Pro mà ByteDance cho biết sẽ ra mắt tiếp nối dòng 5.5. Các quyết định mua sắm dựa trên mẫu máy hiện tại nên giả định rằng một phiên bản cùng dòng đắt hơn và mạnh mẽ hơn sẽ được đưa lên trên nó, đây là quy luật thông thường và là lý do để giữ mã định danh mô hình trong cấu hình thay vì trong mã.

Cho đến khi một trong những điều đó thành hiện thực, tóm tắt công bằng là ByteDance đã đưa ra tuyên bố cụ thể nhất về văn bản trên thị trường hình ảnh trong tháng này, gắn nó với một mô hình đang hoạt động trong các ứng dụng tiêu dùng của mình ngay hôm nay, và để việc xác minh cho tất cả những người còn lại. Đó không hẳn là lời chỉ trích mà là mô tả về cách các đợt ra mắt hình ảnh diễn ra vào năm 2026. Tuyên bố này đáng theo dõi chính vì có thể kiểm chứng — và việc kiểm chứng rẻ hơn cuộc tranh luận.