Tuần này có một điều quan trọng xảy ra mà ít được chú ý hơn đáng ra phải có: Alibaba ra mắt Qwen3.6-Plus — model proprietary thứ ba chỉ trong vài ngày.

Không phải update. Không phải patch. Ba lần release model riêng biệt trong chưa đầy một tuần.

Trong khi đó, Gemini 3.1 Flash-Lite của Google xuống còn 0,25 USD mỗi triệu input tokens. OpenAI vượt 25 tỷ USD doanh thu annualized. Anthropic đang tiến đến 19 tỷ USD. Và NVIDIA’s Nemotron 3 Super — kiến trúc hybrid 120B — chạy nhanh gấp 2,2 lần GPT-OSS-120B với chỉ 12B active parameters.

Chúng ta đang ở giữa cuộc chiến chi phí, và nếu bạn là architect hoặc tech lead đang chọn AI infrastructure cho sản phẩm, những quyết định trong 6-12 tháng tới sẽ định hình vị thế cạnh tranh của bạn.

Những Con Số Quan Trọng

Hãy nhìn lại landscape pricing hiện tại. Một năm trước, intelligence ở cấp GPT-4 tốn khoảng 30 USD mỗi triệu input tokens. Hôm nay:

Model	Chi Phí Input	Context	Ghi Chú
Gemini 3.1 Flash-Lite	0,25 USD/M	1M tokens	Nhanh gấp 2,5x Flash
Gemini 3.1 Pro	~1,25 USD/M	1M tokens	77,1% trên ARC-AGI-2
GPT-4.1 Mini	~0,40 USD/M	128K tokens	Model efficiency của OpenAI
Qwen3.6-Plus	Cạnh tranh	Dài	Release mới, chi tiết đang hé lộ
NVIDIA Nemotron 3 Super	Open weights	1M tokens	120B nhưng chỉ 12B active

Sự nén từ 30 USD xuống 0,25 USD mỗi triệu tokens — giảm 120 lần trong chưa đầy hai năm — thay đổi cơ bản những gì khả thi để xây dựng về mặt kinh tế.

Điều Này Thực Sự Có Nghĩa Gì Với Kiến Trúc Sản Phẩm

Khi frontier intelligence đắt, bạn phải chọn lọc. Bạn chỉ dùng GPT-4 nơi nó mang lại giá trị không thể thay thế, và dùng model rẻ hơn hoặc rule-based systems ở mọi nơi khác.

Ở 0,25 USD/M tokens, bài toán thay đổi. Hãy xem ví dụ thực tế.

Scenario: Cải thiện mô tả sản phẩm e-commerce

Một nền tảng e-commerce vừa có 500.000 product listings. Họ muốn AI phân tích customer reviews và cải thiện mô tả sản phẩm.

Ở 30 USD/M tokens (GPT-4 đầu 2025):

• Input trung bình: 1.500 tokens mỗi sản phẩm
• Tổng: 750M tokens → 22.500 USD mỗi lần chạy
• Khả thi kinh tế? Chỉ cho sản phẩm doanh thu cao.

Ở 0,25 USD/M tokens (Gemini Flash-Lite hôm nay):

• Cùng 750M tokens → 187,50 USD mỗi lần chạy
• Khả thi kinh tế? Chạy hàng tháng trên tất cả sản phẩm. Budget: không đáng kể.

Ý nghĩa: Phân tích AI trước đây chỉ dành cho items giá trị cao giờ có thể áp dụng cho mọi thứ. Tầng AI biến mất khỏi kiến trúc của bạn. Bạn không cần bifurcation “dùng AI ở đây, dùng rules ở đó” — AI trở thành đường đi mặc định.

Chiến Lược Của Alibaba Qua 3 Lần Release Nhanh

Alibaba release ba models trong vài ngày không phải ngẫu nhiên. Đây là tín hiệu có chủ đích.

Qwen đã consistently impressive trong benchmarks — Qwen2.5 cho thấy performance mạnh trên code, math, và multilingual tasks. Qwen3.6-Plus nhiều khả năng mở rộng điều này. Nhưng release cadence là về market positioning, không chỉ capability.

Lợi thế của Alibaba: scale và cost structure. Họ vận hành một trong những cloud infrastructures lớn nhất thế giới. Chạy inference ở quy mô Alibaba Cloud nghĩa là marginal cost per token của họ thực sự thấp hơn các labs nhỏ hơn.

Ý nghĩa thực tế:

1. Nếu bạn xây dựng cho thị trường châu Á: Qwen models xử lý tiếng Trung, Nhật, Hàn, và các ngôn ngữ châu Á khác tốt hơn hầu hết models phương Tây. Với sản phẩm mà chất lượng ngôn ngữ quan trọng ở các thị trường này, Qwen đáng được đánh giá nghiêm túc.

2. Cạnh tranh open-weight: Series Qwen bao gồm open-weight releases. Nếu bạn xem xét self-hosting (vì cost hoặc data residency), Qwen open models là lựa chọn đáng tin cậy.

3. Áp lực giá lên tất cả: Các releases tấn công của Alibaba buộc Google, OpenAI, và Anthropic phải phản ứng. Giá 0,25 USD/M Flash-Lite? Một phần là phản ứng với áp lực cạnh tranh từ Qwen và các nhà cung cấp chi phí thấp khác.

NVIDIA Nemotron 3 Super: Câu Chuyện Kiến Trúc

Hầu hết coverage về Nemotron tập trung vào benchmark numbers. Câu chuyện thú vị hơn là kiến trúc.

Nemotron 3 Super là hybrid Mamba-Transformer MoE — kết hợp:

• Mamba: State space model xử lý long contexts hiệu quả hơn attention
• Transformer: Standard attention layers cho các tasks được hưởng lợi từ nó
• Mixture of Experts (MoE): 120B tổng parameters nhưng chỉ 12B active mỗi token

Kết quả: 1M token context window với throughput gấp 2,2 lần so với các dense models tương đương.

Tại sao điều này quan trọng với architects? Vì nó chứng minh rằng đánh đổi intelligence vs. cost ngày càng là bài toán kiến trúc, không phải bài toán scale.

Giả định truyền thống: “model tốt hơn = model lớn hơn = đắt hơn.” Nemotron phá vỡ điều này bằng cách thông minh hơn về computation nào cần thực hiện. Bạn nhận được frontier-class capability với compute cost thấp hơn.

Takeaway thực tế: Nếu bạn đang xây dựng workflows cần xử lý documents rất dài (hợp đồng pháp lý, codebases, hồ sơ y tế), kiến trúc kiểu Nemotron làm cho long-context reasoning khả thi về mặt kinh tế. Trước đây, long-context tasks thường cần workarounds tốn kém (chunking, summarization chains). Với efficient long-context models, bạn có thể gửi toàn bộ document.

Framework Chọn Model Năm 2026

Câu hỏi “nên dùng model nào?” trở nên khó trả lời hơn, không dễ hơn. Đây là framework tôi dùng với team:

Tầng 1: Frontier Reasoning (Dùng Chọn Lọc)

Claude Opus, GPT-4.1, Gemini 3.1 Pro

Khi nào dùng: Reasoning phức tạp multi-step, tasks mơ hồ cần judgment, quyết định high-stakes nơi lỗi costly.

Chi phí: 1-5 USD/M tokens. Justified cho tasks mà quality có direct business impact.

Tầng 2: Mid-Range Hiệu Quả Cao (Lựa Chọn Mặc Định)

Gemini 3.1 Flash, Claude Sonnet, GPT-4.1 Mini

Khi nào dùng: Hầu hết production tasks. Reasoning tốt với chi phí dự đoán được.

Chi phí: 0,40-1 USD/M tokens. Sweet spot cho hầu hết use cases.

Tầng 3: Intelligence Commodity (Default Mới Cho High-Volume)

Gemini Flash-Lite, Qwen open models, Nemotron open weights

Khi nào dùng: High-volume tasks nơi quality-per-dollar quan trọng hơn absolute quality. Classification, extraction, summarization ở quy mô lớn.

Chi phí: 0,10-0,40 USD/M tokens. Dùng đây trừ khi có lý do cụ thể.

Self-Hosted (Khi Data Residency Hoặc Cost Ở Scale Đòi Hỏi)

Llama, Qwen open weights, Nemotron open weights

Khi nào dùng: Yêu cầu data residency nghiêm ngặt, volume cực cao nơi API costs vượt self-hosting infrastructure, fine-tuning chuyên biệt.

Chi phí: Infrastructure + ops overhead. Thường kinh tế trên ~1B tokens/tháng.

Rủi Ro Vendor Lock-In Là Thực

Đây là sự thật không thoải mái: khi AI APIs rẻ hơn và tốt hơn, sự cám dỗ đi sâu hơn với một nhà cung cấp tăng lên. Tại sao quản lý độ phức tạp multi-provider khi một nhà cung cấp có tất cả những gì bạn cần?

Đây là cách lock-in xảy ra. Và trong AI, lock-in có rủi ro cụ thể:

1. Thay đổi pricing: OpenAI, Anthropic, và Google đều thay đổi pricing đáng kể. Model với giá 0,25 USD/M hôm nay có thể bị deprecated để nhường chỗ cho model “tốt hơn” với giá 1 USD/M năm tới.

2. Deprecation capability: Models bị deprecated. Nếu production prompts của bạn ghép chặt với model behavior cụ thể, migration tốn kém.

3. Outages: Kiến trúc API-only có single points of failure. Outages ở OpenAI hoặc Google có tác động production.

Khuyến nghị: Thiết kế AI layer của bạn với provider abstraction. Dù bạn đang chạy 90% trên một nhà cung cấp, kiến trúc cho dễ migration. Chuẩn hóa trên OpenAI-compatible APIs nơi có thể (hầu hết major providers giờ hỗ trợ điều này). Giữ model configuration bên ngoài application code.

Câu Hỏi Thực Sự: Bạn Xây Gì Với 0,25 USD/M?

Tôi muốn kết thúc với framing khác. Cuộc chiến chi phí là tin tức cạnh tranh thú vị, nhưng câu hỏi quan trọng hơn cho builders là: điều gì trở nên khả thi mới ở những mức giá này?

Một vài ý tưởng tôi đang suy nghĩ cho .NET và enterprise systems:

Giám sát chất lượng code liên tục: Ở 0,25 USD/M, bạn có thể chạy mỗi pull request qua AI code review chi tiết — không chỉ linting, mà là phân tích kiến trúc thực sự. Chi phí mỗi PR giảm xuống cent.

Document intelligence thời gian thực: Ứng dụng enterprise đầy documents — hợp đồng, báo cáo, email, tickets. Ở 0,25 USD/M, bạn có thể xây dựng AI understanding vào mọi document workflow, không chỉ các workflow giá trị cao.

AI assistants ambient: Tính năng sản phẩm trước đây quá đắt để chạy liên tục (như AI “luôn bật” giám sát trạng thái ứng dụng và proactively đưa ra insights) giờ khả thi về mặt kinh tế.

Personalization chi tiết: Thay vì một AI response, tạo 5-10 variations được tailored cho các user segments khác nhau và test cái nào performs tốt nhất. Ở 0,25 USD/M, chi phí tăng thêm không đáng kể.

Cuộc chiến chi phí LLM là tin tốt cho builders. Kỷ nguyên AI commodity có nghĩa là ý tưởng của bạn ít bị hạn chế bởi kinh tế và bị hạn chế nhiều hơn bởi trí tưởng tượng.

Đó là thế giới tốt hơn để xây dựng trong đó.