Tiếng Việt 
English 
Deutsch 
Español 
Italiano 
Français 
Português do Brasil 
ไทย 
Bahasa Indonesia 
Русский 
العربية 
हिन्दी 
Ba mô hình lập trình đẳng cấp tiên phong. Hai tuần. Nếu bạn chớp mắt vào đầu tháng 6 năm 2026, bạn đã bỏ lỡ cả một thế hệ AI trọng số mở ra mắt trong lúc bạn đang rót thêm cà phê.
Tôi xây dựng với những thứ này mỗi ngày — tác nhân, quy trình làm việc CLI, phần hạ tầng kém hào nhoáng biến một mô hình thành thứ thực sự hoàn thành công việc. Vậy nên đây không phải là một bài danh sách vét benchmark. Đây là bản so sánh mà tôi ước ai đó đã đưa cho tôi vào ngày 14 tháng 6, khi cả ba mô hình này bỗng trở nên có thật, có thể tải xuống và tranh nhau một chỗ trong stack của tôi.
Đây là phiên bản ngắn gọn cho người thiếu kiên nhẫn: MiniMax M3, GLM 5.2 và Kimi K2.7-Code không phải cùng một công cụ với logo khác nhau. Một mô hình là cỗ máy đa phương thức chuyên đường dài, một mô hình là món hời gói lập trình với cửa sổ một triệu token, và một mô hình là chuyên gia sử dụng công cụ âm thầm vượt qua những mô hình có giá gấp năm lần. Chọn sai và bạn sẽ trả quá nhiều hoặc nhận quá ít. Hãy sửa điều đó.
Vì sao tháng 6 năm 2026 giống như sàn nhà sụp đổ
Lùi lại một chút, vì chỉ dòng thời gian thôi đã kể câu chuyện.
- 1 tháng 6 — MiniMax tung ra M3, một mô hình đa phương thức trọng số mở với cửa sổ ngữ cảnh 1 triệu token và kiến trúc attention thưa hoàn toàn mới.
- 12 tháng 6 — Moonshot AI phát hành Kimi K2.7-Code, một chuyên gia lập trình nghìn tỷ tham số, trên Hugging Face.
- 12 tháng 6 — Chính phủ Mỹ ra lệnh cho Anthropic đình chỉ quyền truy cập toàn cầu vào các mô hình hàng đầu Fable 5 và Mythos 5, với lý do chỉ thị kiểm soát xuất khẩu.
- 13 tháng 6 — Zhipu AI (Z.ai) phát hành GLM 5.2 trên mọi gói của kế hoạch lập trình và hứa cung cấp trọng số mở giấy phép MIT trong vòng một tuần.
Vậy là trong khoảng mười hai ngày, hai trong số những mô hình lập trình mở mạnh nhất thế giới ra mắt, mô hình thứ ba xuất hiện, và những mô hình biên giới phương Tây mạnh nhất bị rút khỏi bàn quốc tế. Khoảng trống được lấp đầy trước khi hầu hết các nhóm nhận ra là có khoảng trống.
Đó mới là tiêu đề thật. Không phải “Trung Quốc đã bắt kịp” — cách diễn đạt đó cũ quá một năm rồi. Câu chuyện bây giờ là biên giới trọng số mở di chuyển nhanh hơn mọi chu kỳ mua sắm, mọi lộ trình hàng quý, mọi bài blog. Khi một mô hình có benchmark độc lập thì mô hình kế nhiệm đã đang được huấn luyện. Nếu chiến lược công nghệ của bạn giả định có thể chuẩn hóa trên một mô hình trong mười tám tháng, chiến lược đó đã hỏng rồi.
Mặt còn lại thực sự là tin tốt cho người xây dựng: bạn có đòn bẩy mà năm 2024 không có. Ba nhà cung cấp, tất cả đều khát thị trường, tất cả đều hạ giá lẫn nhau, tất cả đều phát hành trọng số bạn có thể tự lưu trữ. Cạnh tranh kiểu này chính là thứ đẩy chất lượng lên và chi phí xuống. Mẹo là biết mình thực sự đang chọn giữa những gì.
Gặp ba ứng viên
Trước khi so sánh trực diện, hãy giới thiệu nhanh và trung thực từng mô hình — kể cả phần mà hầu hết bài ra mắt bỏ qua: con số nào được xác minh độc lập và con số nào do nhà cung cấp tự chấm bài của mình.
MiniMax M3 — chiếc xe tải đường dài đa phương thức
MiniMax, phòng thí nghiệm ở Thượng Hải, phát hành M3 vào ngày 1 tháng 6. Đặc điểm nổi bật không phải benchmark — mà là kiến trúc. M3 chạy trên MiniMax Sparse Attention (MSA), thứ thay thế attention đầy đủ bằng một hệ thống chỉ xử lý các khối liên quan của ngữ cảnh dài. Lợi ích thực tế: tính toán trên mỗi token giảm khoảng một phần hai mươi ở 1 triệu token so với thế hệ trước, với prefill được báo là nhanh gấp 9 lần và giải mã nhanh hơn 15 lần.
Điều đó quan trọng hơn vẻ ngoài. Các mô hình ngữ cảnh dài thường nghẹt thở — chậm, đắt và càng đi sâu càng hay quên. MSA là cược của MiniMax rằng bạn có thể có một cửa sổ một triệu token thực sự dùng được mà hóa đơn và độ trễ không nổ tung.
M3 cũng đa phương thức gốc: nhận văn bản, hình ảnh và video, xuất văn bản. Đây là mô hình duy nhất trong bộ ba đọc được ảnh chụp màn hình hoặc bản ghi màn hình mà không cần gắn thêm. MiniMax báo điểm SWE-Bench Pro là 59,0%, cho rằng đã vượt GPT-5.5 và Gemini 3.1 Pro nhưng vẫn dưới Claude Opus 4.8. Trên danh sách OpenRouter, giá vào khoảng $0,30 mỗi triệu token đầu vào và $1,20 mỗi triệu token đầu ra khi ra mắt (giá khuyến mãi; giá tiêu chuẩn khoảng gấp đôi), với đọc bộ nhớ đệm gần $0,06.
Dấu hoa thị: những benchmark đó được chạy trên hạ tầng của chính MiniMax với khung tác nhân của họ. Hãy xem chúng là chỉ dẫn, không phải phúc âm, cho đến khi có bảng độc lập. Và nếu bạn dùng API được lưu trữ thay vì tự lưu trữ trọng số, hãy nhớ nhà cung cấp hoạt động dưới quyền tài phán của Trung Quốc — một cân nhắc thực sự cho bất kỳ ai chạm vào dữ liệu khách hàng hoặc dữ liệu bị quản lý.
GLM 5.2 — món hời gói lập trình với cửa sổ 1 triệu token
GLM 5.2 của Zhipu ra mắt ngày 13 tháng 6 và đưa ra hai lời hứa lớn: một cửa sổ ngữ cảnh 1 triệu token thực sự dùng được và và trọng số mở giấy phép MIT xuất hiện trong vòng một tuần sau khi phát hành. Các báo cáo cho rằng đây là một mô hình hỗn hợp chuyên gia lớn — một con số được trích dẫn rộng rãi là 744 tỷ tham số tổng với 40 tỷ hoạt động — được xây dựng ưu tiên lập trình, với hai chế độ suy nghĩ (High và Max, chế độ sau được khuyến nghị cho những việc khó nhằn).
Điều khiến GLM 5.2 thú vị với nhà phát triển đang làm việc không phải bảng xếp hạng. Đó là GLM Coding Plan. Gói khởi điểm khoảng $18/tháng cho khoảng 400 prompt mỗi tuần, tăng dần qua Pro (~2.000/tuần), Max (~8.000/tuần) và gói Team theo số ghế — và GLM 5.2 có mặt ở tất cả các gói mà không phụ phí so với 5.1. Đó khoảng một phần mười giá của các gói Claude Code và Claude Max cao cấp tương đương. Với một người xây dựng độc lập hoặc một cửa hàng tinh gọn, tỷ lệ giá trên năng lực đó khó mà phản bác.
Nó cũng cắm vào các công cụ hiện có gần như không ma sát. Hỗ trợ ngay ngày đầu gồm Claude Code, Cline, OpenCode, Roo Code, Goose, Crush, OpenClaw và Kilo Code. Nếu tác nhân của bạn nói API kiểu OpenAI hoặc Anthropic và cho phép đặt endpoint tùy chỉnh, GLM 5.2 chỉ là đổi cấu hình — trỏ client đến endpoint Z.ai và đặt mô hình thành glm-5.2.
Dấu hoa thị: khi ra mắt, Zhipu công bố rằng không có benchmark chính thức. Không SWE-bench, không LiveCodeBench, không gì cả. Một vài kết quả đọc sớm từ bên thứ ba đã rò rỉ ra (một tờ báo ghi nhận nó đứng đầu một benchmark suy luận có tên BridgeBench và khoảng 300 token/giây), nhưng việc xác minh hiện thực sự mỏng. Nếu chất lượng mô hình quan trọng với sản xuất, bạn hãy tự kiểm tra trước khi tin vào tiếp thị.
Kimi K2.7-Code — chuyên gia sử dụng công cụ vượt tầm
K2.7-Code của Moonshot AI ra mắt ngày 12 tháng 6 và là mô hình tập trung hẹp nhất trong ba. Đó là một mô hình hỗn hợp chuyên gia 1 nghìn tỷ tham số với 32 tỷ tham số hoạt động mỗi token (384 chuyên gia, 8 được chọn cộng 1 chia sẻ, 61 lớp, attention MLA), một cửa sổ ngữ cảnh 256K token, và một bộ mã hóa thị giác 400 triệu tham số cho hình ảnh và video. Trọng số có trên Hugging Face theo giấy phép MIT sửa đổi, phát hành ở INT4 gốc.
Điểm bán là hiệu quả, không phải kích thước thô. K2.7-Code dùng ít hơn khoảng 30% token “suy nghĩ” so với mô hình tiền nhiệm K2.6 trong khi đạt điểm cao hơn trên các benchmark lập trình của Moonshot (+21,8% trên Kimi Code Bench v2, +11,0% trên Program Bench, +31,5% trên một bộ đa ngôn ngữ). Ít token suy luận hơn mà kết quả tốt hơn là con đường thẳng đến hóa đơn thấp hơn trên các quy trình tính theo token.
Nhưng con số khiến tôi chú ý là MCPMark Verified: K2.7-Code đạt 81,1, vượt 76,4 của Claude Opus 4.8 trên các tác vụ sử dụng công cụ thực tế trong những môi trường như GitHub, Postgres, Filesystem và Playwright. Với công việc tác nhân — khi mô hình không viết một hàm đơn lẻ mà điều phối công cụ qua nhiều bước — đó là chỉ số dự báo liệu tác nhân của bạn có thực sự hoàn thành việc. Giá API khoảng $0,95 đầu vào / $4,00 đầu ra mỗi triệu token, với gói Kimi Code CLI từ $19/tháng.
Các dấu hoa thị (hai cái): Thứ nhất, mọi benchmark K2.7 công bố đến nay đều thuộc bộ riêng của Moonshot — chưa có số liệu độc lập từ SWE-bench Verified, LiveCodeBench hay Terminal-Bench. Thứ hai, “suy nghĩ” là luôn bật (với preserve_thinking qua các lượt) và không có chế độ tức thời, nên bạn trả thuế suy luận cho mọi lần gọi dù muốn hay không. Và tự lưu trữ thì rất nặng: bản lượng tử hóa K2.6 tương đương nặng khoảng 340GB và cần hơn 350GB tổng RAM và VRAM. Với gần như tất cả mọi người, điều đó nghĩa là thuê API chứ không sở hữu mô hình.
Cuộc đối đầu, trong một bảng
Đây là bản so sánh được lọc còn những gì thực sự dẫn dắt quyết định. Ở đâu con số do nhà cung cấp báo, tôi đã nói rõ — vì một bản so sánh che giấu sự không chắc chắn của nó chỉ là tiếp thị kèm bảng.
| GLM 5.2 | MiniMax M3 | Kimi K2.7-Code | |
|---|---|---|---|
| Hãng | Zhipu AI (Z.ai), Bắc Kinh | MiniMax, Thượng Hải | Moonshot AI, Bắc Kinh |
| Phát hành | June 13, 2026 | June 1, 2026 | June 12, 2026 |
| Cửa sổ ngữ cảnh | 1M token | 1M token | 256K token |
| Kiến trúc | MoE (~744B/40B hoạt động, theo báo cáo) | MoE + Attention thưa (MSA) | MoE, 1T total / 32B active |
| Đa phương thức | Không (ưu tiên lập trình) | Có — văn bản, hình ảnh, video | Có — hình ảnh, video qua bộ mã hóa thị giác |
| Giấy phép | MIT (trọng số mở, khoảng 1 tuần sau ra mắt) | Hứa hẹn trọng số mở (~10 ngày) | MIT sửa đổi (trọng số đã có) |
| Điểm mạnh nổi bật | Ngữ cảnh 1M + gói lập trình rẻ | Đa phương thức ngữ cảnh dài + tốc độ | Sử dụng công cụ / MCP, hiệu quả token |
| Tín hiệu giá | Gói ~$18/tháng (≈1/10 các gói Claude) | ~$0,30/$1,20 mỗi 1M (khuyến mãi) | ~$0,95/$4,00 mỗi 1M; CLI $19/tháng |
| Trạng thái benchmark | Không có chính thức khi ra mắt | Nhà cung cấp chạy (59% SWE-Bench Pro) | Nhà cung cấp chạy (81,1 MCPMark, vượt Opus 4.8) |
| Rủi ro lớn nhất | Chưa được chứng minh, không có điểm độc lập | Lưu trữ dưới quyền tài phán Trung Quốc | Suy nghĩ luôn bật; cần hơn 340GB để tự lưu trữ |
Một bảng xếp hạng của nhà phát triển lan truyền sau khi thử nghiệm thực tế đặt toàn cảnh đại khái là Fable 5 dẫn đầu, rồi Kimi K2.7, rồi ngang Opus 4.8 với GLM 5.2, rồi GPT-5.5, rồi MiniMax M3 — nhưng hãy đón nhận với sự thận trọng. Đó là thứ tự của một người thử, trên một bộ tác vụ, trong một tuần mà một nửa số mô hình này không có con số xác minh nào. Khối lượng công việc của bạn là bảng xếp hạng duy nhất đáng tin.
Vậy “vibe coding” nằm ở đâu trong tất cả những điều này?
Đáng dừng lại ở đây, vì thuật ngữ này bị dùng khá lỏng lẻo. Vibe coding là quy trình làm việc trong đó bạn mô tả điều mình muốn bằng ngôn ngữ đơn giản và để mô hình viết, chạy và sửa mã — bạn điều khiển bằng ý định và cảm giác thay vì tự gõ từng dòng. Với nhiều người (kể cả tôi, trong khá nhiều dự án), đây giờ là cách mặc định để xây phần mềm.
Nó không còn là ý tưởng ngoài lề. Zhipu thậm chí đặt tên bài báo kỹ thuật GLM-5 là “từ Vibe Coding đến Kỹ thuật tác nhân” — chính các phòng thí nghiệm coi đây là quỹ đạo: tạo mẫu thử trò chuyện lỏng lẻo trưởng thành thành kỹ thuật tự chủ có cấu trúc, có thể chạy hàng giờ không cần giám sát.
Nhưng đây là điều không ai nói với bạn: mô hình tốt nhất cho vibe coding phụ thuộc hoàn toàn vào giai đoạn bạn đang ở.
- Tạo mẫu thử sớm, khám phá, kiểu “chỉ cần làm cho tôi một thứ” — khi bạn lặp nhanh, ném ảnh chụp màn hình vào, đổi ý mỗi hai phút — cần một mô hình rẻ, nhanh, dễ tính với đầu vào đa phương thức. MiniMax M3 tỏa sáng ở đây. Chi phí token thấp nghĩa là bạn có thể lặp mà không thấy tội lỗi, và đưa cho nó ảnh chụp thiết kế thay vì mô tả là một bước mở khóa thực sự cho quy trình làm việc.
- Vibe coding trên codebase lớn — “đọc toàn bộ repo của tôi và tái cấu trúc lớp xác thực” — là nơi cửa sổ ngữ cảnh lên ngôi. cửa sổ triệu token của GLM 5.2 (và gói lập trình hời đó) cho phép bạn giữ toàn bộ dự án trong tầm nhìn mà không phải giải thích lại liên tục, đây là nguồn ma sát lớn nhất trong công việc tác nhân.
- Đầu nghiêm túc — các bản dựng tác nhân tầm xa, nhiều công cụ chạm vào cơ sở dữ liệu, hệ thống tệp và lịch sử Git của bạn qua hàng trăm bước — cần mô hình không đánh mất mạch giữa chừng. Điểm sử dụng công cụ của Kimi K2.7-Code được xây dựng chính cho việc này. Khi công việc không còn là “viết một hàm” mà là “điều khiển toàn bộ chuỗi công cụ của tôi để giao một tính năng”, các lệnh gọi công cụ đáng tin cậy luôn thắng một mẫu mã đẹp hơn.
Sự thật khó chịu: vibe coding khuếch đại bất kỳ mô hình nào bạn đưa vào. Một mô hình tốt với ngữ cảnh tốt biến ý định mơ hồ thành phần mềm chạy được. Một mô hình yếu biến nó thành một đống lỗi tự tin mà bạn không viết và không hiểu. Hãy chọn mô hình cho giai đoạn, không phải cho sự hào nhoáng.
Vậy bạn thực sự nên dùng cái nào?
Bỏ qua những lời rào đón ngoại giao. Đây là cách tôi sẽ định tuyến quyết định.
Chọn MiniMax M3 nếu công việc của bạn là ngữ cảnh dài và đa phương thức — xem xét codebase lớn, suy luận qua các tệp, hoặc bất kỳ quy trình nào mà ảnh chụp màn hình, sơ đồ hay video là một phần đầu vào. Đây cũng là lựa chọn tôi sẽ dùng khi chi phí mỗi lần lặp là ràng buộc chính, vì kiến trúc attention thưa giữ cho công việc ngữ cảnh dài nhanh và rẻ. Chỉ cần tự lưu trữ trọng số cho bất cứ thứ gì nhạy cảm.
Chọn GLM 5.2 nếu bạn muốn nhiều năng lực nhất trên mỗi euro và bạn sống trong một codebase lớn. Gói lập trình với giá khoảng một phần mười giá Claude cao cấp, cộng với cửa sổ 1 triệu token thực sự và hỗ trợ cắm thẳng không ma sát cho Claude Code cùng đồng bọn, khiến nó thành mặc định hiển nhiên cho người xây dựng độc lập và nhóm tinh gọn. Vấn đề là niềm tin — bạn tin nó trước khi có benchmark độc lập, nên hãy tạo mẫu thử trên đó trước khi đặt cược thời hạn vào nó.
Chọn Kimi K2.7-Code nếu bạn đang xây dựng các tác nhân tự chủ điều phối công cụ — máy chủ MCP, cơ sở dữ liệu, trình duyệt, hệ thống tệp — qua những phiên dài. Hiệu suất sử dụng công cụ của nó là kết quả nổi bật nhất trong toàn bộ so sánh này, và mức tiết kiệm token trực tiếp cắt chi phí vận hành. Hãy trả giá API thay vì vật lộn với yêu cầu tự lưu trữ 340GB, và chấp nhận rằng suy nghĩ luôn bật.
Hoặc — và đây là điều tôi thực sự làm — dùng cả ba. Định tuyến theo tác vụ. Lặp đa phương thức rẻ cho M3, tái cấu trúc ngữ cảnh lớn cho GLM 5.2, chạy tác nhân nhiều công cụ cho Kimi. Những công cụ như Kilo Code, OpenCode và Claude Code khiến việc đổi nhà cung cấp chỉ là thay đổi cấu hình, không phải di chuyển. Trong một thị trường chuyển động nhanh thế này, tính di động thắng lòng trung thành. Xây dựng quy trình làm việc của bạn để có thể đổi mô hình trong một buổi chiều, và bạn biến hỗn loạn của tháng 6 năm 2026 từ mối đe dọa thành lợi thế.
Một lưu ý về việc tin vào bất kỳ con số nào trong số này
Kiểm tra nhanh bằng trực giác, vì nó sẽ giúp bạn tránh phiền toái. Gần như mọi benchmark trong bài viết này đều do nhà cung cấp báo. GLM 5.2 ra mắt không có cái nào. Ngay cả những bộ công khai được đánh giá cao cũng có vấn đề nhiễm dữ liệu — SWE-Bench Pro tồn tại một phần vì các benchmark cũ bị rò rỉ vào dữ liệu huấn luyện và làm phồng điểm.
Không điều nào trong đó khiến các mô hình này tệ. Nó có nghĩa là benchmark duy nhất quan trọng là repo của bạn, tác vụ của bạn, định nghĩa “hoàn thành” của bạn. Hãy lập một đánh giá nhỏ, lặp lại được — ba hoặc bốn phiếu thực từ danh sách công việc tồn của bạn — và chạy từng mô hình với nó trước khi cam kết. Một buổi chiều thử nghiệm sẽ cho bạn biết nhiều hơn mọi bài blog ngày ra mắt cộng lại, kể cả bài này.
Câu hỏi thường gặp
GLM 5.2 có thực sự miễn phí không? Trọng số có giấy phép MIT và miễn phí tải về, tự lưu trữ sau khi phát hành. Gói GLM Coding Plan được lưu trữ thì có phí, bắt đầu khoảng $18/tháng — nhưng đó khoảng một phần mười các gói Claude cao cấp tương đương, và GLM 5.2 có mặt ở mọi gói mà không tốn thêm.
Mô hình nào tốt nhất riêng cho vibe coding? Không có một người thắng duy nhất. MiniMax M3 tốt nhất cho tạo mẫu thử đa phương thức nhanh, rẻ; GLM 5.2 cho vibe coding trong codebase lớn nhờ cửa sổ 1 triệu token; Kimi K2.7-Code cho các bản dựng tác nhân nghiêm túc, nhiều công cụ. Hãy ghép mô hình với giai đoạn bạn đang ở.
Tôi có thể dùng những mô hình này với Claude Code không? Có. GLM 5.2 hỗ trợ Claude Code ngay ngày đầu — trỏ client đến endpoint Z.ai và đặt mô hình thành glm-5.2. Kimi và MiniMax đều cung cấp API tương thích OpenAI/Anthropic, nên hầu hết công cụ lập trình tác nhân chấp nhận chúng như endpoint tùy chỉnh với một lần đổi khóa.
Mô hình nào có cửa sổ ngữ cảnh lớn nhất? GLM 5.2 và MiniMax M3 đều cung cấp 1 triệu token. Kimi K2.7-Code cung cấp 256K — nhỏ hơn, nhưng vẫn đủ lớn cho hầu hết công việc trên một repo.
Điểm benchmark có đáng tin không? Hãy xem chúng là chỉ dẫn. Tính đến giữa tháng 6 năm 2026, hầu hết điểm công bố do nhà cung cấp chạy trên hạ tầng của chính các phòng thí nghiệm, và GLM 5.2 ra mắt không có benchmark chính thức. Hãy chạy đánh giá của riêng bạn trên tác vụ thật trước khi cam kết cho sản xuất.
Tôi có thể chạy bất kỳ mô hình nào trong số này trên máy bình thường không? Không với toàn bộ trọng số. Kimi K2.7-Code cần khoảng hơn 350GB tổng RAM và VRAM để tự lưu trữ, và những mô hình khác cũng là MoE lớn. Với hầu hết mọi người, API được lưu trữ hoặc nhà cung cấp được quản lý là con đường thực tế; tự lưu trữ dành cho các nhóm có ngân sách GPU nghiêm túc hoặc yêu cầu lưu trú dữ liệu nghiêm ngặt.
Điểm mấu chốt
Hai tuần trong tháng 6 năm 2026 mang đến cho nhà phát triển ba mô hình lập trình trọng số mở nghiêm túc, một biên giới giờ thực sự cạnh tranh về giá, và một tín hiệu rõ ràng rằng tốc độ này không chậm lại. MiniMax M3 là cỗ máy tạo mẫu thử đa phương thức, ngữ cảnh dài, tiết kiệm chi phí của bạn. GLM 5.2 là lựa chọn năng lực trên mỗi euro tốt nhất cho công việc codebase lớn, nếu bạn có thể tin nó trước khi benchmark xuất hiện. Kimi K2.7-Code là chuyên gia sử dụng công cụ cho các bản dựng tác nhân thực sự.
Nước đi thông minh nhất không phải chọn một mô hình yêu thích — mà là xây dựng quy trình làm việc đủ linh hoạt để dùng bất kỳ mô hình nào phù hợp với tác vụ trước mắt, và đổi sang mô hình kế tiếp khi nó không tránh khỏi ra mắt vào tháng sau. Trong một thị trường nhanh thế này, khả năng thích ứng là là chiến lược.
Nếu bạn đang cố tìm hiểu cách điều này khớp vào stack của riêng bạn — dù là nối các mô hình này vào một tác nhân lập trình, xây dựng tự động hóa AI vào doanh nghiệp, hay chỉ cần một ý kiến thứ hai thẳng thắn trước khi cam kết — đó chính xác là loại công việc tôi làm tại Graham Miranda. Liên hệ và hãy cùng xây dựng thứ gì đó tồn tại lâu hơn chu kỳ tin tức.
Có một mô hình bạn nghĩ nên có trong so sánh này, hoặc một khối lượng công việc bạn không biết định tuyến thế nào? Hãy để lại bình luận — tôi đọc chúng, và tôi cập nhật các hướng dẫn này khi lĩnh vực thay đổi (mà gần đây là liên tục).
