So sánh Kimi K3, DeepSeek V4 Pro và GLM-5.2: Cuộc đối đầu của các siêu mô hình MoE nghìn tỷ tham số

Ba phòng thí nghiệm của Trung Quốc hiện đang nắm giữ vị trí dẫn đầu trên bảng xếp hạng các mô hình mã nguồn mở (open-weight). Kimi K3 của Moonshot AI, DeepSeek V4 Pro và GLM-5.2 của Zhipu AI đều là các mô hình Mixture-of-Experts (MoE) thưa (sparse) với cửa sổ ngữ cảnh lên tới hàng triệu token. Mỗi mô hình đều hướng tới các tác vụ lập trình dài hạn và khối lượng công việc của tác nhân (agent). Bài viết này so sánh chúng dựa trên ba tiêu chí mà một đội ngũ AI thực sự cân nhắc: năng lực đo lường được, điều khoản cấp phép và chi phí vận hành.

Thuật ngữ "nghìn tỷ tham số" (trillion-parameter) phù hợp với Kimi K3 (2,8 nghìn tỷ) và DeepSeek V4 Pro (1,6 nghìn tỷ). GLM-5.2 có tổng cộng 744 tỷ tham số, vì vậy đây là mô hình nhỏ nhất trong ba mô hình xét về tổng số tham số. Nó giành được vị trí của mình vì đã dẫn đầu lĩnh vực open-weight trước khi K3 được ra mắt.

Ba đối thủ cạnh tranh

Kimi K3 là mô hình Stable LatentMoE với 2,8 nghìn tỷ tham số, kích hoạt 16 trong số 896 chuyên gia (expert) trên mỗi token. Moonshot chưa công bố chính xác số lượng tham số hoạt động. K3 bổ sung khả năng thị giác gốc (native vision), cửa sổ ngữ cảnh 1 triệu token và khả năng suy luận luôn bật. Moonshot gọi đây là mô hình hạng 3T (3 nghìn tỷ) mở đầu tiên. Thông tin ra mắt của chúng tôi có tại đây.

DeepSeek V4 Pro là mô hình MoE với 1,6 nghìn tỷ tham số, trong đó có 49 tỷ tham số hoạt động, sử dụng 384 chuyên gia được định tuyến cộng với một chuyên gia dùng chung. Nó hỗ trợ cửa sổ ngữ cảnh 1 triệu token với đầu ra tối đa 384 nghìn token. Một biến thể V4 Flash nhỏ hơn (tổng 284 tỷ, 13 tỷ hoạt động) phục vụ các khối lượng công việc có chi phí thấp hơn. Trọng số (weights) hiện có trên Hugging Face.

GLM-5.2 là mô hình MoE với 744 tỷ tham số, khoảng 40 tỷ tham số hoạt động và cửa sổ ngữ cảnh 1 triệu token. Zhipu cung cấp mô hình này với các chế độ suy luận High và Max. Nó đi kèm với quyền truy cập API.

Điểm số do nhà cung cấp báo cáo sử dụng các bộ kiểm thử (harness) khác nhau, vì vậy các con số trên mỗi tiêu chuẩn đánh giá hiếm khi khớp nhau giữa các phòng thí nghiệm. Công cụ so sánh trung lập là Artificial Analysis Intelligence Index, nơi chấm điểm cả ba trên cùng một bộ tiêu chuẩn.

Trên chỉ số đó, Kimi K3 đạt khoảng 57 điểm, DeepSeek V4 Pro (chế độ suy luận Max) đạt 44 điểm và GLM-5.2 đạt 51 điểm. K3 xếp hạng #3 chung cuộc, chỉ đứng sau Claude Fable 5 và GPT-5.6 Sol, tương đương với Opus 4.8 và GPT-5.5. GLM-5.2 từng giữ vị trí dẫn đầu open-weight cho đến khi K3 ra mắt.

Các tiêu chuẩn đánh giá về lập trình cũng cho kết quả tương tự với một số lưu ý. Bảng dữ liệu của riêng Moonshot chạy K3 và GLM-5.2 thông qua các bộ kiểm thử tương đồng. Ở đó, K3 dẫn trước GLM-5.2 trên mọi tiêu chuẩn chung với khoảng cách lớn.

DeepSeek không xuất hiện trong bảng của Moonshot, vì vậy các con số của nó đến từ các thử nghiệm riêng biệt. DeepSeek-V4-Pro-Max đạt 80,6% trên SWE-bench Verified, kết quả open-weight cao nhất tại thời điểm ra mắt và ngang bằng với Gemini 3.1 Pro. Nó cũng đạt 83,5 trên MRCR 1M, khẳng định khả năng xử lý ngữ cảnh dài nghiêm túc. GLM-5.2 đạt 62,1 trên SWE-bench Pro, vượt qua GPT-5.5 với 58,6.

Như vậy, K3 là mô hình mạnh nhất trong ba mô hình về năng lực đo lường được. DeepSeek V4 Pro có tính cạnh tranh trong các tác vụ lập trình đơn lẻ. GLM-5.2 xếp sau K3 nhưng vẫn là một lựa chọn open-weight có năng lực.

Cấp phép

Cả ba đều được phát hành dưới dạng mô hình open-weight, nhưng trạng thái thực tế hiện nay có sự khác biệt.

DeepSeek V4 Pro được cấp phép theo chuẩn MIT, với trọng số có sẵn trên Hugging Face ngay từ ngày đầu. GLM-5.2 cũng được cấp phép theo chuẩn MIT, với đầy đủ trọng số trên Hugging Face dưới tổ chức zai-org. Cả hai hiện đều cho phép sử dụng thương mại không hạn chế, tinh chỉnh (fine-tuning) và tự lưu trữ (self-hosting).

Kimi K3 là ngoại lệ. Moonshot đã cam kết công bố trọng số trước ngày 27 tháng 7 năm 2026, dự kiến theo giấy phép MIT sửa đổi (Modified MIT). Cho đến lúc đó, K3 chỉ có thể sử dụng thông qua API và các ứng dụng Kimi. Các điều khoản MIT sửa đổi gần đây của Moonshot bổ sung một điều khoản ghi công. Điều khoản này chỉ kích hoạt khi vượt quá 100 triệu người dùng hoạt động hàng tháng.

Chi phí vận hành

Giá niêm yết API phân tách rõ rệt các mô hình này.

DeepSeek V4 Pro dẫn đầu về chi phí với khoảng cách lớn. Theo giá niêm yết đầu ra, một đô la mua được khoảng 1,15 triệu token đầu ra từ V4 Pro, khoảng 227 nghìn từ GLM-5.2 và khoảng 67 nghìn từ K3.

Artificial Analysis định giá mọi mô hình dựa trên cơ sở kết hợp 7:2:1 cho bộ nhớ đệm/đầu vào/đầu ra, giúp loại bỏ cách trình bày của nhà cung cấp. Trên cơ sở đó, họ niêm yết K3 ở mức 2,31 USD cho mỗi 1 triệu token, GLM-5.2 ở mức 0,90 USD và DeepSeek V4 Pro ở mức 0,18 USD. Về chi phí cho mỗi tác vụ, cùng nguồn này báo cáo K3 ở mức 0,94 USD, GLM-5.2 ở mức 0,32 USD và DeepSeek V4 Pro ở mức 0,04 USD.

Tốc độ cũng khác nhau. Artificial Analysis đo lường GLM-5.2 ở mức khoảng 168 token/giây, vượt xa DeepSeek V4 Pro và Kimi K3 với khoảng 62 token/giây mỗi loại. Moonshot báo cáo tỷ lệ trúng bộ nhớ đệm (cache hits) trên 90% trong các khối lượng công việc lập trình, giúp giảm chi phí đầu vào thực tế của K3 xuống còn 0,30 USD mỗi triệu token.

Tự lưu trữ là một ràng buộc khác. GLM-5.2 với 744 tỷ tham số cần hơn 1TB VRAM ở định dạng BF16, hoặc khoảng 8x H200 ở định dạng FP8. DeepSeek V4 Pro với 1,6 nghìn tỷ tham số còn cần nhiều hơn thế. Kimi K3 là nặng nhất: Moonshot khuyến nghị 64 bộ tăng tốc trở lên, khiến việc phục vụ cục bộ nằm ngoài tầm với của hầu hết các đội ngũ. K3 sử dụng trọng số MXFP4 với các kích hoạt MXFP8 để hỗ trợ phần cứng rộng rãi hơn.

Mô hình nào cho công việc nào

Để có chi phí thấp nhất trên mỗi token với chất lượng lập trình tốt, DeepSeek V4 Pro là lựa chọn rõ ràng. Trọng số của nó có thể tải xuống, giấy phép rõ ràng và giá đầu ra thấp hơn cả hai đối thủ.

Đối với năng lực đo lường cao nhất, Kimi K3 dẫn đầu, nhưng với mức giá đầu ra cao gấp 5 đến 17 lần và không có trọng số tải xuống cho đến ngày 27 tháng 7. GLM-5.2 nằm giữa hai mô hình này: rẻ hơn K3, nhanh hơn cả hai đối thủ, có thể tự lưu trữ ngay hôm nay và có năng lực tốt hơn so với kích thước của nó.

Nếu bạn dự định lựa chọn dựa trên độ sâu xác minh và sự rõ ràng của giấy phép, hãy ưu tiên DeepSeek và GLM ngay bây giờ. Những người mua theo đuổi điểm số chuẩn cao nhất hãy đợi trọng số của K3 hoặc trả phí API cao hơn.

Những điểm chính cần lưu ý

Michal Sutter là một chuyên gia khoa học dữ liệu với bằng Thạc sĩ Khoa học Dữ liệu từ Đại học Padova. Với nền tảng vững chắc về phân tích thống kê, học máy và kỹ thuật dữ liệu, Michal xuất sắc trong việc chuyển đổi các tập dữ liệu phức tạp thành những thông tin chi tiết có thể hành động.