GroundingPI là mô hình perception mã nguồn mở do hãng xe điện Trung Quốc Xpeng công bố ngày 4/11/2026, với quy mô gọn nhẹ chỉ 4 tỷ tham số. Theo công bố của Xpeng, GroundingPI vượt OpenAI GPT-6 Astra trên bộ 34 benchmark về perception và grounding. Đây là tuyên bố gây chú ý lớn trong giới AI, vì nó đặt một mô hình chuyên biệt, nhỏ và mở ra cạnh tranh trực tiếp với một mô hình đa phương thức lớn, đóng, của OpenAI. Bài viết này giải thích perception model và grounding là gì, vì sao một mô hình 4B nhỏ mà mạnh, cơ chế đánh giá 34 benchmark cần được đọc thế nào, và mô hình này dùng được vào việc gì trong thực tế.
Điều quan trọng cần nói ngay từ đầu: số liệu vượt GPT-6 Astra trên 34 benchmark là số liệu do Xpeng công bố, chưa có kiểm chứng độc lập đầy đủ tại thời điểm bài viết này được viết. Bài viết không bịa thêm số liệu benchmark chi tiết ngoài những gì đã nêu, và sẽ hướng dẫn bạn cách đọc tuyên bố này một cách tỉnh táo, thay vì coi nó là kết luận cuối cùng. Những phần còn lại là kiến thức chung đã được công nhận về thị giác máy tính, mô hình ngôn ngữ – thị giác và ứng dụng perception trong xe tự lái và robot.
GroundingPI là gì?
GroundingPI là một mô hình perception, tức là mô hình giúp máy tính “nhận thức” thế giới qua hình ảnh và video. Tên gọi GroundingPI gồm hai phần. “Grounding” chỉ khả năng gắn ngôn ngữ với vùng ảnh cụ thể: khi bạn nói “chiếc xe đỏ bên trái” hay “người đang băng qua đường”, mô hình phải chỉ đúng vùng ảnh chứa vật thể đó, bằng hộp bao quanh hay mặt nạ phân đoạn. “PI” là viết tắt của Perception Intelligence, tức là trí tuệ nhận thức. Nói ngắn gọn: GroundingPI là mô hình giúp máy hiểu câu nói của con người và tìm đúng vật thể tương ứng trong ảnh.
Khác với một mô hình ngôn ngữ lớn thuần túy chỉ xử lý văn bản, GroundingPI là mô hình đa phương thức, xử lý cả ảnh và ngôn ngữ cùng lúc. Đầu vào của nó có thể là một ảnh chụp từ camera xe tự lái kèm một câu mô tả bằng ngôn ngữ tự nhiên. Đầu ra là vị trí của vật thể được mô tả, có thể kèm theo nhãn, thuộc tính và mối quan hệ với các vật thể khác. Ví dụ: ảnh đường phố có nhiều xe, bạn hỏi “xe tải màu trắng đang rẽ phải ở làn giữa”, GroundingPI phải khoanh đúng chiếc xe tải đó, không nhầm sang chiếc xe trắng khác đang đi thẳng.
GroundingPI có 4 tỷ tham số. Trong thế giới mô hình AI hiện nay, 4 tỷ là quy mô gọn nhẹ. Nhiều mô hình đa phương thức lớn có hàng chục đến hàng trăm tỷ tham số. Việc Xpeng chọn quy mô 4B không phải vì họ không làm được mô hình lớn hơn, mà vì perception cho xe tự lái và robot cần chạy nhanh, chạy trên thiết bị biên với tài nguyên hạn chế, và phản hồi trong thời gian thực. Một mô hình quá lớn sẽ chậm, tốn điện, tốn bộ nhớ, và không thể triển khai trên xe hay robot một cách kinh tế.
GroundingPI được Xpeng mã nguồn mở ngày 4/11/2026. Mã nguồn mở ở đây nghĩa là cộng đồng có thể tải mô hình, xem kiến trúc, chạy thử, tinh chỉnh cho tác vụ riêng và tích hợp vào sản phẩm của mình theo giấy phép mà Xpeng công bố. Đây là điểm khác biệt quan trọng so với GPT-6 Astra, vốn là mô hình đóng, chỉ dùng qua API của OpenAI. Với nhà nghiên cứu và doanh nghiệp nhỏ, một mô hình mở 4B có thể chạy thử ngay trên một card đồ họa là cơ hội rất lớn.
Perception model và grounding là gì?
Perception model là mô hình nhận thức, tầng đầu tiên trong hệ thống AI vật lý như xe tự lái, robot hay camera giám sát. Một hệ thống AI vật lý thường có ba tầng: perception (nhận thức), prediction (dự đoán) và planning (lập kế hoạch hành động). Perception trả lời câu hỏi “có gì ở xung quanh tôi?”. Prediction trả lời “những vật thể đó sẽ di chuyển thế nào?”. Planning trả lời “tôi nên làm gì tiếp theo?”. Nếu perception sai, mọi tầng sau đều sai theo. Xe tự lái không nhìn thấy người đi bộ thì không thể phanh kịp, dù thuật toán lập kế hoạch có tốt đến đâu.
Trước đây, perception thường được chia thành nhiều mô hình nhỏ riêng biệt: một mô hình phát hiện xe, một mô hình phát hiện người đi bộ, một mô hình đọc biển báo, một mô hình phân đoạn làn đường. Cách làm này hiệu quả trong phạm vi hẹp, nhưng khó mở rộng khi gặp vật thể mới chưa từng thấy trong dữ liệu huấn luyện. Ví dụ, một mô hình chỉ được huấn luyện để nhận diện xe con, xe tải và người đi bộ sẽ lúng túng khi gặp một chiếc xe chở hàng lạ, một công trình thi công hay một con vật chạy qua đường.
Grounding ra đời để giải quyết vấn đề này. Grounding là khả năng gắn một mô tả ngôn ngữ tự do với vùng ảnh tương ứng. Thay vì chỉ nhận diện danh sách vật thể cố định, mô hình grounding hiểu câu nói của con người và tìm vật thể đó trong ảnh, dù vật thể đó chưa từng xuất hiện trong dữ liệu huấn luyện theo đúng nhãn đó. Đây là bước tiến từ “nhận diện vật thể theo danh mục đóng” sang “hiểu thế giới mở bằng ngôn ngữ”.
Ví dụ cụ thể sẽ làm rõ khác biệt. Một mô hình phát hiện vật thể truyền thống nhìn ảnh đường phố và trả về danh sách: xe, xe, người, biển báo. Một mô hình grounding nhìn cùng ảnh đó và trả lời được câu hỏi “người mặc áo vàng đang cầm ô ở phía bên phải vạch kẻ đường ở đâu?”. Câu hỏi thứ hai khó hơn rất nhiều, vì nó đòi hỏi mô hình hiểu màu sắc, hành động, vị trí tương đối và ngữ cảnh, rồi kết hợp tất cả để xác định đúng một người trong đám đông. Đó chính là năng lực mà GroundingPI hướng tới.
Grounding còn quan trọng vì nó là cầu nối giữa con người và máy. Người vận hành xe tự lái, robot hay hệ thống giám sát thường ra lệnh bằng ngôn ngữ tự nhiên, không phải bằng mã hay tọa độ. Họ nói “dừng lại trước chướng ngại vật màu cam phía trước”, “lấy hộp đỏ trên kệ thứ hai”, hay “theo dõi người đàn ông đội mũ xanh”. Muốn máy thực hiện đúng lệnh, máy phải grounding đúng. Một lỗi grounding nhỏ có thể dẫn đến hành động sai nghiêm trọng, ví dụ robot lấy nhầm hộp hay xe phanh nhầm làn.
Vì sao mô hình 4B nhỏ mà mạnh?
Câu hỏi nhiều người đặt ra khi nghe tin GroundingPI là: làm sao một mô hình chỉ 4 tỷ tham số lại có thể vượt một mô hình lớn như GPT-6 Astra? Câu trả lời nằm ở ba yếu tố: chuyên biệt hóa, dữ liệu huấn luyện và kiến trúc tối ưu cho tác vụ. Mô hình lớn không tự động thắng mô hình nhỏ trong mọi tác vụ, đặc biệt khi tác vụ đó hẹp và đòi hỏi độ chính xác cao.
Yếu tố thứ nhất là chuyên biệt hóa. GPT-6 Astra là mô hình đa phương thức tổng quát, được thiết kế để làm rất nhiều việc: trò chuyện, viết văn bản, lập trình, phân tích ảnh, suy luận đa bước. GroundingPI là mô hình chuyên biệt cho perception và grounding. Khi một mô hình chỉ tập trung vào một nhóm tác vụ, toàn bộ tham số và dữ liệu huấn luyện của nó đều phục vụ nhóm tác vụ đó. Kết quả là mô hình chuyên biệt có thể đạt độ chính xác cao hơn mô hình tổng quát trên đúng tác vụ chuyên biệt, dù quy mô nhỏ hơn nhiều. Đây là nguyên lý đã được chứng minh nhiều lần trong lịch sử AI: mô hình nhỏ chuyên sâu thường thắng mô hình lớn đa năng trong lĩnh vực hẹp của nó.
Yếu tố thứ hai là dữ liệu huấn luyện. Xpeng là hãng xe điện, có lượng dữ liệu lái xe thực tế khổng lồ từ đội xe của mình: ảnh và video đường phố trong nhiều điều kiện thời tiết, ánh sáng, mật độ giao thông, ở nhiều thành phố và quốc gia. Dữ liệu này là tài sản quý giá mà một công ty AI tổng quát khó có được. Khi huấn luyện GroundingPI trên dữ liệu lái xe thực tế, có gắn nhãn grounding chi tiết, mô hình học được những mẫu mà dữ liệu internet chung không có, ví dụ cách phân biệt xe đang rẽ với xe đang đi thẳng, cách nhận diện người đi bộ trong điều kiện ngược sáng, hay cách hiểu biển báo tạm thời ở công trường.
Yếu tố thứ ba là kiến trúc tối ưu. Một mô hình perception tốt không chỉ cần bộ mã hóa thị giác mạnh, mà còn cần cơ chế căn chỉnh thị giác – ngôn ngữ hiệu quả, cơ chế chú ý không gian chính xác, và đầu ra định vị có độ phân giải cao. Các mô hình lớn tổng quát thường tối ưu cho khả năng suy luận ngôn ngữ, và dùng bộ mã hóa thị giác ở độ phân giải vừa phải để tiết kiệm tài nguyên. Một mô hình perception chuyên biệt có thể đầu tư nhiều hơn vào độ phân giải ảnh, vào việc giữ chi tiết không gian, và vào việc dự đoán hộp bao quanh chính xác đến từng pixel. Những tối ưu này không cần nhiều tham số, nhưng tạo ra khác biệt lớn về độ chính xác định vị.
Ngoài ra, quy mô 4B còn là lựa chọn có chủ ý về triển khai. Một mô hình 4B có thể chạy trên một GPU tầm trung, trên máy tính biên trong xe, hay trên robot với độ trễ thấp. Một mô hình hàng trăm tỷ tham số chỉ chạy được trên cụm máy chủ lớn, phải gửi ảnh lên đám mây, chờ phản hồi, và phụ thuộc vào mạng. Với xe tự lái, độ trễ vài trăm mili giây có thể là khác biệt giữa phanh kịp và phanh không kịp. Vì vậy, “nhỏ mà mạnh” không chỉ là khẩu hiệu, mà là yêu cầu kỹ thuật thực sự của AI vật lý.
34 benchmark cần đọc thế nào? Lưu ý kiểm chứng độc lập
Theo công bố của Xpeng, GroundingPI vượt GPT-6 Astra trên bộ 34 benchmark. Con số 34 nghe rất ấn tượng, nhưng người đọc cần hiểu benchmark là gì và cách đọc tuyên bố này cho đúng. Benchmark là bộ kiểm tra chuẩn, gồm tập dữ liệu và tiêu chí chấm điểm cố định, dùng để so sánh các mô hình với nhau. Một mô hình được nói là “vượt” mô hình khác trên một benchmark nghĩa là nó đạt điểm cao hơn trên bộ kiểm tra đó, theo đúng cách chấm điểm mà benchmark quy định.
Vấn đề là không phải benchmark nào cũng có ý nghĩa như nhau. Một số benchmark đo khả năng grounding cơ bản, ví dụ tìm vật thể theo mô tả đơn giản. Một số benchmark đo khả năng suy luận phức tạp, ví dụ tìm vật thể qua mô tả có nhiều mệnh đề quan hệ. Một số benchmark dùng ảnh trong nhà, một số dùng ảnh đường phố, một số dùng ảnh y tế hay công nghiệp. Một mô hình có thể thắng lớn trên benchmark này nhưng thua trên benchmark khác. Vì vậy, tuyên bố “vượt trên 34 benchmark” cần được đọc kèm danh sách 34 benchmark đó là gì, mỗi benchmark đo điều gì, và mức chênh lệch điểm là bao nhiêu. Chênh lệch 0,5 điểm và chênh lệch 10 điểm là hai câu chuyện hoàn toàn khác nhau.
Điểm cần lưu ý thứ hai là ai chấm điểm và chấm như thế nào. Nếu Xpeng tự chấm mô hình của mình và mô hình đối thủ bằng cùng một quy trình, kết quả có thể tin được ở mức độ nhất định, nhưng vẫn cần kiểm chứng độc lập. Cách chấm đúng nhất là bên thứ ba độc lập chạy cả hai mô hình trên cùng tập kiểm tra, với cùng thiết lập, và công bố kết quả chi tiết. Cho đến khi có kiểm chứng độc lập như vậy, tuyên bố của hãng nên được coi là tín hiệu tích cực, không phải kết luận cuối cùng.
Điểm cần lưu ý thứ ba là benchmark có thể bị “luyện tủ”. Nếu dữ liệu huấn luyện của một mô hình vô tình chứa ảnh hoặc câu hỏi giống với benchmark, mô hình đó sẽ đạt điểm cao trên benchmark nhưng không giỏi hơn trong thực tế. Đây là vấn đề đã xảy ra nhiều lần trong lịch sử AI, và là lý do các nhà nghiên cứu luôn yêu cầu công bố rõ dữ liệu huấn luyện có trùng lặp với benchmark hay không, và yêu cầu kiểm tra trên tập dữ liệu hoàn toàn mới, chưa từng xuất hiện trong huấn luyện.
Điểm cần lưu ý thứ tư là benchmark không đo hết mọi thứ quan trọng. Một mô hình có thể đạt điểm grounding rất cao trên ảnh tĩnh, nhưng lại chậm, tốn bộ nhớ, hay không ổn định khi chạy trên video thời gian thực trong xe. Một mô hình có thể giỏi tìm vật thể trong ảnh đẹp, nhưng lại kém trong ảnh mưa, ảnh đêm hay ảnh bị mờ. Người dùng thực tế quan tâm đến độ ổn định, độ trễ, mức tiêu thụ điện và khả năng xử lý trường hợp biên, những thứ mà benchmark tiêu chuẩn thường không đo đầy đủ.
Cách kiểm chứng tuyên bố của hãng trong thực tế
- Đọc danh sách đầy đủ 34 benchmark: mỗi benchmark đo điều gì, tập dữ liệu nào, tiêu chí chấm ra sao.
- Xem mức chênh lệch điểm cụ thể: vượt bao nhiêu điểm, trên benchmark nào vượt nhiều, benchmark nào vượt ít hay thua.
- Tìm đánh giá độc lập: nhà nghiên cứu, tổ chức hay cộng đồng mã nguồn mở chạy lại và công bố kết quả.
- Chạy thử với dữ liệu của chính bạn: ảnh đường phố Việt Nam, ảnh nhà xưởng của bạn, video camera của bạn.
- Đo thêm tiêu chí ngoài benchmark: tốc độ, độ trễ, bộ nhớ, độ ổn định trong điều kiện khó.
- Kiểm tra giấy phép và điều khoản sử dụng: mô hình mở có giới hạn thương mại hay không.
Nói như vậy không có nghĩa tuyên bố của Xpeng là sai. Xpeng có dữ liệu lái xe thực tế, có đội ngũ nghiên cứu mạnh, và có động lực để công bố đúng sự thật, vì cộng đồng mã nguồn mở sẽ nhanh chóng phát hiện nếu số liệu bị thổi phồng. Nhưng trong AI, nguyên tắc đúng là “tin nhưng kiểm chứng”. Hãy coi tuyên bố vượt GPT-6 Astra trên 34 benchmark là lý do để dùng thử GroundingPI nghiêm túc, không phải lý do để kết luận nó là mô hình perception tốt nhất trong mọi tình huống.
So sánh mô hình perception chuyên biệt với mô hình đa phương thức lớn
Để hiểu vị trí của GroundingPI, cần so sánh hai triết lý làm AI: mô hình chuyên biệt và mô hình tổng quát. Mô hình chuyên biệt như GroundingPI làm ít việc nhưng làm rất tốt trong lĩnh vực của mình. Mô hình tổng quát như GPT-6 Astra làm nhiều việc, từ trò chuyện đến lập trình đến phân tích ảnh, và làm khá tốt ở mọi việc, nhưng không nhất thiết là tốt nhất ở từng việc cụ thể.
Mô hình tổng quát có ưu điểm là linh hoạt. Bạn có thể dùng cùng một mô hình để hỏi về ảnh, viết báo cáo, tóm tắt tài liệu và lập kế hoạch, mà không cần đổi mô hình. Điều này tiện cho người dùng phổ thông và cho ứng dụng cần nhiều kỹ năng khác nhau. Mô hình tổng quát cũng có khả năng suy luận đa bước tốt, vì nó được huấn luyện trên lượng dữ liệu ngôn ngữ khổng lồ và học được nhiều kiến thức chung.
Mô hình chuyên biệt có ưu điểm là chính xác, nhanh và rẻ trong lĩnh vực của nó. Vì nó chỉ tập trung vào perception và grounding, nó có thể tối ưu kiến trúc, dữ liệu và quy trình suy luận cho đúng tác vụ đó. Nó chạy nhanh hơn, tốn ít tài nguyên hơn, và dễ triển khai trên thiết bị biên hơn. Với doanh nghiệp làm xe tự lái, robot hay kiểm tra chất lượng nhà máy, những ưu điểm này quan trọng hơn khả năng trò chuyện hay viết thơ của mô hình.
Trong thực tế, hai loại mô hình này không loại trừ nhau mà bổ sung cho nhau. Một hệ thống xe tự lái hoàn chỉnh có thể dùng GroundingPI để nhận thức thế giới xung quanh trong thời gian thực, và dùng một mô hình ngôn ngữ lớn để giải thích tình huống, lập kế hoạch hành trình hay giao tiếp với hành khách. Một robot trong nhà máy có thể dùng mô hình perception chuyên biệt để phát hiện lỗi sản phẩm, và dùng mô hình tổng quát để viết báo cáo lỗi bằng ngôn ngữ tự nhiên. Kiến trúc tốt nhất thường là kiến trúc kết hợp, nơi mỗi mô hình làm đúng việc nó giỏi nhất.
| Tiêu chí | Mô hình perception chuyên biệt (GroundingPI) | Mô hình đa phương thức lớn (GPT-6 Astra) |
|---|---|---|
| Quy mô | 4 tỷ tham số, gọn nhẹ | Quy mô lớn, mô hình đóng qua API |
| Thế mạnh chính | Grounding, định vị vật thể chính xác theo mô tả ngôn ngữ | Suy luận đa năng, trò chuyện, kiến thức chung rộng |
| Tốc độ và triển khai | Chạy nhanh, chạy được trên thiết bị biên và GPU tầm trung | Thường chạy trên đám mây, phụ thuộc mạng và chi phí API |
| Mã nguồn | Mã nguồn mở, cộng đồng có thể tải và tinh chỉnh | Mô hình đóng, dùng qua API của nhà cung cấp |
| Chi phí vận hành | Thấp khi tự triển khai, không phí theo lượt gọi | Tính phí theo lượt dùng API, chi phí tăng theo lưu lượng |
| Trường hợp dùng tốt nhất | Xe tự lái, robot, camera, kiểm tra chất lượng cần thời gian thực | Trợ lý đa năng, phân tích ảnh kèm suy luận phức tạp |
| Hạn chế | Không giỏi trò chuyện mở hay kiến thức chung ngoài perception | Có thể kém chính xác hơn trong định vị chi tiết, chậm và tốn kém hơn khi chạy thời gian thực |
Bảng so sánh trên dựa trên công bố của Xpeng về GroundingPI và kiến thức chung về hai loại mô hình. Người đọc không nên coi đây là bảng xếp hạng tuyệt đối. Mô hình tốt nhất phụ thuộc vào tác vụ cụ thể, ngân sách, yêu cầu độ trễ và môi trường triển khai của bạn. Cách chọn đúng là xác định rõ tác vụ, thử cả hai loại mô hình với dữ liệu thật của bạn, rồi đo kết quả.
GroundingPI hoạt động như thế nào về mặt kỹ thuật?
Về mặt kỹ thuật, GroundingPI là mô hình ngôn ngữ – thị giác, gồm ba thành phần chính: bộ mã hóa thị giác, bộ mã hóa ngôn ngữ và mô-đun căn chỉnh đa phương thức. Bộ mã hóa thị giác nhận ảnh đầu vào, chia ảnh thành các vùng nhỏ và trích xuất đặc trưng cho từng vùng, bao gồm màu sắc, hình dạng, kết cấu và vị trí không gian. Bộ mã hóa ngôn ngữ nhận câu mô tả, phân tích cấu trúc ngữ pháp, xác định vật thể chính, thuộc tính và quan hệ không gian trong câu. Mô-đun căn chỉnh sẽ so khớp đặc trưng thị giác với đặc trưng ngôn ngữ, tìm vùng ảnh phù hợp nhất với mô tả, rồi dự đoán hộp bao quanh và mặt nạ phân đoạn cho vật thể đó.
Điểm khó nhất trong grounding là xử lý mô tả mơ hồ và mô tả có nhiều vật thể tương tự. Ví dụ, ảnh có ba chiếc xe màu trắng, câu mô tả là “chiếc xe trắng đang đỗ gần cây xanh”. Mô hình phải hiểu “đang đỗ” khác “đang chạy”, hiểu “gần cây xanh” là quan hệ không gian, và loại trừ hai chiếc xe trắng còn lại. Để làm được điều này, mô hình cần học không chỉ đặc trưng của từng vật thể riêng lẻ, mà còn học quan hệ giữa các vật thể với nhau. Đây là lý do dữ liệu huấn luyện grounding cần được gắn nhãn rất chi tiết, với nhiều câu mô tả khác nhau cho cùng một ảnh, mỗi câu nhấn mạnh một khía cạnh khác nhau.
Một điểm kỹ thuật quan trọng khác là độ phân giải. Grounding yêu cầu định vị chính xác, vì vậy mô hình cần xử lý ảnh ở độ phân giải đủ cao để phân biệt các vật thể nhỏ hay vật thể ở xa. Tuy nhiên, độ phân giải cao đồng nghĩa với chi phí tính toán lớn. Các mô hình perception chuyên biệt thường có kỹ thuật tối ưu để cân bằng giữa độ phân giải và tốc độ, ví dụ chỉ tăng độ phân giải ở vùng ảnh quan trọng, hay dùng cơ chế chú ý để tập trung vào vùng có vật thể được mô tả. Đây là những tối ưu mà mô hình tổng quát ít đầu tư, vì mục tiêu của chúng không phải là định vị chính xác đến từng pixel.
Về dữ liệu huấn luyện, một mô hình grounding tốt cần ba loại dữ liệu: ảnh – văn bản tổng quát từ internet để học kiến thức chung, dữ liệu grounding chuyên biệt với hộp bao quanh và câu mô tả chi tiết để học căn chỉnh, và dữ liệu chuyên ngành như ảnh đường phố, ảnh nhà xưởng hay ảnh y tế để học bối cảnh cụ thể. Xpeng có lợi thế ở loại dữ liệu thứ ba, nhờ đội xe thực tế thu thập ảnh đường phố liên tục. Đây là lợi thế mà một công ty AI chỉ có dữ liệu internet khó bắt kịp.
Người dùng không cần hiểu sâu mọi chi tiết kiến trúc để dùng GroundingPI, nhưng hiểu nguyên lý chung sẽ giúp bạn dùng đúng. Bạn sẽ biết vì sao mô hình cần câu mô tả rõ ràng, vì sao ảnh chất lượng tốt cho kết quả tốt hơn, và vì sao mô hình có thể sai khi ảnh có quá nhiều vật thể giống nhau hay khi câu mô tả quá mơ hồ. Khi bạn viết câu mô tả càng cụ thể, ví dụ thêm màu sắc, vị trí, hành động và quan hệ không gian, mô hình càng dễ tìm đúng vật thể.
Ứng dụng thực tế: xe tự lái, robot, camera và nhà máy
Ứng dụng rõ ràng nhất của GroundingPI là xe tự lái. Xe tự lái cần hiểu lệnh của người lái và hành khách bằng ngôn ngữ tự nhiên, đồng thời nhận diện chính xác vật thể trên đường. Ví dụ, hành khách nói “dừng lại sau chiếc xe buýt màu vàng phía trước”, xe cần grounding đúng chiếc xe buýt đó, tính khoảng cách, rồi quyết định điểm dừng an toàn. Hay hệ thống giám sát nói “cảnh báo khi có người đi bộ băng qua ở phía bên trái ngã tư”, xe cần theo dõi đúng khu vực đó trong video thời gian thực. GroundingPI, với khả năng chạy nhanh trên thiết bị biên, phù hợp với những tác vụ này hơn một mô hình lớn chạy trên đám mây.
Ứng dụng thứ hai là robot. Robot trong kho, trong nhà máy hay trong gia đình thường nhận lệnh bằng ngôn ngữ tự nhiên như “lấy hộp đỏ trên kệ thứ hai từ trên xuống” hay “mang cốc nước trên bàn bếp lại đây”. Robot cần nhìn thấy môi trường xung quanh, grounding đúng vật thể được nhắc đến, rồi lập kế hoạch di chuyển tay gắp tới đúng vị trí. Một lỗi grounding nhỏ có thể khiến robot lấy nhầm hộp, làm đổ cốc nước hay va chạm với đồ vật khác. Mô hình perception chuyên biệt, nhỏ và nhanh giúp robot phản hồi kịp thời và an toàn hơn.
Ứng dụng thứ ba là camera giám sát và an ninh. Hệ thống camera hiện đại không chỉ ghi hình mà còn phải hiểu hình ảnh: phát hiện người lạ đi vào khu vực cấm, phát hiện hành vi bất thường, hay tìm kiếm một người cụ thể trong hàng giờ video. Với grounding, người vận hành có thể tìm kiếm bằng câu nói tự nhiên như “tìm người đàn ông mặc áo khoác đen đội mũ đỏ xuất hiện ở cổng sau lúc 9 giờ tối”, thay vì phải xem lại toàn bộ video. GroundingPI có thể giúp hệ thống giám sát tìm đúng người trong video nhanh hơn, chính xác hơn, và giảm khối lượng công việc thủ công.
Ứng dụng thứ tư là kiểm tra chất lượng trong nhà máy. Trong sản xuất, việc kiểm tra sản phẩm lỗi thường dựa vào thị giác máy tính: phát hiện vết xước, vết nứt, linh kiện thiếu hay lắp sai vị trí. Với grounding, kỹ sư có thể mô tả lỗi bằng ngôn ngữ như “vết nứt dài ở góc trên bên trái của tấm kính” và yêu cầu mô hình tìm đúng vị trí lỗi trên ảnh chụp sản phẩm. Điều này giúp hệ thống kiểm tra linh hoạt hơn, không cần huấn luyện lại mô hình mỗi khi có loại lỗi mới, mà chỉ cần thay câu mô tả. Với doanh nghiệp sản xuất tại Việt Nam, đây là ứng dụng rất thiết thực, vì nó giảm chi phí kiểm tra thủ công và tăng độ nhất quán.
Ngoài bốn ứng dụng trên, GroundingPI còn có thể dùng trong bán lẻ, nông nghiệp, y tế và giáo dục. Trong bán lẻ, mô hình có thể tìm sản phẩm trên kệ theo mô tả của khách hàng. Trong nông nghiệp, mô hình có thể phát hiện cây bị bệnh qua ảnh chụp từ drone. Trong y tế, mô hình có thể hỗ trợ bác sĩ xác định vùng tổn thương trên ảnh chụp theo mô tả lâm sàng, dù ứng dụng y tế cần kiểm chứng rất nghiêm ngặt trước khi dùng thực tế. Trong giáo dục, mô hình có thể giúp học sinh tìm chi tiết trong ảnh minh họa theo câu hỏi của giáo viên. Điểm chung của các ứng dụng này là đều cần gắn ngôn ngữ với vùng ảnh một cách chính xác và nhanh chóng.
Hướng dẫn dùng thử GroundingPI mã nguồn mở
Vì GroundingPI là mã nguồn mở, bạn có thể dùng thử mà không cần chờ phê duyệt hay trả phí API. Quy trình dùng thử cơ bản gồm năm bước. Bước một là tìm kho mã nguồn chính thức do Xpeng công bố, đọc kỹ giấy phép, yêu cầu phần cứng và hướng dẫn cài đặt. Chỉ tải mô hình từ nguồn chính thức hoặc nguồn được Xpeng xác nhận, tránh tải từ nguồn không rõ ràng có thể chứa mã độc hay mô hình đã bị chỉnh sửa.
Bước hai là chuẩn bị môi trường. GroundingPI 4B có thể chạy trên một GPU tầm trung, nhưng bạn vẫn cần cài đặt đúng phiên bản thư viện, driver và môi trường Python theo hướng dẫn. Nếu bạn chưa quen với việc chạy mô hình AI trên máy local, bạn có thể bắt đầu bằng bản demo trực tuyến nếu Xpeng cung cấp, để thử nhanh mà không cần cài đặt. Bản demo giúp bạn hiểu khả năng của mô hình trước khi đầu tư thời gian cài đặt.
Bước ba là thử với ảnh mẫu. Hãy thử với ảnh đường phố, ảnh trong nhà, ảnh sản phẩm và ảnh nhà xưởng. Với mỗi ảnh, hãy thử các câu mô tả từ đơn giản đến phức tạp: bắt đầu bằng “chiếc xe đỏ”, rồi thử “chiếc xe đỏ đang đỗ bên phải”, rồi thử “chiếc xe đỏ đang đỗ bên phải, phía sau cột đèn”. Ghi lại trường hợp nào mô hình trả lời đúng, trường hợp nào sai, và câu mô tả càng chi tiết thì kết quả càng tốt đến mức nào. Đây là cách nhanh nhất để hiểu giới hạn của mô hình.
Bước bốn là thử với dữ liệu của chính bạn. Đây là bước quan trọng nhất. Ảnh trên mạng và ảnh benchmark thường sạch và đẹp. Ảnh thực tế của bạn có thể mờ, thiếu sáng, chụp góc lạ, hay có nhiều vật thể chồng lấn. Hãy chụp ảnh trong môi trường thật của bạn, ví dụ ảnh kho hàng, ảnh dây chuyền sản xuất hay ảnh đường phố Việt Nam, rồi thử grounding với câu mô tả bằng tiếng Việt và tiếng Anh. Kết quả trên dữ liệu của bạn mới là kết quả đáng tin để quyết định có dùng mô hình vào sản phẩm hay không.
Bước năm là đo hiệu năng. Ngoài độ chính xác, hãy đo tốc độ xử lý mỗi ảnh, độ trễ, mức sử dụng bộ nhớ GPU và mức tiêu thụ điện. Với xe tự lái hay robot, tốc độ quan trọng không kém độ chính xác. Một mô hình chính xác nhưng chậm có thể không dùng được trong thời gian thực. Hãy thử với video, không chỉ ảnh tĩnh, để xem mô hình có ổn định qua các khung hình liên tiếp hay không, và có bị nhấp nháy hộp bao quanh hay không.
Checklist trước khi đưa GroundingPI vào sản phẩm thật
- Xác định rõ tác vụ: grounding cho xe, robot, camera hay kiểm tra chất lượng, và tiêu chí thành công là gì.
- Thử với dữ liệu thật của bạn, không chỉ dữ liệu mẫu hay benchmark.
- Đo cả độ chính xác và tốc độ, độ trễ, bộ nhớ trong điều kiện triển khai thật.
- Kiểm tra giấy phép mã nguồn mở: có được dùng thương mại hay không, có cần ghi nguồn hay không.
- Có phương án dự phòng khi mô hình grounding sai: cảnh báo người dùng, yêu cầu xác nhận, hay chuyển sang xử lý thủ công.
- Đánh giá rủi ro an toàn: lỗi grounding trong xe tự lái hay robot có thể gây hậu quả nghiêm trọng, cần có lớp kiểm tra an toàn độc lập.
- Lập kế hoạch tinh chỉnh: có cần huấn luyện thêm trên dữ liệu của bạn để tăng độ chính xác hay không.
GroundingPI có ý nghĩa gì với cộng đồng AI và doanh nghiệp Việt?
Với cộng đồng AI, GroundingPI là minh chứng cho xu hướng “mô hình nhỏ chuyên biệt mã nguồn mở” đang lên. Trong vài năm gần đây, cộng đồng đã chứng kiến nhiều mô hình nhỏ, mở, chuyên biệt đạt kết quả rất tốt trong lĩnh vực của mình, từ mô hình ngôn ngữ nhỏ chạy trên điện thoại đến mô hình thị giác nhỏ chạy trên thiết bị biên. GroundingPI tiếp nối xu hướng này, và cho thấy một hãng xe có thể đóng góp mô hình AI có giá trị cho cộng đồng, không chỉ dùng AI cho riêng mình.
Với doanh nghiệp Việt, GroundingPI mở ra cơ hội thử nghiệm perception chất lượng cao với chi phí thấp. Trước đây, để làm xe tự lái, robot hay kiểm tra chất lượng bằng AI, doanh nghiệp Việt thường phải dùng mô hình đóng qua API với chi phí cao, hoặc tự huấn luyện mô hình từ đầu với chi phí còn cao hơn. Nay với một mô hình 4B mã nguồn mở, doanh nghiệp có thể tải về, chạy thử, tinh chỉnh trên dữ liệu của mình, và triển khai trên phần cứng sẵn có. Đây là cơ hội đặc biệt tốt cho startup và doanh nghiệp vừa và nhỏ, những đơn vị không có ngân sách lớn cho AI.
Tuy nhiên, doanh nghiệp Việt cũng cần tỉnh táo. Mã nguồn mở không có nghĩa là miễn phí hoàn toàn. Bạn vẫn cần chi phí phần cứng, chi phí nhân sự để triển khai và bảo trì, chi phí kiểm thử an toàn và chi phí tuân thủ quy định. Một mô hình perception dùng trong xe tự lái hay robot cần được kiểm thử rất kỹ trước khi đưa vào vận hành thật, vì lỗi có thể gây tai nạn. Doanh nghiệp nên bắt đầu từ ứng dụng rủi ro thấp như kiểm tra chất lượng hay tìm kiếm video, trước khi nghĩ đến ứng dụng rủi ro cao như xe tự lái.
Với sinh viên và nhà nghiên cứu Việt Nam, GroundingPI là tài liệu học tập quý giá. Bạn có thể đọc mã nguồn, xem kiến trúc, thử huấn luyện lại trên dữ liệu nhỏ, và hiểu cách một mô hình perception hiện đại được xây dựng. Đây là cách học nhanh hơn nhiều so với chỉ đọc bài báo khoa học. Nếu bạn đang làm luận văn về thị giác máy tính, mô hình ngôn ngữ – thị giác hay xe tự lái, GroundingPI là điểm khởi đầu rất tốt.
Câu hỏi thường gặp (FAQs)
GroundingPI là gì?
GroundingPI là mô hình perception mã nguồn mở do hãng xe điện Trung Quốc Xpeng công bố ngày 4/11/2026, với quy mô 4 tỷ tham số. GroundingPI giúp máy hiểu câu mô tả bằng ngôn ngữ tự nhiên và tìm đúng vùng ảnh chứa vật thể được mô tả, ví dụ khoanh đúng “chiếc xe đỏ bên trái” trong ảnh đường phố. Mô hình này được thiết kế cho xe tự lái, robot, camera giám sát và kiểm tra chất lượng, nơi cần định vị vật thể chính xác và nhanh chóng.
Grounding trong AI nghĩa là gì?
Grounding trong AI là khả năng gắn một mô tả ngôn ngữ với vùng ảnh cụ thể. Khi bạn nói “người mặc áo vàng đang cầm ô”, mô hình grounding phải chỉ đúng người đó trong ảnh bằng hộp bao quanh hay mặt nạ phân đoạn. Grounding khác với nhận diện vật thể truyền thống ở chỗ nó hiểu câu nói tự do của con người, không chỉ nhận diện danh sách vật thể cố định. Grounding là cầu nối giữa ngôn ngữ và thị giác, giúp con người ra lệnh cho máy bằng lời nói tự nhiên.
Vì sao mô hình 4B nhỏ mà có thể vượt GPT-6 Astra?
Mô hình 4B nhỏ mà mạnh vì nó chuyên biệt cho perception và grounding, được huấn luyện trên dữ liệu lái xe thực tế của Xpeng và tối ưu kiến trúc cho định vị chính xác. Theo công bố của Xpeng, GroundingPI vượt GPT-6 Astra trên bộ 34 benchmark. Mô hình tổng quát lớn làm nhiều việc nhưng không nhất thiết tốt nhất ở từng việc cụ thể, trong khi mô hình chuyên biệt tập trung toàn bộ tham số và dữ liệu cho đúng tác vụ của nó. Tuy nhiên, số liệu này là do hãng công bố và cần kiểm chứng độc lập trước khi coi là kết luận cuối cùng.
34 benchmark của GroundingPI cần hiểu thế nào?
34 benchmark là bộ 34 bài kiểm tra chuẩn mà Xpeng dùng để so sánh GroundingPI với GPT-6 Astra, theo công bố của hãng. Bạn cần đọc danh sách đầy đủ 34 benchmark đó là gì, mỗi benchmark đo điều gì và mức chênh lệch điểm là bao nhiêu, thay vì chỉ nghe con số 34. Một mô hình có thể thắng lớn trên benchmark này nhưng thua trên benchmark khác. Bạn cũng nên tìm đánh giá độc lập và chạy thử với dữ liệu của chính mình, vì benchmark không đo hết tốc độ, độ trễ, độ ổn định trong điều kiện khó và khả năng xử lý trường hợp biên.
GroundingPI khác mô hình đa phương thức lớn như thế nào?
GroundingPI khác mô hình đa phương thức lớn ở mục tiêu, quy mô và cách triển khai. GroundingPI là mô hình chuyên biệt 4B, mã nguồn mở, tối ưu cho grounding và định vị chính xác, chạy nhanh trên thiết bị biên và GPU tầm trung. Mô hình đa phương thức lớn như GPT-6 Astra là mô hình tổng quát, đóng, dùng qua API, mạnh về suy luận đa năng và kiến thức chung nhưng có thể kém chính xác hơn trong định vị chi tiết và tốn kém hơn khi chạy thời gian thực. Hai loại mô hình này bổ sung cho nhau: mô hình chuyên biệt nhận thức thế giới, mô hình tổng quát suy luận và giao tiếp.
GroundingPI dùng để làm gì trong thực tế?
GroundingPI dùng cho xe tự lái, robot, camera giám sát và kiểm tra chất lượng nhà máy. Trong xe tự lái, nó giúp xe hiểu lệnh bằng ngôn ngữ và xác định đúng vật thể trên đường. Trong robot, nó giúp robot lấy đúng vật thể được mô tả. Trong camera giám sát, nó giúp tìm người hay vật thể cụ thể trong video bằng câu nói tự nhiên. Trong nhà máy, nó giúp phát hiện vị trí lỗi sản phẩm theo mô tả của kỹ sư. Ngoài ra, nó còn có thể dùng trong bán lẻ, nông nghiệp, y tế và giáo dục, nơi cần gắn ngôn ngữ với vùng ảnh.
Làm thế nào để dùng thử GroundingPI mã nguồn mở?
Để dùng thử GroundingPI, bạn tìm kho mã nguồn chính thức do Xpeng công bố, đọc kỹ giấy phép và hướng dẫn cài đặt, chuẩn bị GPU tầm trung và môi trường theo hướng dẫn. Bạn nên thử trước với ảnh mẫu và câu mô tả từ đơn giản đến phức tạp, rồi thử với dữ liệu thật của chính bạn như ảnh kho hàng, ảnh nhà xưởng hay ảnh đường phố Việt Nam. Bạn cần đo cả độ chính xác và tốc độ, độ trễ, bộ nhớ, và kiểm tra giấy phép thương mại trước khi đưa mô hình vào sản phẩm thật. Chỉ tải mô hình từ nguồn chính thức để tránh mã độc.
Doanh nghiệp Việt có nên dùng GroundingPI ngay không?
Doanh nghiệp Việt nên dùng thử GroundingPI nghiêm túc, nhưng không nên đưa ngay vào ứng dụng rủi ro cao mà chưa kiểm thử kỹ. Bạn nên bắt đầu từ ứng dụng rủi ro thấp như kiểm tra chất lượng, tìm kiếm video hay hỗ trợ bán lẻ, thử với dữ liệu thật của mình và đo hiệu năng trong điều kiện triển khai thật. Bạn cần kiểm tra giấy phép mã nguồn mở, có phương án dự phòng khi mô hình grounding sai, và đánh giá rủi ro an toàn, đặc biệt với xe tự lái hay robot. Mã nguồn mở giúp giảm chi phí thử nghiệm, nhưng không thay thế kiểm thử an toàn và tuân thủ quy định.
GroundingPI cho thấy tương lai của AI vật lý không chỉ thuộc về mô hình lớn nhất, mà còn thuộc về mô hình hiểu đúng tác vụ, chạy đủ nhanh và mở đủ để cộng đồng cùng cải tiến. Một mô hình 4B chuyên biệt, mã nguồn mở, vượt mô hình lớn trên 34 benchmark theo công bố của hãng là tín hiệu đáng để cả giới nghiên cứu và doanh nghiệp Việt quan tâm. Cách tiếp cận đúng là dùng thử với dữ liệu thật, kiểm chứng độc lập và chọn mô hình theo tác vụ cụ thể, thay vì chạy theo con số benchmark.
Liên hệ AIA hotline 0939 936 168 để được tư vấn giải pháp AI phù hợp cho doanh nghiệp của bạn.
