Liệu các mô hình tiên tiến có thể nhìn thấu yếu tố đánh lạc hướng? Elorian kiểm tra năng lực suy luận thị giác

Trong tháng này, Elorian đã ra mắt mô hình suy luận thị giác đầu tiên mang tên Glimpse. Sản phẩm được giới thiệu là "một danh mục mô hình tư duy thị giác hoàn toàn mới: hệ thống có khả năng suy luận về thế giới vật lý từ những gì quan sát được". Xem bài viết trên X ↗ Vậy Glimpse thể hiện ra sao so với các mô hình tiên phong (frontier models) và mô hình thế giới (world models) trong các bài kiểm tra thị giác? Bộ tiêu chuẩn đánh giá mới mang tên DecoyCount, do Elorian đồng phát hành, đã đưa ra một số câu trả lời. Phóng viên đã phỏng vấn Tổng Giám đốc (CEO) Andrew Dai về bộ tiêu chuẩn này, đồng thời trao đổi về định vị của Elorian trong bối cảnh thị trường mô hình AI đang cạnh tranh gay gắt. Kết quả từ DecoyCount Elorian chính thức công bố hoạt động vào tháng 4 với 55 triệu USD vốn hạt giống, do Striker Venture Partners, Menlo Ventures và Altimeter Capital đồng dẫn dắt. Hiện tại, thông qua hợp tác với công ty dữ liệu AI Mercor, Elorian công bố bộ tiêu chuẩn DecoyCount nhằm kiểm tra xem các mô hình ngôn ngữ có thực sự đếm vật thể hay chỉ dựa vào các lối tắt thị giác và quy tắc kinh nghiệm thay thế. Theo bài báo nghiên cứu đi kèm bản phát hành, các mô hình tiên phong đều đạt độ chính xác dưới 50% trên DecoyCount, trong đó mô hình cao nhất là GPT-6 Astra với 43,17%. Mô hình mới của Elorian không được đề cập trong bài báo, nhưng ông Dai cho biết Glimpse đạt 50,48% trong thử nghiệm nội bộ. Đánh giá về các mô hình tiên phong, nghiên cứu kết luận rằng "khả năng suy luận tổng quát mạnh hơn tự thân nó không đồng nghĩa với việc mở rộng sang suy luận thị giác tương thích". Cơ chế hoạt động của bộ tiêu chuẩn: "DecoyCount chỉ ra các lỗi đếm có thể diễn giải được trên bảy cơ chế." Để bảo đảm tính tương đồng khi so sánh với các mô hình tiên phong, chúng tôi đã đặt câu hỏi liệu các hình ảnh đánh giá trong nghiên cứu có được loại trừ khỏi dữ liệu huấn luyện của Glimpse hay không. "Toàn bộ hình ảnh và văn bản đánh giá đều được loại trừ khỏi quá trình huấn luyện, và quy trình kiểm tra nhiễm chéo dữ liệu không ghi nhận sự trùng lặp nào trong tập dữ liệu được kiểm tra," ông Dai trả lời qua thư điện tử. "Khi không có bất kỳ gợi ý nào, Glimpse đạt 50,48% trên 1.660 mục đánh giá của DecoyCount, trở thành mô hình duy nhất trong nhóm so sánh vượt mốc 50%. Xếp gần nhất là GPT-6 Astra với 43,17%, kém khoảng 7 điểm phần trăm; Gemini-3.8-flash đạt 32,71%, Qwen3.8-max đạt 28,31%, và Claude-Fable-5.1 đạt 25,22%." Ông Dai lưu ý rằng kết quả của Glimpse "được ghi nhận từ một lần chạy độc lập duy nhất của mô hình, không sử dụng agent hay công cụ hỗ trợ nào", trong khi kết quả của sáu mô hình trong bài báo là mức trung bình qua ba lần chạy theo cấu hình được công bố. Kết quả thử nghiệm DecoyCount đối với các mô hình tiên phong qua ba lần chạy. Tuy nhiên, DecoyCount chỉ ra điều gì mà các bộ tiêu chuẩn hiện tại bỏ qua? Theo ông Dai, công cụ này đánh giá đồng thời cả khả năng thị giác lẫn suy luận — yếu tố mà hầu hết các bộ tiêu chuẩn hiện nay lược bỏ. "Khi nhìn thấy một quả táo trước gương, con người nhận thức rõ chỉ có một quả táo và hình ảnh phản chiếu của nó. Tuy nhiên, một mô hình có thể bỏ sót hoàn toàn quả táo (lỗi thị giác) hoặc đếm quả táo cùng hình ảnh phản chiếu thành hai (lỗi suy luận). Phần lớn các bộ tiêu chuẩn kiểm tra lỗi này chỉ đối chiếu con số cuối cùng, khiến cả hai loại sai sót bị đánh đồng. Đây là trở ngại nếu muốn khắc phục tận gốc vấn đề mà không thể phân định đó là sai sót về thị giác hay phán đoán." So sánh các mô hình tiên phong trong nghiên cứu DecoyCount Bản chất của tư duy thị giác là gì? Andrew Dai không phải là nhân vật mới trong lĩnh vực AI. Năm 2015, trong thời gian làm việc tại Google, ông là đồng tác giả của bài báo khoa học mang tên "Semi-supervised sequence learning". Trong nghiên cứu này, ông Dai và đồng nghiệp khi đó là Quoc Le đã chứng minh một phiên bản sơ khởi của phương pháp tiền huấn luyện kết hợp tinh chỉnh (pretrain-then-fine-tune), phương pháp sau này được áp dụng rộng rãi trên các mô hình ngôn ngữ lớn. Trong một thập kỷ tiếp theo, ông Dai công tác tại Google DeepMind, tham gia phát triển GLaM MoE, PaLM 2 và sau đó là Gemini. Ông Dai rời Google trong năm nay để đồng sáng lập Elorian. Một phần động lực của ông là mở rộng các giới hạn năng lực của các mô hình thị giác. Chia sẻ với Latent Space, ông cho biết phương pháp tiếp cận của mình dựa trên một khái niệm trong tâm lý học con người mang tên tư duy trực quan (visual thinking). Ông giải thích, khi đa số mọi người “suy nghĩ về các vấn đề không gian hoặc thị giác, họ hình dung vấn đề [bằng cách] tạo lập và chỉnh sửa hình ảnh trong tâm trí”. Ông dẫn chứng ví dụ về việc mua một chiếc ghế sofa và hình dung trong đầu vật dụng đó sẽ trông như thế nào khi đặt trong phòng khách. Vòng lặp suy luận trực quan mang tính khái niệm Ông Dai cho biết, con người cũng thao tác với hình ảnh trong tâm trí; đơn cử như khi đếm số người ngồi quanh bàn, người ta có thể “lần lượt gạch tên từng người” trong suy nghĩ. Đây chính là mục tiêu Elorian hướng tới đối với các mô hình của mình: rèn luyện cho chúng tư duy trực quan “bao gồm việc tạo lập và chỉnh sửa hình ảnh như một phần của chuỗi suy luận, song hành cùng ngôn ngữ”. Điểm mấu chốt là việc tạo lập hình ảnh không đơn thuần là kết quả đầu ra của một mô hình thị giác, mà hình ảnh được tạo hoặc chỉnh sửa đó chính là một mắt xích trong chuỗi suy luận. Sự khác biệt giữa Elorian và các mô hình thế giới (World Models) Suy luận trực quan vẫn đang trong quá trình phát triển, song năm nay đã chứng kiến một số đợt ra mắt ấn tượng của các “mô hình thế giới” (world models) — nơi thị giác đóng vai trò là thành phần then chốt. Nổi bật nhất là mô hình Atlas của World Labs vào tháng 9 (công ty này sau đó đã được AMD mua lại) và mô hình Genie 4 vừa được Google công bố. Khi World Labs giới thiệu Atlas, mô hình này được mô tả là “mô hình thế giới toàn năng cho trí tuệ không gian”. Tuy nhiên, khả năng của Atlas — về cơ bản là mô phỏng 3D một thế giới — không đồng nhất với suy luận trực quan. Theo ông Dai, các mô hình thế giới cho phép “tác động trực tiếp lên một thế giới”, trong khi Elorian tập trung nhiều hơn vào điều ông gọi là “tác động gián tiếp”. Khái niệm này đồng nghĩa với việc sử dụng suy luận trực quan để hỗ trợ ra quyết định hoặc quy trình làm việc (như cách Glimpse vận hành), thay vì xây dựng các môi trường mô phỏng cho phép điều hướng và thao tác (như cách Atlas thực hiện). Chẳng hạn, công nghệ này có thể sử dụng suy luận trực quan để quyết định từ chối một video do người dùng cung cấp vì vi phạm chính sách. Ông Dai nhận định: “Người ta không cần kết xuất đồ họa 3D để thực hiện việc đó”. Ứng dụng của suy luận trực quan Các cơ hội thương mại khác của Elorian bao gồm các ứng dụng trong lĩnh vực chế tạo robot, kỹ thuật và quốc phòng. Ông Dai cho biết thêm, các kiến trúc sư thường xuyên phải kiểm tra quy chuẩn xây dựng và tính tuân thủ — một nhiệm vụ lý tưởng cho mô hình suy luận thị giác. Trong hai bài kiểm chuẩn robot WGO Bench và ERQA, Elorian khẳng định đạt kết quả ngang bằng hoặc vượt trội so với các mô hình tiên tiến hàng đầu, với mức chi phí thấp hơn đáng kể: Nguồn