Ghi chú biên tập STALI: Phân tích này phản ánh thông tin được cập nhật ngày 07/10/2026. Các mốc phát hành, benchmark và giá nhà cung cấp trong bài được trình bày theo bối cảnh thời điểm đó. Đối chiếu mô hình và mức phí hiện hành tại bảng giá STALI trước khi triển khai.
Các bản phát hành mô hình open-weight một thời gian qua chủ yếu đến từ các phòng lab Trung Quốc, với họ GLM, Kimi, Qwen và DeepSeek nắm giữ các điểm số dẫn đầu ở các bài đánh giá coding tác vụ.
Beam của Reflection AI, được công bố ngày 5 tháng 10 năm 2026, đưa ra thông điệp rõ ràng: đẩy mạnh cái mà phòng lab gọi là “biên giới open-weight của phương Tây” và cạnh tranh về hiệu quả suy luận thay vì năng lực đỉnh.
Trong bài viết này, tôi sẽ trình bày Beam của Reflection AI là gì, những tính năng quan trọng cho công việc hàng ngày, cách nó so với Kimi K3, DeepSeek V4.1 Flash và dòng GLM 5.x trên các benchmark, cùng với những gì bạn có và chưa thể làm với nó hôm nay. Tôi cũng khuyến nghị bạn xem hướng dẫn về một mô hình mới khác, Kolibri 1, cùng các hướng dẫn về Kimi K3 và DeepSeek V4.1 Flash vs Gemini 3.8 Flash.
Tóm tắt nhanh
- Beam là mô hình open-weight đầu tiên của Reflection AI, một mô hình mixture-of-experts (MoE) 501B tham số nhưng chỉ dùng 23B tham số cho mỗi token tạo ra.
- Điểm bán là trí tuệ trên mỗi token, không phải năng lực đỉnh: Reflection nói Beam sánh ngang GLM 5.2 về suy luận trong khi dùng ít hơn 3–4 lần compute suy luận.
- Kimi K3 vẫn dẫn đầu về năng lực thô, và DeepSeek V4.1 Flash đạt điểm cao nhất ở các benchmark đơn lẻ như Terminal-Bench v2.1 và DeepSWE.
- Weights được hứa hẹn phát hành theo Apache 2.0 vào cuối tháng 10/2026, nên hiện bạn chưa thể tự host, lượng tử hóa (quantize) hoặc fine-tune.
Reflection AI's Beam là gì?
Beam là mô hình mixture-of-experts thưa (sparse) 501 tỷ tham số từ Reflection AI, xây dựng cho coding, suy luận và các tác vụ agentic. Chỉ 23 tỷ trong số đó hoạt động trên mỗi token bất kỳ.
Đây là bản phát hành open-weight đầu tiên của phòng lab và là mô hình mở đầu cho một chuỗi dự kiến.
Bên trong, Beam có 52 lớp, phân tán tri thức vào nhiều “chuyên gia” nhỏ (mỗi token chỉ chạy vài chuyên gia), và trộn giữa attention nhìn vào văn bản lân cận với attention bao quát toàn bộ đầu vào.
Tính thưa chính là toàn bộ luận điểm.
Một mô hình lớp 2T+ như Qwen 3.8-Max kích hoạt nhiều tham số hơn nhiều trên mỗi token, nên mỗi token sinh ra tốn compute cao hơn.
Cược của Reflection là dấu chân hoạt động 23B, được đẩy mạnh bằng học tăng cường (RL), sẽ đủ tiệm cận ở công việc coding và agentic để chênh lệch chi phí trở nên đáng giá.
Quy mô huấn luyện là nơi Reflection dồn lực. Tiền huấn luyện trên 23,8 nghìn tỷ token diễn ra chưa đầy 4 tuần trên 6.144 GPU NVIDIA GB300, với cụm đạt hiệu suất hữu ích 92,3% vào cuối chạy và 9 lần khởi động lại từ các checkpoint trước đó.
Pha RL sau đó chạy riêng trên 10.500 GB300 trong 4 tuần. Nó tạo hơn 100 triệu rollout (nỗ lực hoàn chỉnh cho một tác vụ) trên khoảng 1 triệu tác vụ coding, agentic và STEM đã tuyển chọn, dùng khoảng 1,3 tỷ môi trường sandbox để chạy và chấm điểm.
Reflection cũng báo cáo năng lực tiếp tục cải thiện khi compute RL tăng, không thấy dấu hiệu bão hòa vào cuối chạy. Đây là tuyên bố tôi muốn thấy được kiểm chứng bên ngoài nhất, vì nó làm nền cho phát biểu phòng lab rằng họ đã huấn luyện mô hình kế tiếp trong chuỗi.
Mô hình MoE mở cho lập trình, suy luận và tác nhân. Model ID: Beam-501B-A23B.
| Mục | Giá trị |
|---|---|
| Tổng tham số | 501B |
| Tham số hoạt động mỗi token | 23B |
| Kiến trúc | MoE thưa, 52 lớp, attention cục bộ và toàn cục |
| Ngữ cảnh huấn luyện | 1M token; API beta giới hạn 262K |
| Phương thức | Chỉ văn bản; không nhận ảnh hoặc âm thanh |
| Mức suy luận | low, medium, high, xhigh, max; không thể tắt hoàn toàn |
| Giấy phép dự kiến | Apache 2.0; trọng số hẹn phát hành cuối tháng 10/2026 |
| Truy cập tại thời điểm phân tích | API beta qua danh sách chờ; chưa công bố giá |
| Token tiền huấn luyện | 23,8 nghìn tỷ |
| GPU tiền huấn luyện | 6.144 NVIDIA GB300 |
| GPU giai đoạn RL | 10.500 NVIDIA GB300 |
| Rollout RL | Hơn 100 triệu |
Số liệu do Reflection AI báo cáo trong thông báo ngày 05/10/2026; giữ nguyên điều kiện và lịch dự kiến của bản phân tích gốc.
Tính năng chính của Beam
Beam chỉ hỗ trợ văn bản, không có đầu vào hình ảnh hoặc âm thanh.
Điểm nổi bật là một tập điều khiển và khả năng nhắm thẳng vào người vận hành các agent coding.
Núm điều chỉnh nỗ lực suy luận theo từng yêu cầu
Beam phơi lộ tham số nỗ lực suy luận, cho phép bạn chọn số lượng token “suy nghĩ” mỗi tác vụ nhận. API chấp nhận low, medium (mặc định), high, xhigh và max, nhưng không thể tắt suy luận hoàn toàn.
Thiết lập thấp ưu tiên phản hồi ngắn; thiết lập cao cho phép suy luận dài hơn cho bài toán khó.
Núm này là kết quả trực tiếp của cách Beam được huấn luyện.
Trong RL, Reflection dùng phạt độ dài có thể điều chỉnh, thưởng lời giải đúng đồng thời hạn chế token thừa. Họ báo cáo rằng giai đoạn đầu, hiệu suất tăng dù phản hồi thực ra ngắn hơn.
Về sau, khi năng lực agentic tăng, phản hồi lại dài ra và số token thêm vào tự “trả phí” cho chính nó.
Ngữ cảnh 1 triệu token cho công việc cả kho mã
Midtraining mở rộng ngữ cảnh hiệu dụng của Beam lên 1 triệu token, được huấn luyện trên kho mã có cấu trúc, tác vụ tầm xa và tài liệu dài.
Có hai lưu ý. Rollout RL chạy với ngữ cảnh tối đa 256K token, nên hành vi agentic của Beam được học ở mức bằng một phần tư, và API beta hiện giới hạn yêu cầu ở 262.144 token (gồm đầu vào và đầu ra), với đầu ra tối đa 131.072 token.
Ngữ cảnh dài “trên giấy” và trong thực tiễn là hai chuyện khác nhau. Beam đạt 65,5 trên LongBench v2 so với 66,3 của Qwen 3.8-Max và 64,0 của GLM 5.2, và 79,3 trên AA-LCR, nơi Kimi K3 đạt 88,7. Điều này khiến Beam hữu dụng cho đầu vào dài, nhưng không dẫn đầu nhóm.
Kỹ năng agentic chuyển tiếp sang tác vụ chưa từng huấn luyện
Kết quả thú vị nhất trong thông báo không liên quan đến bảng xếp hạng.
Trong một pha huấn luyện bao gồm suy luận, kỹ nghệ phần mềm và tác vụ terminal, hoàn toàn không có tác vụ duyệt web trong RL, điểm duyệt web của Beam vẫn tăng.
Khi có truy cập web, mô hình tự tìm ra cách truy vấn các mô hình ngôn ngữ khác và gọi API OCR để đọc tài liệu mà nó không nhìn thấy.
Bản demo của Reflection còn đi xa hơn: bản đồ tàu điện ngầm NYC trực tiếp từ dữ liệu công khai MTA, trò chơi rơi tự do 3D bằng p5.js xây dựng hoàn toàn qua văn bản, và một notebook fine-tuning Gemma 4 được ráp trong OpenCode từ tài liệu Unsloth, nâng độ chính xác kiểm thử giữ lại của Gemma thêm 66,5%.
Một bài kiểm tra khái quát hóa trong thông báo đáng nêu riêng vì khó có thể thấy trong dữ liệu huấn luyện.
Reflection tái tạo một câu đố lưới lan truyền trên X vài ngày trước khi ra mắt, yêu cầu Beam phân loại từng trong số 16.200 điểm trên lưới thế giới 180x90 cố định là đất hay nước. Beam đúng 95,5%, giữa Opus 5 ở 92,5% và Fable 5 ở 97,8%.
RL bất đồng bộ với độ trễ đến một ngày
Beam được huấn luyện bằng RL bất đồng bộ, nghĩa là mô hình tiếp tục tạo rollout khi cập nhật huấn luyện diễn ra song song, thay vì chờ nhau. Do đó, một rollout dài có thể chứa token sinh ra bởi vài phiên bản mô hình khác nhau.
Reflection báo cáo học ổn định ngay cả khi mẫu cũ nhất của một batch đến từ phiên bản mô hình chậm hơn 107 bản cập nhật so với hiện tại, tức trễ khoảng một ngày.
Các con số hạ tầng đáng xem nếu bạn xây hệ thống RL:
- 110K rollout đồng thời trung bình, tối đa 170K sandbox đồng thời
- Khoảng 12 giây (trung vị) để weights mới tới máy chủ suy luận
- 71 sự cố suy luận được xử lý mà không dừng job huấn luyện
Open weights theo Apache 2.0, kèm cả ngăn xếp xung quanh
Reflection nói sẽ công bố weights của Beam theo Apache 2.0 vào cuối tháng 10/2026, kèm báo cáo kỹ thuật, model card, tài liệu và công cụ để chạy, đánh giá và fine-tune mô hình.
Họ cũng dự định mã nguồn mở các bài đánh giá an toàn nội bộ đã xây dựng, điều hiếm gặp hơn cả việc thả weights.
Apache 2.0 gần như thoáng nhất: cho phép thương mại, phân phối và sửa đổi, không ràng buộc ngưỡng người dùng hay doanh thu.
Điều này quan trọng vì Kimi K3 và DeepSeek V4.1 Flash đã đặt kỳ vọng cho những gì một mô hình mở nên cho phép bạn làm, và một giấy phép hạn chế sẽ loại Beam khỏi cuộc chơi.
Beam thể hiện ra sao trên các benchmark?
Beam hạ cánh gần vị trí của GLM 5.2 trên hầu hết đánh giá, vượt xa Inkling và Nemotron 3 Ultra, và rõ ràng thua Kimi K3, GLM 5.3 và DeepSeek V4.1 Flash ở các tác vụ coding tác vụ khó nhất.
Reflection nói thẳng về điều này, đóng khung lợi thế của Beam là hiệu quả chứ không phải năng lực đỉnh.
Tất cả số liệu dưới đây do nhà cung cấp báo cáo, với điểm của đối thủ được Reflection lấy từ Artificial Analysis và DataCurve.
| Mô hình | Terminal-Bench v2.1 | DeepSWE v1.1 |
|---|---|---|
| Beam | 80,1 | 44,4 |
| GLM 5.2 | 81,0 | 44,0 |
| GLM 5.3 | 88,2 | 61,0 |
| Kimi K3 | 88,3 | 68,0 |
| DeepSeek V4.1 Flash | 90,6 | 74,2 |
| Mô hình | Compute (PFLOP) | Điểm HLE |
|---|---|---|
| Beam | 0,82 | 35,3% |
| Nemotron 3 Ultra | 1,9 | Khoảng 21% |
| Inkling | 4,1 | Khoảng 26% |
Reflection tuyên bố Beam cần compute suy luận thấp hơn 3–4 lần so với GLM 5.2 ở chất lượng suy luận tương đương. Đây là so sánh ước tính compute, không phải giá bán API hay chi phí phục vụ đo thực tế.
Số liệu do nhà cung cấp báo cáo. Compute = 2 × tham số hoạt động × số token sinh; không gồm xử lý prompt và chi phí phục vụ.
Coding và quy trình agentic
Con số coding tiêu đề của Beam là 80,9 trên SWE-bench Verified, so với 77,6 cho Inkling và 70,7 cho Nemotron 3 Ultra.
SWE-bench Verified là bộ vấn đề GitHub thực được con người kiểm tra, nơi mô hình phải viết bản vá qua được bộ kiểm thử gốc của dự án, và vẫn là benchmark đầu tiên đa số người thực hành kiểm tra.
Ở nơi khác, bức tranh kém tươi sáng.
So với những mô hình bạn thực sự sẽ cân nhắc, Beam kém trên mọi benchmark coding tác vụ nơi có điểm so sánh.
| Benchmark | Beam | GLM 5.2 | GLM 5.3 | Kimi K3 | DeepSeek V4.1 Flash |
|---|---|---|---|---|---|
| Terminal-Bench v2.1 | 80,1 | 81,0 | 88,2 | 88,3 | 90,6 |
| DeepSWE v1.1 | 44,4 | 44,0 | 61,0 | 68,0 | 74,2 |
| SWE-bench Pro v2-Hard | 77,2 | NR | 84,3 | 88,2 | NR |
| SWE Atlas Codebase QnA | 34,6 | NR | 61,0 | 68,0 | NR |
NR = không báo cáo.
Khoảng cách ở DeepSWE và SWE Atlas là lớn.
DeepSWE v1.1 kiểm tra kỹ nghệ phần mềm agentic nhiều bước thay vì sửa lỗi đơn lẻ, và khoảng cách 29,8 điểm so với DeepSeek V4.1 Flash không phải chuyện làm tròn số.
Trên SWE-bench Pro v1, điểm 65,5 của Beam vượt GLM 5.2 ở mức 62,1 và ngay dưới Qwen 3.8-Max ở 67,7.
Suy luận và tri thức
Trên Humanity's Last Exam (HLE) không dùng công cụ, Beam đạt 36,2 so với 40,5 của GLM 5.2, 42,3 của GLM 5.3, 43,6 của Qwen 3.8-Max và 46,9 của Kimi K3.
HLE là bộ câu hỏi do chuyên gia viết, thiết kế để tìm kiếm và ghi nhớ ít hữu ích, và có xu hướng thưởng cho các mô hình lớn hơn trong nhóm này.
Các phần còn lại của bộ suy luận sít sao hơn:
- AIME 2026: Beam 97,8; Inkling 97,1; GLM 5.2 99,2
- GPQA Diamond: Beam 90,5; GLM 5.3 91,7; Kimi K3 93,5
- SciCode: Beam 49,7; Qwen 3.8-Max 52,1; Kimi K3 58,7
- CritPt: Beam 15,6; GLM 5.3 19,1; Kimi K3 23,4
Hầu như mọi mô hình ở đây đều sát trần trên AIME, nên nó không còn phân biệt được nữa, và chênh 3 điểm GPQA Diamond so với Kimi K3 không phải yếu tố quyết định triển khai sản xuất.
CritPt, một benchmark các bài toán vật lý mức nghiên cứu, là nơi khác biệt “đau”, với Kimi K3 cao hơn Beam khoảng 50%.
Gọi công cụ và tìm kiếm
Kết quả gọi công cụ của Beam là bộ không đều nhất.
Nó đạt 37,0 trên AutomationBench (bộ công khai), vượt GLM 5.2 ở 26,2 nhưng kém Kimi K3 ở 46,7 và DeepSeek V4.1 Flash ở 54,8. Trên MCP Atlas, nó đạt 78,7 so với 77,8 của GLM 5.2 và 84,5 của Qwen 3.8-Max.
Trên τ³-bench banking, Beam đạt 38,0 so với 37,1 của cả GLM 5.2 và Kimi K3, với Qwen 3.8-Max bỏ xa ở 55,2. Tìm kiếm là điểm yếu nhất: 77,4 trên BrowseComp và 80,1 trên DeepSearchQA với quản lý ngữ cảnh, so với 91,2 và 95,0 của Kimi K3. Nếu agent của bạn sống trên web mở, đây là khoảng cách đáng quan tâm.
Hiệu quả suy luận
Hiệu quả suy luận là con số Reflection thực sự muốn bạn nhìn.
Trên biểu đồ hiệu quả HLE của Reflection, Beam đạt 35,3% ở mức ước tính 0,82 PFLOP (nghìn tỷ tỷ phép tính dấu chấm động) compute cho mỗi lần thử, trong khi Inkling cần khoảng 4,1 PFLOP để đạt khoảng 26% và Nemotron 3 Ultra khoảng 1,9 PFLOP cho khoảng 21%.
Tuyên bố rộng hơn của Reflection là Beam sánh GLM 5.2 ở suy luận nâng cao với mức compute suy luận ít hơn 3–4 lần, với khoảng cách còn lớn hơn so với họ Qwen 3.8-Max lớp 2T+.
Đọc kỹ phương pháp: compute được ước tính bằng 2 lần số tham số hoạt động nhân với số token tạo trung bình mỗi lần thử. Nó bỏ qua chi phí xử lý prompt, chi phí attention bổ sung của ngữ cảnh dài và chi phí vận hành dịch vụ.
Đây là so sánh compute xấp xỉ, không phải chi phí triển khai đo đếm, và vì chỉ đếm tham số hoạt động, nó tự nhiên ưu ái các mô hình thưa như Beam.
Beam được căn chỉnh (alignment) như thế nào?
Reflection huấn luyện một mô hình an toàn và căn chỉnh riêng từ cùng checkpoint tiền huấn luyện, rồi kết hợp với mô hình chính được RL huấn luyện bằng chưng cất on-policy nhiều giáo viên (MOPD), nơi một mô hình học sinh học từ cả hai “giáo viên” cùng lúc.
Các nguyên tắc căn chỉnh được tổ chức thành ba tầng:
- Quy tắc cứng mà mô hình không được phá vỡ
- Các phẩm chất nên thể hiện nhất quán, như thừa nhận sự không chắc chắn
- Phong cách tương tác mặc định: thẳng thắn, kỹ lưỡng và chủ động
Huấn luyện an toàn dùng căn chỉnh có suy xét (deliberative alignment), dạy mô hình suy luận qua chính sách an toàn trước khi trả lời. Một vòng lặp đối kháng tạo tấn công chống lại checkpoint mỗi vòng và đưa các tấn công thành công trở lại dữ liệu fine-tune có giám sát vòng kế tiếp.
Reflection cũng báo cáo họ có thể dự đoán RL cải thiện bao nhiêu cho các hành vi khó chấm, với tương quan r = 0,79, so với 0,46 khi dùng chuẩn Best-of-N đơn giản. Kết quả đánh giá an toàn được hứa hẹn trong báo cáo kỹ thuật thay vì công bố ngay.
Giá và khả dụng của Beam
Chưa có giá công bố cho Beam. Tài liệu nhà phát triển của Reflection đến ngày 6/10/2026 chưa có bảng giá theo token, khiến việc so sánh chi phí với các endpoint Kimi K3 hoặc DeepSeek V4.1 Flash được host là chưa thể.
Truy cập thông qua API beta mở dần qua danh sách chờ.
Base URL được ghi là https://api.reflection.ai/openai/v1, và nó tương thích OpenAI theo nghĩa hẹp: hỗ trợ Chat Completions và liệt kê mô hình, còn Responses, Embeddings, Files và Batch thì không. Giới hạn và hành vi beta có thể thay đổi rõ ràng.
Hiện phân phối còn mỏng. Theo đối chiếu ngày 6/10/2026 được mô tả trong phân tích, Beam chưa có trên Ollama, chưa có trong danh mục OpenRouter, chưa có trong models.dev mà OpenCode dùng, và chưa có weights trên Hugging Face.
Reflection nói sẽ ra mắt cùng đối tác phân phối và tích hợp khung open-source song song với đợt phát hành weights.
Cách truy cập Beam của Reflection AI
Weights của Beam chưa phát hành.
Reflection cam kết phát hành theo Apache 2.0 vào cuối tháng 10/2026, bao gồm weights, báo cáo kỹ thuật, model card và công cụ để chạy, đánh giá và fine-tune mô hình. Trước khi chúng ra mắt, bạn chưa thể tự host, lượng tử hóa, đo thực tế bộ nhớ GPU cần bao nhiêu hoặc tái lập bất kỳ điểm số đã công bố nào.
Hôm nay bạn có thể tham gia danh sách chờ beta và gọi API được host.
Model ID trong tài liệu nhà phát triển là Beam-501B-A23B, và vì endpoint dùng Chat Completions, client Python chính thức của OpenAI hoạt động sau khi bạn đổi base URL.
from openai import OpenAI
client = OpenAI(
base_url="https://api.reflection.ai/openai/v1",
api_key="YOUR_REFLECTION_KEY",
)
response = client.chat.completions.create(
model="Beam-501B-A23B",
reasoning_effort="medium", # low, medium, high, xhigh, or max
messages=[{"role": "user", "content": "Port this module to the v2 payments API."}],
)
print(response.choices[0].message.content)Nếu bạn muốn thực hành mẫu này với một mô hình có thể truy cập ngay, hướng dẫn API GPT-6 Sol được nhắc tới dùng cùng mã client, bao gồm quyền công cụ và theo dõi chi phí cho một tác vụ di trú agentic.
Kết luận
Beam là một bước vào sân chơi open-weight đáng tin cậy, và cách đóng khung hiệu quả là thẳng thắn: Kimi K3 và DeepSeek V4.1 Flash vượt nó ở các benchmark coding tác vụ quan trọng nhất, nên lập luận cho Beam phải là chi phí trên mỗi tác vụ giải được, không phải năng lực.
Tôi chưa khuyến nghị lập kế hoạch xoay quanh nó lúc này.
Không có weights đã công bố, không có giá, cũng không có một tái lập độc lập nào, mọi tuyên bố ở đây đều từ phòng lab đã huấn luyện mô hình, và phép so sánh compute bỏ qua chi phí xử lý prompt và vận hành dịch vụ. Hãy quay lại khi weights Apache 2.0 xuất hiện và Artificial Analysis công bố số liệu riêng.
Câu hỏi thường gặp
Reflection AI's Beam là mô hình gì?
Beam là mô hình open-weight đầu tiên của Reflection AI, được công bố ngày 5/10/2026. Đây là mô hình mixture-of-experts thưa với tổng 501 tỷ tham số và 23 tỷ tham số hoạt động trên mỗi token, tiền huấn luyện trên 23,8 nghìn tỷ token và tinh chỉnh bằng hơn 100 triệu rollout RL. Nó nhắm vào khối lượng công việc coding, suy luận và agentic, và chỉ hỗ trợ văn bản.Beam so với Kimi K3 và DeepSeek V4.1 Flash như thế nào?
Beam thua ở cả hai mảng coding tác vụ. Trên Terminal-Bench v2.1, nó đạt 80,1 so với 88,3 của Kimi K3 và 90,6 của DeepSeek V4.1 Flash; trên DeepSWE v1.1, nó đạt 44,4 so với 68,0 và 74,2 tương ứng. Lập luận của Reflection là hiệu quả chứ không phải năng lực đỉnh: Beam tuyên bố đạt mức suy luận GLM 5.2 với compute suy luận ít hơn 3–4 lần.Tôi có thể tải weights của Beam ở đâu?
Hiện chưa ở đâu. Reflection AI nói sẽ công bố weights theo giấy phép Apache 2.0 vào cuối tháng 10/2026, kèm báo cáo kỹ thuật, model card và công cụ. Tính đến 6/10/2026, chưa có weights Beam trên Hugging Face và Beam chưa có trong danh mục OpenRouter.Beam có giá bao nhiêu để sử dụng?
Chưa có giá theo token được công bố. Tài liệu nhà phát triển của Reflection đến 6/10/2026 chưa có bảng giá hay giá liệt kê theo mô hình, nên hiện chưa thể so sánh chi phí host với các mô hình mở khác. Truy cập hiện thông qua danh sách chờ API beta tham gia miễn phí.Model ID và endpoint API của Beam là gì?
Model ID trong tài liệu nhà phát triển của Reflection là Beam-501B-A23B, và base URL là https://api.reflection.ai/openai/v1. Endpoint hỗ trợ Chat Completions và liệt kê mô hình, nên client Python của OpenAI hoạt động nếu đổi base URL. Completions, Embeddings và Batches không được hỗ trợ.Ứng dụng thực tế với STALI
Khi thử Beam, chọn một bộ tác vụ đại diện như đọc tài liệu tiếng Việt, sửa lỗi mã và trả kết quả theo JSON, rồi đối chiếu chất lượng với thời gian xử lý. Với tài liệu dài, kiểm tra khả năng trích đúng dữ kiện và dẫn lại vị trí trong văn bản. Ghi riêng token đầu vào, đầu ra và bộ nhớ đệm để ước tính chi phí theo khối lượng công việc thực tế.
Kiểm tra mô hình đang được hỗ trợ và mức phí hiện hành tại bảng giá STALI. Giá nhà cung cấp được phân tích trong bài là dữ kiện tham khảo, không thay thế giá bán và điều kiện sử dụng trên STALI.
Để triển khai, đọc tài liệu tích hợp API STALI, sau đó đăng ký tài khoản STALI để quản lý khóa API và sử dụng các mô hình có trong danh mục.
Đọc thêm các phân tích liên quan trên STALI:
