Từ ngày 31/10/2026, GreenNode MaaS đưa vào vận hành 8 model self-host chạy trên hạ tầng GreenNode tại Việt Nam: GLM-5.3, GLM-5.3 Flash, Gemma 4 31B, Qwen3.8-27B, hai model embedding (bge-m3, Qwen3-Embedding-8B) và hai model rerank (bge-reranker-v2-m3, Qwen3-Reranker-8B). Doanh nghiệp gọi các model này qua API tương thích chuẩn OpenAI và trả phí theo token, không cần tự vận hành GPU.
Với đợt ra mắt này, doanh nghiệp có thể dựng trọn một hệ thống RAG, từ tạo embedding, xếp hạng kết quả đến sinh câu trả lời, chỉ bằng các model xử lý trên hạ tầng tại Việt Nam. Bài viết giới thiệu từng model, gợi ý chọn model theo workload và cách bắt đầu sử dụng.
Model self-host là gì, khác gì model third-party?
Trên GreenNode MaaS, mỗi model được ghi nhãn theo nơi xử lý request:
- GreenNode self-host: GreenNode tải trọng số (weights) của model mã nguồn mở về, triển khai và vận hành trên GPU của GreenNode tại Việt Nam. Request và kết quả được xử lý trên hạ tầng này.
- Third-party: request được chuyển tiếp đến nhà phát triển model theo hợp đồng chính thức và xử lý trên hạ tầng của họ.
Sự khác biệt này quan trọng với doanh nghiệp phải tuân thủ quy định về xử lý và chuyển dữ liệu cá nhân ra nước ngoài, như Luật Bảo vệ dữ liệu cá nhân có hiệu lực từ 1/1/2026. Với model self-host, doanh nghiệp biết rõ dữ liệu được xử lý ở đâu. Khi cần model thương mại chỉ có qua nhà phát triển, doanh nghiệp vẫn có thể dùng model third-party trên cùng nền tảng, với loại dữ liệu phù hợp. Tìm hiểu thêm: Vì sao nơi xử lý dữ liệu quan trọng trong kỷ nguyên AI.
Nếu đang cân nhắc giữa các nhà cung cấp Model API, bài Chọn nền tảng MaaS nào cho doanh nghiệp tại Việt Nam và APAC so sánh chi tiết theo 7 tiêu chí.
8 model self-host mới trên GreenNode MaaS
Tám model chia thành năm nhóm theo vai trò trong ứng dụng AI. GLM-5.3 và GLM-5.3 Flash là hai model chủ lực cho tác vụ sinh văn bản; các nhóm còn lại bổ sung lựa chọn nhỏ hơn và các thành phần cho hệ thống tìm kiếm. Danh sách chính thức và thời điểm khả dụng của từng model có trong thông báo ra mắt trên GreenNode Docs.
| Nhóm | Model | Nhà phát triển | Đầu vào | Context (theo model card) | Phù hợp cho |
|---|---|---|---|---|---|
| Model lớn (frontier) | GLM-5.3 | Z.ai | Văn bản | 1M token | Suy luận phức tạp, lập trình, agent |
| Model chủ lực (workhorse) | GLM-5.3 Flash | Z.ai | Văn bản, ảnh, video, file | 1M token | Tác vụ thường xuyên, cân bằng chi phí và chất lượng |
| Model nhỏ | Gemma 4 31B | Google DeepMind | Văn bản, ảnh | 256K token | Tác vụ đa ngôn ngữ, gọi hàm, đọc tài liệu |
| Model nhỏ | Qwen3.8-27B | Qwen | Văn bản, ảnh, video | 262K token | Lập trình, agent, tác vụ chuyên môn |
| Embedding | bge-m3 | BAAI | Văn bản | 8.192 token | Tìm kiếm đa ngôn ngữ, chi phí thấp |
| Embedding | Qwen3-Embedding-8B | Qwen | Văn bản | 32K token | Tìm kiếm đòi hỏi độ chính xác cao, tài liệu dài |
| Rerank | bge-reranker-v2-m3 | BAAI | Văn bản | Không công bố | Xếp hạng nhanh, model nhẹ |
| Rerank | Qwen3-Reranker-8B | Qwen | Văn bản | 32K token | Xếp hạng chính xác, nhận instruction theo tác vụ |
Context là mức tối đa theo model card của nhà phát triển. Cấu hình khi gọi qua GreenNode MaaS xem tại trang danh sách model.
Chi tiết từng nhóm model
GLM-5.3: model lớn cho tác vụ phức tạp
GLM-5.3 là model flagship của Z.ai, ra mắt tháng 8/2026, tập trung vào lập trình và các tác vụ agent nhiều bước. Model luôn bật chế độ suy luận, cho phép chọn mức suy luận thấp, cao hoặc tối đa tùy độ khó của tác vụ. GLM-5.3 hiện chỉ nhận đầu vào văn bản.
Phù hợp khi: câu hỏi cần nhiều bước suy luận, sinh và sửa code, agent tự động hóa quy trình nội bộ.
GLM-5.3 Flash: model chủ lực cho tác vụ thường xuyên
GLM-5.3 Flash là phiên bản gọn hơn trong cùng dòng GLM-5.3, được Z.ai giới thiệu là model đa phương thức gốc đầu tiên của dòng GLM-5: nhận văn bản, ảnh, video và file. Model được tối ưu cho chi phí thấp trên mỗi tác vụ.
Phù hợp khi: chatbot chăm sóc khách hàng, trợ lý nội bộ, tóm tắt và trích xuất thông tin từ tài liệu, những tác vụ chạy với lưu lượng lớn mỗi ngày.
Gemma 4 31B và Qwen3.8-27B: model nhỏ, nhanh và tiết kiệm
Hai model dense cỡ khoảng 30 tỷ tham số, giấy phép Apache 2.0, phù hợp với tác vụ đơn giản hơn cần tốc độ và chi phí thấp.
- Gemma 4 31B (Google DeepMind): hỗ trợ sẵn hơn 35 ngôn ngữ, được huấn luyện trước trên hơn 140 ngôn ngữ; có gọi hàm (function calling) và hiểu tài liệu, nhận ảnh đầu vào.
- Qwen3.8-27B (Qwen): nhận ảnh và video, context 262K token, được thiết kế cho lập trình và các tác vụ agent dài, có thể điều chỉnh mức suy luận.
Phù hợp khi: phân loại văn bản, trích xuất trường thông tin, xử lý hàng loạt, hoặc làm model dự phòng khi không cần đến model lớn.
bge-m3 và Qwen3-Embedding-8B: model embedding cho tìm kiếm
Model embedding chuyển văn bản thành vector để tìm tài liệu liên quan theo ngữ nghĩa, là bước đầu tiên của hệ thống RAG.
- bge-m3 (BAAI): hơn 100 ngôn ngữ, đầu vào tối đa 8.192 token, vector 1.024 chiều, hỗ trợ cả truy xuất dense, sparse và multi-vector. Lựa chọn nhẹ, phổ biến cho tìm kiếm đa ngôn ngữ.
- Qwen3-Embedding-8B (Qwen): hơn 100 ngôn ngữ, context 32K token, vector tối đa 4.096 chiều và cho phép chọn số chiều nhỏ hơn, nhận instruction theo tác vụ. Phù hợp khi cần độ chính xác cao hơn hoặc tài liệu dài.
bge-reranker-v2-m3 và Qwen3-Reranker-8B: model rerank
Model rerank chấm lại độ liên quan giữa câu hỏi và từng tài liệu đã tìm được, để đưa tài liệu phù hợp nhất vào prompt.
- bge-reranker-v2-m3 (BAAI): khoảng 0,6 tỷ tham số, đa ngôn ngữ, xây trên bge-m3. Nhẹ và nhanh.
- Qwen3-Reranker-8B (Qwen): 8 tỷ tham số, context 32K token, hơn 100 ngôn ngữ, nhận instruction theo tác vụ. Phù hợp khi độ chính xác của kết quả tìm kiếm là ưu tiên.
Các model card không nêu riêng tiếng Việt trong danh sách ngôn ngữ. Doanh nghiệp nên kiểm tra chất lượng trên dữ liệu tiếng Việt của mình trước khi chọn.
Chọn model nào cho workload nào?
Bảng dưới đây là điểm khởi đầu để thử nghiệm, không thay cho việc đo trên dữ liệu thật của doanh nghiệp.
| Workload | Bắt đầu với | Nâng cấp khi cần |
|---|---|---|
| Chatbot chăm sóc khách hàng | GLM-5.3 Flash | GLM-5.3 cho câu hỏi phức tạp |
| Trợ lý tra cứu tài liệu nội bộ (RAG) | bge-m3 + bge-reranker-v2-m3 + GLM-5.3 Flash | Qwen3-Embedding-8B + Qwen3-Reranker-8B |
| Phân loại, trích xuất thông tin số lượng lớn | Gemma 4 31B hoặc Qwen3.8-27B | GLM-5.3 Flash |
| Đọc tài liệu có hình ảnh (hóa đơn, biểu mẫu) | GLM-5.3 Flash hoặc Qwen3.8-27B | Đo thêm với Gemma 4 31B |
| Hỗ trợ lập trình, agent nhiều bước | GLM-5.3 | So sánh với Qwen3.8-27B để tối ưu chi phí |
| Tìm kiếm ngữ nghĩa trên kho tài liệu lớn | bge-m3 | Qwen3-Embedding-8B cho tài liệu dài |
Nguyên tắc chung: bắt đầu với model nhỏ nhất đáp ứng được yêu cầu, chỉ chuyển lên model lớn hơn khi đã đo và thấy chất lượng chưa đạt. Model lớn hơn thường có chi phí trên mỗi token cao hơn và phản hồi chậm hơn.
Bắt đầu sử dụng 8 model self-host
- Thử trên Playground. Đăng nhập GreenNode AI Platform, mở MaaS Playground và chạy vài câu hỏi thật với từng model để so sánh nhanh. Xem thêm: Thử và so sánh model trên Playground không cần code.
- Tạo API key. API key mới ở trạng thái pending và cần chuyển sang ACTIVE trước khi dùng.
- Gọi API từ ứng dụng. API tương thích chuẩn OpenAI, nên có thể dùng SDK OpenAI sẵn có, chỉ đổi base URL, API key và tên model:
from openai import OpenAI
client = OpenAI(
base_url="https://maas-llm-aiplatform-hcm.api.vngcloud.vn/v1",
api_key="YOUR_GREENNODE_API_KEY",
)
response = client.chat.completions.create(
model="MODEL_ID", # lấy ID chính xác từ GET /models
messages=[{"role": "user", "content": "Tóm tắt chính sách đổi trả trong 3 ý."}],
)
print(response.choices[0].message.content)- Theo dõi chi phí và hạn mức. Phí tính theo token input, output và cache; doanh nghiệp chọn trả trước hoặc trả sau theo tháng. Hạn mức mặc định là 10 request/phút và 14.400 request/ngày mỗi tài khoản, dùng chung cho mọi model; khi cần cao hơn cho production, liên hệ GreenNode để nâng hạn mức.
Câu hỏi thường gặp
Model self-host trên GreenNode MaaS khác gì so với gọi API trực tiếp từ nhà phát triển?
Với model self-host, request được xử lý trên GPU của GreenNode tại Việt Nam thay vì trên hạ tầng của nhà phát triển ở nước ngoài. Doanh nghiệp cũng ký hợp đồng với pháp nhân Việt Nam và thanh toán bằng VNĐ.
Các model này có dùng tốt cho tiếng Việt không?
Các model đều là model đa ngôn ngữ, nhưng model card không công bố điểm riêng cho tiếng Việt. Cách đáng tin nhất là chạy một bộ câu hỏi tiếng Việt lấy từ công việc thật trên Playground và so sánh kết quả.
Dữ liệu gửi vào model self-host được xử lý và lưu trữ thế nào?
Request được xử lý trên hạ tầng GreenNode tại Việt Nam. [Cần Product/Legal cung cấp câu trả lời chính thức về thời gian lưu log và việc dữ liệu có được dùng để huấn luyện hay không.]
Giá của các model self-host tính thế nào?
Tính theo token input, output và cache, 1 credit = 1 VNĐ. Đơn giá từng model hiển thị trên AI Platform Portal. Doanh nghiệp chọn trả trước bằng credit hoặc trả sau theo tháng.
Doanh nghiệp ngoài Việt Nam có dùng được không?
Có. API tương thích chuẩn OpenAI nên tích hợp được từ bất kỳ đâu. Doanh nghiệp nên đo độ trễ từ thị trường của mình và kiểm tra quy định chuyển dữ liệu xuyên biên giới tại nước sở tại.
Thử 8 model self-host ngay hôm nay
Cách nhanh nhất để biết model nào phù hợp là chạy câu hỏi thật của bạn trên Playground. Khi cần hạn mức cao hơn hoặc thanh toán trả sau, đội ngũ GreenNode sẽ làm việc cùng bạn. Liên hệ đội ngũ GreenNode ngay hôm nay.
