Trang chủ / Tài liệu hướng dẫn / AI Local

Hiểu và dùng AI Local · Bài 3

Bản đồ model AI mở 2026: chọn model theo việc và theo máy

Mỗi tháng lại có model mở mới, tên gọi thì dài và khó hiểu. Bài viết vẽ bản đồ các họ model chính, giải thích dense và MoE, giấy phép dùng cho kinh doanh, gợi ý model theo việc và theo máy, kèm cách tự thử tiếng Việt. Dữ kiện kiểm tra trên model card và ollama.com ngày 07/10/2026.

Cập nhật 07/10/2026⏱ 11 phút đọcKiến thức nềnNgười mới → Trung cấp

Mở thư viện model và gặp hàng trăm cái tên

Chị Mai phụ trách marketing cho một chuỗi spa. Chị đã cài xong Ollama, mở thư viện model và thấy một loạt tên như qwen3.6:35b, gemma4:26b, gpt-oss:20b, glm-4.7-flash. Model nào viết caption tiếng Việt được? Model nào vừa máy 16GB? Model nào được dùng cho kinh doanh? (Tình huống minh hoạ.)

Bài này không chấm "model nào hơn model nào", mà giúp bạn đọc bản đồ: có những họ model nào, hợp với việc gì, máy cỡ nào, giấy phép ra sao, rồi tự thử trên việc thật. Cách tính máy nào chạy được model nào nằm ở Cấu hình máy tính chạy AI Local.

Model AI mở là gì và cách đọc tên model

Model AI mở (open-weight) là model mà hãng công bố file trọng số để bạn tải về chạy trên máy của mình; mỗi model đi kèm một giấy phép riêng quy định được dùng vào việc gì.

OpenAI gọi gpt-oss là "open-weight models" của họ; model card Gemma 4 ghi bản phát hành gồm các model "open-weights". "Mở trọng số" không đồng nghĩa với "dùng thương mại tự do": phải xem giấy phép của từng model. Ngược lại, model đóng như Claude, GPT chạy trên máy chủ của hãng, bạn gửi dữ liệu lên và trả tiền theo token.

Phần trong tên	Ý nghĩa	Ví dụ
Họ và phiên bản	Hãng và đời model	Qwen3.6, Gemma 4, Llama 4
Số + B	Tổng số tham số, tính bằng tỷ	27B = khoảng 27 tỷ tham số
A + số + B	Số tham số kích hoạt mỗi lần (model MoE)	Qwen3.6-35B-A3B: tổng 35B, kích hoạt 3B
E + số + B (Gemma)	Cỡ "hiệu dụng"	Gemma 4 E2B: 2,3B hiệu dụng, 5,1B tính cả lớp nhúng
Tag Ollama	Tên để tải bằng lệnh `ollama pull`	`qwen3.6:35b`, `gemma4:12b`
q4_K_M, q8_0, bf16	Mức lượng tử hoá (xem L2)	`qwen3.8:27b-q8_0` 30GB
Hậu tố -cloud	Chạy trên máy chủ Ollama, dữ liệu rời máy bạn	`gemma4:31b-cloud`

Tên trên Hugging Face và tag Ollama không luôn giống nhau. Ví dụ model Qwen3.6-35B-A3B có tag ngắn là qwen3.6:35b, bên cạnh các tag dài như qwen3.6:35b-a3b-q8_0. Tag không ghi mức lượng tử thường là bản nén khoảng 4-bit: qwen3.8 chính là qwen3.8:27b, 18GB.

Bản đồ tám họ model AI mở thường gặp năm 2026 kèm giấy phép: Qwen của Alibaba đa số Apache-2.0; Gemma 4 của Google DeepMind Apache-2.0; gpt-oss của OpenAI Apache-2.0; Llama 4 của Meta theo Llama 4 Community License; Mistral Apache-2.0; GLM của Z.ai, DeepSeek và Phi của Microsoft theo MIT; chú giải Apache-2.0 và MIT dùng thương mại được, giấy phép riêng cần đọc kỹ; kiểm tra ngày 07/10/2026 — Hình: Tám họ model AI mở và giấy phép (minh hoạ)

Nguồn: gpt-oss-20b · Gemma 4 · Qwen3.6-35B-A3B · Ollama – qwen3.6 · Ollama – qwen3.8

Dense và MoE: chạy nhanh khác với tốn bộ nhớ

Dense: mọi tham số đều tham gia tính mỗi chữ (token). Ví dụ Qwen3.8-27B, Gemma 4 31B, Phi-4.
MoE (Mixture-of-Experts, "hỗn hợp chuyên gia"): model gồm nhiều nhóm chuyên gia, mỗi lần chỉ gọi một phần. Gemma giải thích bản 26B A4B chỉ kích hoạt khoảng 4B tham số nên chạy nhanh hơn nhiều so với tổng 26B. Ví dụ khác: Qwen3.6-35B-A3B, gpt-oss, GLM-4.7-Flash (30B-A3B), Qwen3-Coder-Next (80B-A3B), Mistral Small 4 (119B, 6,5B kích hoạt).

Điểm hay bị hiểu nhầm: MoE vẫn cần bộ nhớ cho toàn bộ tham số. File gemma4:26b nặng 16–19GB, gần bằng gemma4:31b dense 19–20GB. Vì vậy MoE giúp nhanh hơn trên máy đã đủ bộ nhớ, chứ không giúp máy ít bộ nhớ chạy được model lớn.

Nguồn: Gemma 4 – MoE · Ollama – gemma4

Bản đồ model AI mở chạy được trên máy cá nhân

Bảng dưới gồm các model có thể chạy trên máy cá nhân hoặc máy trạm, kiểm tra ngày 07/10/2026. Dung lượng là file trên ollama.com; "điểm đáng chú ý" lấy từ model card do hãng tự công bố, không phải đánh giá độc lập.

Model (hãng)	Cỡ, kiểu	Giấy phép	Tag Ollama, dung lượng file	Điểm đáng chú ý (theo model card)
Qwen3.5 (Alibaba)	0.8B, 2B, 4B, 9B, 27B dense; 35B-A3B, 122B-A10B, 397B-A17B MoE	Apache-2.0	`qwen3.5:4b` 3,3–4,0GB; `:9b` 6,6–7,6GB; `:27b` 17–20GB; `:35b` 22GB; `:122b` 81GB	201 ngôn ngữ và phương ngữ; context 262.144; có xử lý hình ảnh
Qwen3.6 (Alibaba)	27B dense; 35B-A3B MoE	Apache-2.0	`qwen3.6:27b` 18–19GB; `qwen3.6:35b` 23–24GB	Hãng ghi mạnh về gọi công cụ (tool calling)
Qwen3.8-27B (Alibaba)	27B dense, đọc ảnh và video	Apache-2.0	`qwen3.8` 18GB; `27b-q8_0` 30GB	Context 262.144
Qwen3-Coder-Next (Alibaba)	80B MoE, 3B kích hoạt	Apache-2.0	`qwen3-coder-next` 52GB (q4_K_M)	Dành cho lập trình và agent
Gemma 4 (Google DeepMind)	E2B, E4B, 12B, 31B; 26B A4B là MoE (25,2B tổng, 3,8B kích hoạt)	Apache-2.0	`gemma4:e2b-it-qat` 4,3GB; `:e4b` 6,6–9,5GB; `:12b` 7,7–8,0GB; `:26b` 16–19GB; `:31b` 19–20GB	Hơn 35 ngôn ngữ dùng ngay, huấn luyện trước trên hơn 140; đọc ảnh; hỗ trợ dùng công cụ có cấu trúc
gpt-oss (OpenAI)	20b: 21B tổng, 3,6B kích hoạt; 120b: 117B, 5,1B (MoE)	Apache-2.0	`gpt-oss:20b` 14GB; `gpt-oss:120b` 65GB	Bản 20b chạy trong 16GB bộ nhớ; bản 120b vừa một GPU 80GB
Llama 4 Scout (Meta)	109B tổng, 17B kích hoạt (MoE)	Llama 4 Community License	`llama4:scout` 67GB (q4)	Có tiếng Việt trong 12 ngôn ngữ hỗ trợ; context 10M
Mistral Small 4 (Mistral AI)	119B MoE, 6,5B kích hoạt	Apache-2.0	Chưa thấy trên thư viện Ollama; khoảng 73GB ở Q4 (ước tính)	Có mã vi trong thông tin ngôn ngữ; gọi hàm sẵn; context 256k
Ministral 3 (Mistral AI)	3B, 8B, 14B	Apache-2.0	`ministral-3:3b` 3,0GB; `:8b` 6,0GB; `:14b` 9,1GB	Dành cho thiết bị biên; context 256k
GLM-4.7-Flash (Z.ai)	30B-A3B MoE	MIT	`glm-4.7-flash` 19GB; `:q8_0` 32GB	Thông tin ngôn ngữ ghi tiếng Anh, tiếng Trung
Phi-4, Phi-4-mini (Microsoft)	14B dense; 3,8B dense	MIT	`phi4-mini` 2,5GB	Phi-4-mini: 23 ngôn ngữ, không có tiếng Việt

Các model rất lớn dưới đây có trọng số mở nhưng vượt xa máy phổ thông; thường dùng qua API của hãng hoặc máy chủ nhiều GPU:

Qwen3.8-Flash-Next: 125B (6B kích hoạt), cộng thêm 51B n-gram embedding và 4B MTP; giấy phép qwen-community-1.0, không phải Apache.
Qwen3.8-2.4T-A95B: khoảng 2.400 tỷ tham số, giấy phép riêng "qwen3.8-max".
GLM-5.3-Flash: 320B tổng, 18B kích hoạt, đa phương thức, MIT; khoảng 196GB ở Q4 (ước tính).
DeepSeek-V4-Flash: 284B tổng, 13B kích hoạt; V4-Pro: 1.600B, 49B kích hoạt; context 1M, MIT.
DeepSeek-V4.1-Flash: 552B tham số phần lõi (kích hoạt "8B / 16B") cộng Engram 196B, tổng file trên Hugging Face khoảng 763B; context 1M, MIT; khoảng 466GB ở Q4 (ước tính).
Llama 4 Maverick: 400B tổng, 17B kích hoạt; llama4 bản maverick q4 nặng 245GB.

Nguồn: Qwen3.5 · Qwen3.6 · Qwen3.8 · Qwen3-Coder-Next · Qwen3.8-Flash-Next · Gemma 4 · gpt-oss · Llama 4 · Mistral Small 4 · Ministral 3 · GLM-4.7 · GLM-5.3 · DeepSeek-V4 · DeepSeek-V4.1 · Phi-4 · Phi-4-mini · Ollama Library

Giấy phép: model nào dùng cho kinh doanh được?

Nhóm giấy phép	Model (ví dụ)	Cần lưu ý
Apache-2.0	Qwen3.5, Qwen3.6, Qwen3.8-27B, Qwen3-Coder-Next, Gemma 4, gpt-oss, Mistral Small 4, Ministral 3	Dùng thương mại được; giữ thông báo giấy phép khi phân phối lại
MIT	GLM-4.7-Flash, GLM-5.3-Flash, DeepSeek V4, Phi-4, Phi-4-mini	Dùng thương mại được; giữ thông báo bản quyền
Llama 4 Community License	Llama 4 Scout, Maverick	Thương mại được nhưng: trên 700 triệu người dùng/tháng phải xin phép Meta; hiển thị "Built with Llama"; model phái sinh đặt tên bắt đầu bằng "Llama"; tuân thủ chính sách sử dụng; phải đăng nhập, đồng ý điều khoản mới tải được
Giấy phép riêng của Qwen	Qwen3.8-Flash-Next (qwen-community-1.0), Qwen3.8-2.4T (qwen3.8-max)	Không phải Apache; đọc toàn văn trước khi dùng cho kinh doanh

Giấy phép có thể đổi giữa hai đời của cùng một họ. Ví dụ Gemma 4 dùng Apache-2.0, trong khi Gemma 3 dùng Gemma Terms of Use; model nhúng EmbeddingGemma (300m) cũng theo giấy phép Gemma. Llama 3.1 dùng Llama 3.1 Community License. Vì vậy hãy kiểm tra giấy phép theo đúng bản bạn tải, không suy từ tên họ.

Thông tin giấy phép ở đây để bạn biết cần đọc gì, không phải tư vấn pháp lý. Trước khi đưa model vào sản phẩm bán cho khách, đọc toàn văn giấy phép trên trang của hãng và lưu lại bản bạn đã đọc kèm ngày.

Nguồn: Qwen3.8-Flash-Next – license · Llama 4 License · Ollama – gemma3 · EmbeddingGemma 300m · Llama 3.1

Gợi ý model theo việc

Việc cần làmViết, trả lời khách, phân loại, code, đọc ảnh
Giấy phépCó cho dùng thương mại không, điều kiện gì
Máy đang cóDung lượng file phải nhỏ hơn rõ rệt bộ nhớ
Chọn 2–3 ứng viênCùng nhóm việc, vừa máy
Tự thử bằng việc thậtChấm điểm rồi mới quyết định

Năm bước chọn model AI mở (ví dụ minh hoạ).

Việc	Model phù hợp để thử	Căn cứ (theo model card)	Mức máy (ước tính)
Viết content, tóm tắt tiếng Việt	`qwen3.5:9b`, `gemma4:12b`; máy lớn hơn: `qwen3.8`, `gemma4:31b`	Qwen3.5: 201 ngôn ngữ; Gemma 4: hơn 35 ngôn ngữ dùng ngay	16GB; 24–36GB cho bản 27–31B
Chatbot, agent gọi công cụ	`qwen3.6:35b`, `qwen3.6:27b`, `gemma4:26b`	Qwen3.6 ghi mạnh về gọi công cụ; Gemma 4 hỗ trợ dùng công cụ có cấu trúc	24GB trở lên, context từ 64k
Phân loại, trích thông tin ngắn	`qwen3.5:4b`, `ministral-3:8b`, `gemma4:e4b`	File nhỏ, chạy nhanh trên máy phổ thông	8–16GB
Lập trình	`qwen3-coder:30b` 19GB, `devstral:24b` 14GB, `qwen3-coder-next` 52GB	Model dành riêng cho code, đều Apache-2.0	24GB; 64GB cho coder-next
Đọc hình ảnh (ảnh sản phẩm, ảnh chụp tài liệu)	`qwen3.8`, `qwen3.5`, `gemma4`	Qwen3.8-27B đọc ảnh và video; Qwen3.5 có vision; Gemma 4 đọc ảnh	Tuỳ cỡ chọn

Agent và tài liệu dài cần context lớn (Ollama khuyên ít nhất 64.000 token), nên cần dư bộ nhớ. Việc khó, cần chất lượng cao: cân nhắc model đám mây (xem Claude làm bộ não AI Agent, GPT làm bộ não AI Agent). Chi tiết từng ứng dụng: viết content, chatbot, lập trình, bộ não cho AI Agent.

Nguồn: Qwen3.5 · Qwen3.6 · Gemma 4 · Qwen3.8-27B · Ollama – qwen3-coder · Ollama – devstral · Mistral – Devstral · Ollama – Context length

Model nhỏ cho máy yếu

Với máy khoảng 8GB bộ nhớ, chọn model có file dưới khoảng 4GB trên ollama.com:

qwen3.5:0.8b (1,2–1,3GB), qwen3.5:2b (2,7–3,1GB), qwen3.5:4b (3,3–4,0GB): Apache-2.0, 201 ngôn ngữ.
gemma4:e2b-it-qat (4,3GB): Apache-2.0, Google mô tả dành cho thiết bị di động và thiết bị biên.
ministral-3:3b (3,0GB): Apache-2.0.
phi4-mini (2,5GB): MIT; model card không liệt kê tiếng Việt và cảnh báo ngôn ngữ ngoài tiếng Anh sẽ kém hơn.

Model nhỏ hợp với việc ngắn, rõ khuôn: phân loại, trích tên, số điện thoại, tóm tắt ngắn.

Nguồn: Ollama – qwen3.5 · Ollama – gemma4 · Ollama – ministral-3 · Ollama – phi4-mini · Phi-4-mini

Model embedding cho hỏi đáp tài liệu (RAG)

RAG là cách cho AI trả lời dựa trên tài liệu của bạn: hệ thống tìm đoạn liên quan rồi đưa cho model đọc. Bước tìm cần một model embedding, loại model biến văn bản thành dãy số để so độ gần nghĩa. Một số lựa chọn mở:

Model	Cỡ, dung lượng	Ngôn ngữ	Context	Giấy phép
Qwen3-Embedding	0.6B / 4B / 8B; Ollama `qwen3-embedding` 639MB / 2,5GB / 4,7GB	Hơn 100 ngôn ngữ	32k	Apache-2.0
EmbeddingGemma 2	740M tổng; vector 768 chiều, cắt được 512/256/128	Hơn 100; cả ảnh, video, âm thanh	8.192	Apache-2.0
EmbeddingGemma (300m)	Ollama 622MB	Hơn 100	2K	Giấy phép Gemma
BGE-M3	567M; Ollama 1,2GB	Hơn 100	8.192	MIT
nomic-embed-text v1.5	Khoảng 137M	Chưa thấy ghi rõ tiếng Việt	Không ghi	Apache-2.0

Ollama, LM Studio, llama-server và vLLM đều gọi embedding được qua đường dẫn /v1/embeddings. Lưu ý thực tế: đổi model embedding thì phải tạo lại chỉ mục tài liệu, vì vector của hai model không so với nhau được. Cách dựng hỏi đáp tài liệu nội bộ: AI Local làm slide, tài liệu, Excel.

Nguồn: Qwen3-Embedding · Ollama – qwen3-embedding · EmbeddingGemma 2 · Ollama – embeddinggemma · Ollama – bge-m3 · BGE-M3 · Ollama – nomic-embed-text

Tự thử tiếng Việt bằng bộ câu hỏi thật

Tại ngày 07/10/2026 chưa có xếp hạng tiếng Việt chính thức cho các model mở. Model card chỉ cho biết có hỗ trợ tiếng Việt hay không: Llama 4 liệt kê tiếng Việt, Mistral Small 4 có mã vi, Qwen3.5 và Gemma 4 ghi số ngôn ngữ, Phi-4-mini không có tiếng Việt. Cách thực tế là tự thử trên chính việc của bạn:

Soạn 20–30 câu thật chia 5 nhóm: viết, tóm tắt, trả lời khách, phân loại, câu bẫy (hỏi thứ không có trong tài liệu). Ẩn thông tin khách trước khi dùng.
Chọn 2–3 model vừa máy, cùng mức lượng tử, cùng một chỉ dẫn chung.
Chạy từng câu, lưu câu trả lời vào bảng, đổi tên thành "Bài 1, 2, 3" để người chấm không biết của model nào.
Hai người chấm độc lập, thang 1–5 theo năm tiêu chí: đúng dữ kiện, chính tả và dấu, đúng giọng, đúng định dạng, không bịa.
Ghi lại tag model, mức lượng tử, ngày thử; thử lại khi có bản mới.

Mẫu bộ câu hỏi thửCopy rồi chỉnh theo doanh nghiệp; thay phần trong <…>

Bộ câu hỏi thử tiếng Việt – <tên doanh nghiệp> – ngày thử <ngày>
Chỉ dẫn chung (dán giống nhau cho mọi model):
Bạn là trợ lý của <tên doanh nghiệp>. Trả lời bằng tiếng Việt có dấu, xưng "mình – bạn".
Chỉ dùng thông tin trong phần TÀI LIỆU; không có thì nói "cần nhân viên kiểm tra".

Nhóm 1 – Viết: viết caption 80 chữ cho <sản phẩm>, giọng <thân thiện / chuyên nghiệp>.
Nhóm 2 – Tóm tắt: tóm tắt đoạn TÀI LIỆU sau thành 5 gạch đầu dòng: <dán 1 trang tài liệu thật, đã ẩn thông tin khách>
Nhóm 3 – Trả lời khách: khách hỏi "<câu hỏi thật của khách>", trả lời dựa trên bảng giá: <dán bảng giá>
Nhóm 4 – Phân loại: xếp tin nhắn sau vào nóng / ấm / lạnh, trả về đúng 1 từ: <tin nhắn>
Nhóm 5 – Bẫy: hỏi một thông tin KHÔNG có trong tài liệu, xem model có bịa không.

Chấm mỗi câu thang 1–5: đúng dữ kiện · chính tả và dấu · đúng giọng · đúng định dạng · không bịa

Lệnh trên máy tính của bạnChạy trên máy đã cài Ollama; chọn model vừa máy theo bảng ở trên

ollama pull qwen3.5:9b     # tải model thứ nhất
ollama pull gemma4:12b     # tải model thứ hai
ollama run qwen3.5:9b      # chat, dán từng câu trong bộ thử; gõ /bye để thoát

Quy trình tự thử tiếng Việt cho model AI mở: bộ 20–30 câu hỏi thật của doanh nghiệp gửi cho ba model A, B, C với cùng câu hỏi, cùng chỉ dẫn; câu trả lời được chấm mù thang 1–5 theo tiêu chí đúng dữ kiện, chính tả và dấu, đúng giọng, không bịa; người chấm không biết bài nào của model nào, sau đó chọn model và ghi lại ngày thử — Hình: Chấm mù ba model bằng bộ câu hỏi thật (ví dụ minh hoạ)

Nguồn: Llama 4 · Mistral Small 4 · Qwen3.5 · Gemma 4 · Phi-4-mini

Model đổi rất nhanh: giữ bản đồ luôn mới

Chỉ trong vài tháng năm 2026 đã có Qwen3.5 (02/2026), Qwen3.6 (04/2026), Qwen3.8-27B (05/08/2026), Qwen3.8-Flash-Next (24/08/2026), GLM-5.3-Flash (25/08/2026), DeepSeek-V4.1-Flash (10/09/2026). Ngược lại, tại ngày kiểm tra chưa thấy Llama mới hơn Llama 4, chưa thấy model trò chuyện mở mới của OpenAI ngoài gpt-oss và gpt-oss-safeguard, chưa thấy Phi-5.

Mỗi quý xem lại ollama.com và trang Hugging Face của hãng bạn dùng.
Có bản mới: chạy lại bộ câu hỏi thử, so với model đang dùng rồi mới đổi.
Mỗi lần đổi model: đọc lại giấy phép của đúng bản mới.
Tránh nhầm tag -cloud với bản chạy trên máy: bản cloud gửi dữ liệu lên máy chủ Ollama.

Nguồn: Hugging Face – meta-llama · Hugging Face – openai · Ollama FAQ – cloud models

Bắt đầu từ đâu?

Chọn một việc cụ thể (ví dụ viết caption hoặc phân loại tin nhắn) và soạn bộ câu hỏi thử.
Tra mức máy ở Cấu hình máy tính chạy AI Local, chọn 2–3 model cùng nhóm việc, kiểm tra giấy phép.
Cài theo Cài AI Local trong 30 phút, chạy bộ thử, chấm mù rồi mới đưa vào việc thật.

Muốn được tư vấn hoặc cài đặt AI Local theo nhu cầu riêng, bạn có thể đăng ký Tư vấn 1-1 hoặc Coaching 1-1 cho doanh nghiệp; chi phí báo sau buổi tư vấn.

Đọc tiếp: Cài AI Local →

Câu hỏi thường gặp

Model AI mở nào hợp với tiếng Việt?

Tại ngày 07/10/2026 chưa có xếp hạng tiếng Việt chính thức cho các model mở. Model card chỉ ghi danh sách hoặc số ngôn ngữ: Qwen3.5 ghi 201 ngôn ngữ và phương ngữ, Gemma 4 ghi hơn 35 ngôn ngữ dùng ngay và huấn luyện trước trên hơn 140, Llama 4 liệt kê tiếng Việt, Mistral Small 4 có mã vi trong thông tin ngôn ngữ, còn Phi-4-mini không có tiếng Việt. Cách thực tế là tự thử 2–3 model bằng bộ câu hỏi thật của doanh nghiệp.

Model AI mở có được dùng cho kinh doanh không?

Phần lớn được, nhưng tuỳ giấy phép. Apache-2.0 (Qwen3.5, Qwen3.6, Gemma 4, gpt-oss, Mistral Small 4) và MIT (GLM, DeepSeek, Phi-4) cho phép dùng thương mại, cần giữ thông báo giấy phép. Llama 4 Community License có thêm điều kiện như ghi "Built with Llama" và xin phép Meta khi sản phẩm vượt 700 triệu người dùng mỗi tháng. Một số bản Qwen mới dùng giấy phép riêng. Luôn đọc điều khoản trước khi dùng.

MoE là gì, có giúp tiết kiệm RAM không?

MoE (Mixture-of-Experts) là model chia thành nhiều nhóm chuyên gia, mỗi lần chỉ kích hoạt một phần tham số nên chạy nhanh hơn model dense cùng tổng cỡ. Nhưng MoE không tiết kiệm bộ nhớ: máy vẫn phải nạp toàn bộ tham số. Ví dụ trên Ollama, gemma4:26b (MoE) nặng 16–19GB, gần bằng gemma4:31b (dense) 19–20GB.

Máy yếu nên dùng model nào?

Với máy khoảng 8GB bộ nhớ, có thể thử các model có file dưới khoảng 4GB trên ollama.com: qwen3.5:0.8b, qwen3.5:2b, qwen3.5:4b (Apache-2.0), ministral-3:3b (Apache-2.0), gemma4:e2b-it-qat (Apache-2.0). phi4-mini (MIT) nhẹ nhưng model card không liệt kê tiếng Việt.

Model embedding là gì, khi nào cần?

Model embedding biến đoạn văn thành dãy số để máy tìm đoạn có nghĩa gần với câu hỏi. Bạn cần nó khi dựng hỏi đáp trên tài liệu nội bộ (RAG). Một số model embedding mở chạy được bằng Ollama: qwen3-embedding, embeddinggemma-2, bge-m3, đều ghi hỗ trợ hơn 100 ngôn ngữ.

Tài liệu liên quan

Xem tất cả tài liệu hướng dẫn →

Bước tiếp theo

Đăng ký Tư vấn 1-1 về AI Local

Chuyên gia Aduca cùng bạn xem nhu cầu, máy đang có và dữ liệu cần bảo vệ, rồi đề xuất nên chạy AI Local, dùng đám mây hay kết hợp. Dịch vụ cài AI Local nằm trong gói Tư vấn 1-1 hoặc Coaching 1-1; chi phí báo sau buổi tư vấn.

Đăng ký Tư vấn 1-1 về AI Local Xem thư viện tài liệu

Về AducaChuỗi bài do đội ngũ Aduca biên soạn từ kinh nghiệm đào tạo và triển khai AI Agent cho Marketing – Sales. Aduca Academy do Nguyễn Đức – Chủ tịch Aduca Group sáng lập; ông kinh doanh thương mại điện tử từ 2012, chạy quảng cáo Facebook từ 2014 và đào tạo từ 2016. Phần thực hành từng bước nằm trong các thư mục OpenClaw, Hermes Agent, Claude, ChatGPT và n8n.

Nguồn tham khảo

Lịch sử cập nhật

07/10/2026 — Bản đầu.

Miễn trừ trách nhiệm

Bài viết thuộc chuỗi kiến thức của Công ty Cổ phần Giáo dục Aduca, chia sẻ miễn phí cho mục đích học tập. Thông tin kỹ thuật đối chiếu với tài liệu chính thức của các dự án và nền tảng tại ngày cập nhật (có ghi nguồn); phần nhận định là quan điểm của Aduca. OpenClaw, Hermes Agent, Claude (thương hiệu của Anthropic), ChatGPT (thương hiệu của OpenAI), n8n (thương hiệu của n8n GmbH), các phần mềm chạy model và các model AI mở (Ollama, LM Studio, Qwen, Gemma, gpt-oss…) cùng các phần mềm, dịch vụ nêu trong bài thuộc về chủ sở hữu tương ứng, không thuộc Aduca; Aduca không phải đối tác chính thức của các công ty này. Tính năng, gói và giá có thể thay đổi bất cứ lúc nào – hãy kiểm tra trang chính thức trước khi mua. Kết quả áp dụng phụ thuộc quy trình, dữ liệu và con người của từng doanh nghiệp; bài viết không cam kết doanh thu hay hiệu quả cụ thể. © 2026 Aduca — được trích dẫn khi ghi rõ nguồn aduca.vn.