Sự Trỗi Dậy Của AI Đa Phương Thức: Từ Đột Phá OCR Đến Thách Thức Tin Giả 2026

Sự phát triển của trí tuệ nhân tạo (AI) đã bước sang một chương mới vào năm 2026, nơi các Mô hình Ngôn ngữ Đa phương thức (Multimodal Large Language Models - MLLMs) không chỉ xử lý văn bản mà còn thấu hiểu hình ảnh và video một cách sâu sắc. Tuy nhiên, đi kèm với những đột phá về kỹ thuật là những thách thức mới về tính xác thực và an ninh thông tin.

Bài viết này sẽ phân tích hai nghiên cứu quan trọng vừa được công bố trên arXiv, làm sáng tỏ cách AI đang được tinh chỉnh để trở nên chính xác hơn và cách chúng đang được sử dụng (cũng như bị lạm dụng) trong thế giới số.

1. Cải thiện độ trung thực OCR: Phương pháp GAD-RL

Một trong những điểm yếu cố hữu của các mô hình thị giác - ngôn ngữ (Vision-Language Models) là hiện tượng "ảo giác" khi đọc văn bản trong ảnh (OCR). Các mô hình thường có xu hướng chỉnh sửa những văn bản bất thường trong ảnh thành những cụm từ có vẻ hợp lý về mặt ngôn ngữ nhưng lại sai lệch so với thực tế.

Đột phá từ GAD-RL

Các nhà nghiên cứu (Baode Wang và cộng sự) đã giới thiệu phương pháp GAD-RL (Gated and Attenuated On-Policy Distillation) để giải quyết vấn đề này. Phương pháp này hoạt động dựa trên cơ chế:

• Điều tiết sự giám sát của mô hình giáo viên (Teacher): Thay vì áp dụng một trọng số cố định, GAD-RL điều chỉnh sự can thiệp của mô hình giáo viên dựa trên hiệu suất hiện tại của mô hình học sinh (Student).
• Cơ chế Gated (Cổng): Tự động tắt tính năng chưng cất tri thức (distillation) khi mô hình học sinh đã đạt độ chính xác cao (phần thưởng nhiệm vụ trên 0.95).
• Cơ chế Attenuated (Suy giảm): Giảm dần cường độ giám sát khi hiệu suất trung bình của nhóm phản hồi tăng lên.

Kết quả thực nghiệm trên Qwen3.5-2B

Khi áp dụng trên mô hình Qwen3.5-2B, GAD-RL đã mang lại những con số ấn tượng:

• Đạt 59.92% Micro Recall trên CHAOS-Bench, vượt qua các phương pháp phổ biến như GRPO đến 8.45 điểm phần trăm.
• Đạt điểm tổng thể 91.18 trên OmniDocBench v1.6.

| Phương pháp | Micro Recall (CHAOS-Bench) | Điểm OmniDocBench v1.6 | | :--- | :---: | :---: | | GRPO | 51.47% | - | | GRPO + OPD (Trọng số cố định) | 55.49% | - | | GAD-RL (Mới) | 59.92% | 91.18 |

2. Thách thức Tin Giả Đa Phương Thức trên Mạng Xã Hội

Trong khi GAD-RL giúp AI "nhìn" chính xác hơn, một nghiên cứu khác từ Jiyao Yang và cộng sự lại cảnh báo về khả năng "ngụy tạo" thông tin của MLLM.

Khung làm việc Multi-agent tạo tin giả

Nghiên cứu đã thiết lập một hệ thống gồm 3 thực thể AI phối hợp:

1. Story Agent (Đại lý nội dung): Xây dựng kịch bản tin tức giả dựa trên các sự kiện có thật nhưng bị bóp méo.
2. Image Agent (Đại lý hình ảnh): Tạo ra các hình ảnh minh họa sống động, đánh lừa thị giác người xem.
3. Critic Agent (Đại lý phê bình): Kiểm tra và tinh chỉnh để tin tức trông giống thật nhất có thể.

Hệ thống này đã tạo ra hơn 9.000 bài đăng tin giả thuộc các lĩnh vực khoa học, sức khỏe và giải trí.

Khả năng phát hiện của AI hiện nay

Khi dùng 16 mô hình MLLM hàng đầu (cả mã nguồn mở và đóng) để kiểm tra số tin giả này, kết quả rất đáng lo ngại:

• Đa số các mô hình đều có độ chính xác thấp hơn con người.
• Thất bại nghiêm trọng trong việc nhận diện tính xác thực của hình ảnh.
• AI có thể tạo ra tin giả thuyết phục đến mức chính các hệ thống phát hiện AI hiện đại nhất cũng bị qua mặt.

3. Cập nhật về Video AI: Seedance 2.5

Bên cạnh các nghiên cứu về văn bản và hình ảnh, mảng Video AI cũng ghi nhận sự đột phá với phiên bản Seedance 2.5. Mặc dù thông tin chi tiết vẫn đang được cập nhật, nhưng đây được xem là bước tiến lớn trong việc tạo ra video từ văn bản với độ nhất quán cao và chuyển động mượt mà, góp phần làm phong phú thêm hệ sinh thái nội dung đa phương thức.

Kết luận

Thế giới AI vào cuối năm 2026 là sự đan xen giữa những tiến bộ kỹ thuật vượt bậc và những rủi ro an ninh mạng tiềm tàng. Việc cải thiện độ trung thực của OCR thông qua GAD-RL cho thấy nỗ lực của các nhà khoa học trong việc làm cho AI trở nên đáng tin cậy hơn. Tuy nhiên, sự phát triển của các công cụ tạo tin giả đa phương thức nhắc nhở chúng ta rằng, sự tỉnh táo của con người vẫn là lá chắn cuối cùng trước làn sóng thông tin sai lệch.

Câu hỏi thường gặp (FAQ)

Q: GAD-RL có thể áp dụng cho các mô hình lớn hơn Qwen3.5-2B không? A: Có, phương pháp GAD-RL được thiết kế theo dạng mô-đun và có thể tích hợp vào quá trình hậu đào tạo (post-training) của nhiều dòng mô hình MLLM khác nhau.

Q: Tại sao AI lại khó phát hiện tin giả do chính nó tạo ra? A: Vì các mô hình tạo tin giả hiện nay sử dụng cơ chế phản biện (critic) để tự sửa lỗi, khiến các dấu vết kỹ thuật (artifacts) trở nên mờ nhạt, vượt qua các thuật toán phát hiện thông thường.

Q: Tôi có thể tìm mã nguồn của nghiên cứu tin giả ở đâu? A: Mã nguồn và tập dữ liệu của nghiên cứu về tin giả đa phương thức hiện có sẵn trên GitHub tại: https://github.com/xiuzhenzhang/Multimodal.