DeepSeek tự cầm chuột vẽ chân dung bằng công cụ kiểu Paint, không tạo ảnh theo cách thường thấy

DeepSeek tự cầm chuột vẽ chân dung bằng công cụ kiểu Paint, không tạo ảnh theo cách thường thấy

Bạn quen với việc gõ một câu mô tả rồi AI trả ngay một bức ảnh hoàn chỉnh, kiểu Midjourney hay DALL-E. Nhưng mới đây, YouTuber công nghệ Matthew Berman đã thử một bài test khác hẳn với DeepSeek V4.1 Flash, mô hình AI đa phương thức (multimodal) mới nhất của DeepSeek: bắt nó vẽ chân dung bằng một công cụ web giống hệt Microsoft Paint, tự chọn màu, tự chọn cỡ cọ, tự đặt từng nét vẽ lên khung vẽ, y như một người đang cầm chuột thật sự.

🖱️ Vẽ bằng thao tác, không phải bằng phép toán tạo ảnh

Các công cụ tạo ảnh quen thuộc hoạt động theo kiểu diffusion: AI biến một mớ nhiễu ngẫu nhiên thành bức ảnh hoàn chỉnh chỉ trong vài giây, không hề "cầm cọ". Bài test của Matthew Berman lại yêu cầu DeepSeek V4.1 Flash làm điều hoàn toàn khác: nhìn một bức ảnh chân dung làm mẫu, rồi tự quyết định hàng loạt thao tác, chọn màu nào, cỡ cọ bao nhiêu, đặt nét vẽ ở đâu trên canvas, giống hệt cách một AI agent (trợ lý AI tự hành động, không chỉ trả lời chữ) điều khiển giao diện máy tính thay vì chỉ sinh văn bản hay ảnh. Nếu bạn chưa quen khái niệm này, bài AI agent là gì, khác gì chatbot giải thích rất dễ hiểu bằng ví dụ đời thường.

Đây cũng chính là dạng bài test "computer use", AI thao tác trực tiếp trên giao diện người dùng như chuột và bàn phím, mà nhiều hãng AI lớn đang chạy đua. Nếu muốn hiểu thêm hướng đi này, bạn có thể đọc thêm bài Dùng ChatGPT Browser, tiện ích trình duyệt và Computer Use đúng việc.

Kết quả: nhận ra được, nhưng còn rất "non tay"

Theo đánh giá của Matthew Berman, bức chân dung DeepSeek V4.1 Flash vẽ ra "không tệ", nhận diện được hình khối tổng thể và bảng màu gần đúng với ảnh gốc. Nhưng nhìn kỹ thì bức tranh khá phẳng, thiếu chi tiết gương mặt và thiếu chiều sâu, giống một bản phác thảo trừu tượng hơn là một bức chân dung tả thực.

Giới hạn lớn nhất mà mô hình gặp phải là khả năng xếp lớp nét vẽ (vẽ chồng nhiều lớp để tạo bóng và kết cấu, giống cách hoạ sĩ thật hay làm). Đây là kỹ năng đòi hỏi AI phải lập kế hoạch nhiều bước liên tiếp và liên tục đối chiếu lại những gì mình vừa vẽ với mục tiêu ban đầu, một dạng "trí nhớ thị giác" mà các mô hình hiện tại vẫn còn yếu. Trong phép so sánh này, mô hình Astra của Google được đánh giá làm tốt hơn ở đúng khoản xếp lớp đó.

Vì sao chuyện nhỏ này lại đáng chú ý

Một bức tranh "chưa đẹp" nghe có vẻ không phải tin lớn, nhưng cách bài test này được thiết kế mới là điều đáng nói. Nó không đo xem AI tạo ảnh đẹp hay xấu, mà đo xem AI có thể tự điều khiển một công cụ qua nhiều bước, vừa làm vừa quan sát kết quả, giống hệt cách con người thao tác máy tính hay không. Đây chính là năng lực nền tảng để AI agent sau này tự làm được những việc phức tạp hơn nhiều so với vẽ tranh, chẳng hạn tự mở phần mềm thiết kế, tự chỉnh sửa ảnh theo yêu cầu, hoặc tự thao tác trên các ứng dụng văn phòng thay bạn.

DeepSeek V4.1 Flash, ra mắt đầu tháng 9/2026, là phiên bản multimodal nhỏ gọn nhất trong dòng kiến trúc mới của DeepSeek, vốn nổi tiếng với việc tung model mạnh mà giá rẻ hơn nhiều lần so với các đối thủ phương Tây. Nếu bạn muốn biết thêm DeepSeek đã gây chú ý thế nào trong năm qua, có thể xem lại bài DeepSeek V4 Pro: mô hình mã nguồn mở 1.6 nghìn tỷ tham số thách thức Claude và Gemini. Còn nếu bạn tò mò khái niệm "đa phương thức" (multimodal) chính xác nghĩa là gì, bài Đa phương thức (multimodal) là gì giải thích rất rõ bằng ví dụ dễ hình dung.

Câu hỏi thường gặp

DeepSeek V4.1 Flash có phải công cụ tạo ảnh AI mới không? Không. Đây vẫn là một mô hình ngôn ngữ đa phương thức, bài test chỉ là một cách kiểm tra khả năng điều khiển công cụ (GUI) của nó, không phải một sản phẩm tạo ảnh như Midjourney.

Vì sao AI "vẽ bằng chuột" lại khó hơn tạo ảnh bằng diffusion? Vì AI phải tự lên kế hoạch từng bước (chọn màu, chọn nét, đặt vị trí), rồi liên tục nhìn lại canvas để điều chỉnh, thay vì chỉ cần sinh ra một bức ảnh hoàn chỉnh trong một lần.

Google Astra làm tốt hơn ở điểm nào? Theo bài test, Astra xử lý tốt hơn việc xếp lớp nét vẽ để tạo bóng và kết cấu, phần mà DeepSeek V4.1 Flash còn yếu.

Kỹ năng này có ứng dụng thực tế gì không? Có. Đây là nền tảng cho các AI agent tương lai tự thao tác phần mềm thay người dùng, ví dụ tự chỉnh sửa ảnh, tự điền biểu mẫu hay tự dùng các ứng dụng văn phòng theo yêu cầu bằng lời nói.

Tôi có thể tự thử bài test tương tự không? Bài test gốc dùng một công cụ vẽ web riêng của Matthew Berman, chưa phải tính năng công khai, nhưng bạn có thể thử yêu cầu các AI agent hỗ trợ trình duyệt hiện có thao tác trên các công cụ vẽ online đơn giản để quan sát giới hạn tương tự.

#DeepSeek #AIAgent #ComputerUse #MultimodalAI #TinTucAI