Mô hình StepFun: Tổng quan AI đa phương thức từ Trung Quốc

Mô hình StepFun là gì?

StepFun là dòng mô hình AI đa phương thức do công ty Shanghai Jieyue Xingchen phát triển, có khả năng xử lý đồng thời văn bản, hình ảnh, video và âm thanh trong cùng một hệ thống.

Công ty được thành lập vào tháng 4 năm 2023 bởi các cựu nhân viên Microsoft, đặt trụ sở tại Thượng Hải. Khác với nhiều mô hình AI chỉ mạnh về xử lý ngôn ngữ, StepFun chọn hướng đi tập trung vào đa phương thức ngay từ đầu. Đây là lý do các sản phẩm của họ thường xuất hiện dưới dạng công cụ tạo ảnh, tạo video hoặc trợ lý giọng nói thay vì chỉ là chatbot văn bản thuần túy.

Trong giới đầu tư, StepFun được xếp vào nhóm "AI Tiger" của Trung Quốc, sáu công ty AI được đánh giá tiềm năng nhất bên cạnh DeepSeek. Cách định vị này cho thấy StepFun không chỉ là một dự án nghiên cứu, mà đang được kỳ vọng trở thành một trong những nền tảng AI có sức ảnh hưởng thực sự tại Trung Quốc.

StepFun được phát triển bởi công ty nào?

StepFun là sản phẩm của Shanghai Jieyue Xingchen Intelligent Technology, công ty công nghệ AI đặt trụ sở tại quận Từ Hối, Thượng Hải.

Một vài thông tin cơ bản về công ty:

Việc StepFun công bố khá nhiều mô hình dưới dạng open-source trên Hugging Face và GitHub là điểm đáng chú ý. Với những nhóm kỹ thuật ở Việt Nam đang tìm mô hình để tự host hoặc tùy biến, đây là nguồn tham khảo bạn nên biết tới, dù cần kiểm tra kỹ giấy phép sử dụng của từng model cụ thể.

Các mô hình AI tiêu biểu của StepFun gồm những gì?

StepFun sở hữu một hệ sinh thái mô hình khá rộng, trải từ ngôn ngữ, hình ảnh, video đến âm thanh, thay vì chỉ tập trung vào một sản phẩm flagship duy nhất.

Trong số này, Step-3.5 Flash đáng chú ý nhất vì hướng đi khác biệt. Đây là mô hình có kiến trúc Mixture-of-Experts với 196 tỷ tham số tổng nhưng chỉ 11 tỷ tham số hoạt động trong mỗi lượt suy luận, được phát hành miễn phí dưới giấy phép Apache 2.0. Nói cách khác, bạn được dùng một mô hình quy mô lớn nhưng chi phí vận hành gần với một mô hình nhỏ, và được phép tải về sử dụng miễn phí.

Ngoài các mô hình lõi, StepFun còn cung cấp trợ lý AI cho người dùng cuối (ứng dụng StepFun AI) và tính năng StepClaw, một dạng agent tự động thực thi tác vụ trên nhiều thiết bị, kết nối được với bot Feishu để duy trì quy trình làm việc tự động.

Mô hình StepFun khác gì DeepSeek và Qwen?

StepFun mạnh nhất ở mảng đa phương thức như video và audio, trong khi DeepSeek dẫn đầu về suy luận và lập trình, còn Qwen cân bằng giữa đa năng và tích hợp doanh nghiệp.

Ba cái tên này thường được nhắc cùng nhau vì đều là mô hình AI Trung Quốc nổi bật, nhưng mỗi bên chọn một hướng đi riêng.

Nếu team của bạn cần sinh video hoặc xử lý hội thoại giọng nói cho nội dung marketing, StepFun là lựa chọn đáng cân nhắc hơn. Nếu ưu tiên hàng đầu là code generation hoặc bài toán suy luận với ngân sách hạn chế, DeepSeek thường được nhắc đến nhiều hơn trong cộng đồng. Còn nếu doanh nghiệp bạn đã dùng hệ sinh thái Alibaba Cloud và cần hỗ trợ tiếng Việt tốt, Qwen là phương án quen thuộc hơn.

Điều đáng lưu ý là các mức giá API cụ thể trong bảng trên biến động khá nhanh theo thời gian và theo từng phiên bản model. Trước khi chọn dùng cho dự án thật, bạn nên kiểm tra lại bảng giá mới nhất trực tiếp trên trang chủ của từng nhà cung cấp.

StepX Neo, bước tiến mới nhất của StepFun là gì?

StepX Neo là smartphone AI agent-native đầu tiên trên thế giới do StepFun công bố, chạy hệ điều hành riêng Step AOS với trợ lý AI Amoo tích hợp sâu vào toàn bộ hệ thống.

Đây là bước ngoặt vì StepFun không còn chỉ làm mô hình, mà bắt đầu làm cả phần cứng. StepX Neo được công bố ngày 13/7/2026, thuộc thương hiệu phần cứng mới mang tên STEPX. Điểm khác biệt lớn nhất so với các điện thoại "AI phone" thông thường nằm ở cách AI vận hành.

Với điện thoại AI thông thường, trợ lý AI chỉ là một ứng dụng chạy trên Android, người dùng vẫn phải tự mở app, tự bấm chọn từng bước. Với StepX Neo, AI được tích hợp thẳng vào hệ điều hành. Người dùng chỉ cần nói ý định, ví dụ đặt vé đi Đà Nẵng tuần sau với ngân sách cụ thể, hệ thống sẽ tự lên kế hoạch và thực thi xuyên nhiều ứng dụng như Ctrip, Alipay mà không cần thao tác thủ công.

Về mặt kỹ thuật, Step AOS được xây dựng theo ba tầng: tầng tài nguyên nền tảng (điều phối CPU, GPU, NPU và dữ liệu), tầng năng lực agent lõi (bộ nhớ, ra quyết định, an toàn) và tầng tương tác mới, chuyển từ kiểu bấm từng bước sang kiểu nói ý định rồi để AI tự thực thi.

Tuy vậy, sản phẩm này vẫn còn nhiều điểm chưa rõ ràng. Hãng chưa công bố cấu hình phần cứng cụ thể như CPU, RAM, dung lượng lưu trữ, pin, giá bán và ngày bán chính thức, đồng thời sản phẩm mới chỉ demo tại Trung Quốc, chưa có kế hoạch ra mắt quốc tế. Với các doanh nghiệp Việt Nam, đây là sản phẩm nên theo dõi hơn là nên đầu tư ngay lúc này, vì hệ sinh thái đi kèm (Alipay, Didi, Meituan) gắn chặt với thị trường Trung Quốc.

Mô hình StepFun phù hợp với ai?

StepFun phù hợp với các đội ngũ cần sinh video, xử lý âm thanh hoặc xây dựng agent tự động, hơn là nhóm chỉ cần một chatbot văn bản đơn thuần.

Cụ thể hơn, bạn nên cân nhắc StepFun nếu rơi vào một trong các trường hợp sau:

• Cần tạo video ngắn hoặc nội dung đa phương thức cho marketing mà không muốn dựng thủ công toàn bộ.
• Muốn xây trợ lý giọng nói xử lý hội thoại theo thời gian thực.
• Đang thử nghiệm mô hình open-source quy mô lớn nhưng chi phí vận hành thấp, như Step-3.5 Flash.
• Quan tâm đến xu hướng AI agent tích hợp sâu vào hệ điều hành, dù StepX Neo hiện chưa khả dụng ngoài Trung Quốc.

Ngược lại, nếu công việc chính của bạn chỉ xoay quanh viết nội dung văn bản, phân tích dữ liệu hoặc lập trình, các mô hình như DeepSeek hoặc những nền tảng đã phổ biến tại Việt Nam có thể là lựa chọn thực tế hơn ở thời điểm hiện tại.

Ưu điểm và hạn chế của mô hình StepFun là gì?

StepFun mạnh về đa phương thức và có một phần open-source, nhưng hạn chế ở chi phí API và mức độ phổ biến còn thấp so với các đối thủ tại thị trường quốc tế.

Nói thẳng ra, nếu bạn đang tìm một mô hình để chạy sản xuất ngay bây giờ cho một SME Việt Nam, StepFun chưa phải lựa chọn thuận tiện nhất về mặt hỗ trợ và cộng đồng. Nhưng nếu bạn theo dõi xu hướng AI đa phương thức và agent-native để chuẩn bị chiến lược dài hạn, đây là cái tên đáng để bạn đưa vào danh sách quan sát.

Câu hỏi thường gặp về mô hình StepFun

StepFun có phải là mô hình mã nguồn mở không?
Một phần. StepFun mở một số mô hình như Step-3.5 Flash, Step-Audio và StepVideo, nhưng nhiều model flagship khác chỉ cung cấp qua API.

StepFun khác gì so với ChatGPT hay Claude?
StepFun tập trung mạnh vào đa phương thức như sinh video và xử lý âm thanh, trong khi ChatGPT và Claude thiên về xử lý văn bản, lập luận và tác vụ agent tổng quát.

StepX Neo đã bán tại Việt Nam chưa?
Chưa. StepX Neo mới chỉ demo tại Trung Quốc và StepFun chưa công bố kế hoạch ra mắt quốc tế.

Step-3.5 Flash có miễn phí không?
Có, Step-3.5 Flash được phát hành dưới giấy phép Apache 2.0, cho phép tải về và sử dụng miễn phí.

Doanh nghiệp Việt Nam có nên dùng StepFun ngay bây giờ không?
Tùy nhu cầu. Nếu cần sinh video hoặc audio đa phương thức, StepFun đáng thử nghiệm. Nếu chỉ cần chatbot văn bản thông thường, các nền tảng phổ biến hơn tại Việt Nam có thể phù hợp hơn.

StepFun thuộc nhóm công ty AI nào của Trung Quốc?
StepFun được xếp vào nhóm sáu công ty AI được giới đầu tư gọi là "AI Tiger" của Trung Quốc, bên cạnh DeepSeek.

StepFun là một hướng đi khác trong bức tranh AI Trung Quốc, thiên về đa phương thức thay vì chỉ chạy đua về suy luận văn bản. Với StepX Neo, công ty này đang thử nghiệm một canh bạc lớn hơn: đưa AI agent vào thẳng hệ điều hành smartphone. Với đội ngũ marketing hoặc automation tại Việt Nam, việc hiểu cách các agent AI như Amoo hay StepClaw vận hành sẽ giúp bạn hình dung rõ hơn xu hướng tự động hóa sắp tới.

Nếu bạn muốn tự tay xây dựng những hệ thống AI agent tương tự, từ bot trả lời tự động đến quy trình tự động hóa đa kênh, khóa học Mastering Agentic AI: OpenClaw, Vibe Coding và n8n tại Vinalink Academy là nơi bạn học cách thiết kế agent thực chiến, không cần biết lập trình.