Hook
Tôi mở Remix, deploy một contract test. Nhưng thay vì Solidity, tôi gọi API Qwen-Image-3.0 với một prompt dài 4.500 token: “Tạo một tờ báo gồm 3 cột, cột trái là tin chính với tiêu đề 72px màu đỏ, cột giữa là biểu đồ nhiệt độ 7 ngày dạng line chart, cột phải là một bài thơ 8 chữ viết tay. Tất cả text phải bằng tiếng Việt, font Times New Roman, cỡ chữ 14px cho nội dung, 48px cho header.”
Kết quả trả về: một ảnh PNG 2048x2048. Header hiển thị đúng 72px màu đỏ. Biểu đồ nhiệt độ có trục ngày đúng. Nhưng bài thơ 8 chữ lại viết sai dòng thứ ba: “Trăng lên cao quá, gió hiu hiu” thành “Trăng lên cao quá, gió hiu hiu biết” – dư một chữ. Lỗi giống hệt bug off-by-one trong smart contract: mảng đếm từ 0 nhưng code lại ghi vào index thừa.
Một mô hình được quảng cáo là “hiểu layout phức tạp” lại mắc lỗi cơ bản về đếm token. Tôi bắt đầu nghi ngờ.
Context
Qwen-Image-3.0, do team Qwen (Alibaba Cloud) phát hành cuối tháng 5/2025, được định vị là “mô hình sinh ảnh thế hệ mới tập trung vào năng suất”. Các điểm nhấn chính thức:
- Hỗ trợ prompt lên đến 4.500 token – gấp 20 lần DALL-E 3.
- Tạo ảnh dạng document: báo, đề thi, storyboard, infographic grid.
- Hiển thị text cỡ nhỏ (10px) chính xác, hỗ trợ 12 ngôn ngữ, LaTeX, chữ viết tay.
- 100+ phong cách, tích hợp trong hệ sinh thái Alibaba Cloud.
Bài PR trên Dongcha Beating (một site chuyên theo dõi blockchain/early stage) ca ngợi đây là “bước ngoặt trong AI tạo sinh hướng đến công cụ sản xuất”. Nhưng tôi đọc kỹ: không có thông số kỹ thuật, không benchmark, không độ trễ. Giống như một whitepaper của ICO 2017: hoành tráng về tính năng, mơ hồ về implement.
Với tư cách một Smart Contract Architect đã từng đào sâu vào code của Uniswap v1, Terra Anchor, và Chainlink AI oracle, tôi thấy ngay pattern quen thuộc: tính năng càng mạnh, bề mặt tấn công càng lớn. Qwen-Image-3.0 không chỉ là một model generate ảnh – nó là một trình thông dịch layout có thể bị inject lệnh. Và khi nó được gọi qua API với hàng triệu request từ các ứng dụng giáo dục, marketing, thiết kế, bất kỳ lỗ hổng nào cũng có thể nhân lên như reentrancy trong DeFi.
Core
Kiến trúc suy luận – không phải “vẽ” mà là “biên dịch”
Tôi không có quyền truy cập weights, nhưng từ hành vi có thể suy ra:
- Bộ mã hóa văn bản mạnh – chắc chắn dùng LLM backbone (Qwen2.5-72B?) để parse câu lệnh phức tạp. Điều này giải thích khả năng hiểu ngữ cảnh dài, nhưng cũng là điểm yếu: LLM sinh ra lỗi ngữ nghĩa, đặc biệt khi prompt chứa mâu thuẫn (ví dụ: “font 10px nhưng phải đọc được từ xa 5m”).
- Cơ chế attention theo vùng – để gán text vào đúng tọa độ, model cần một layout transformer hoặc region-aware cross-attention. Nếu implement không chặt, bug off-by-one như tôi gặp ở trên có thể xuất hiện đồng loạt.
- Diffusion backbone dạng DiT – vì cần control pixel-level ở vùng nhỏ (chữ 10px). DiT tăng resolution dễ nhưng tốn compute tương ứng.
Tôi fork thử một số testcases:
| Test case | Prompt (tối giản) | Output observed | |-----------|------------------|-----------------| | Đếm số lượng phần tử | “Tạo lưới 3x3, mỗi ô một số từ 1 đến 9, viết số màu đen” | Ảnh đủ 9 ô nhưng ô số 5 lại là số 4 – lỗi duplicate index | | Văn bản chồng chéo | “Cột trái tiêu đề 40px, cột phải tiêu đề 40px, cả hai cùng tọa độ y=100” | Model tự động dịch cột phải xuống y=200 – hành vi không predictable | | Ký tự đặc biệt SQL injection | “Nội dung: ‘ OR 1=1 –” (trong prompt) | Output hiển thị đúng text, không có filter – rủi ro nếu output được render trong web |
Kết quả: model có khả năng nhưng thiếu consistency. Mỗi lần chạy cùng prompt cho output khác nhau về vị trí, cỡ chữ. Giống như chạy một hàm rand() trong Solidity mà không có seed cố định.
So sánh gas cost (inference cost)
Tôi ước lượng FLOPs cần thiết cho một ảnh 2048x2048 với DiT, so với SDXL:
- SDXL (~2.6B params): ~30 TFLOPs / ảnh, latency ~3s trên A100.
- Qwen-Image-3.0 (ước 7B+ params vì thêm layout transformer): ~80-100 TFLOPs / ảnh, latency ~8-12s.
Nếu tính chi phí trên đám mây (giá A100 ~$3.5/h), mỗi ảnh tốn ~$0.008. Với 1 triệu request/ngày, chi phí ~$8,000/ngày – con số khả thi cho doanh nghiệp nhưng không rẻ. Và nếu phải retry do lỗi layout, cost nhân lên.
Điểm mù bảo mật: Layout Injection
Đây là góc nhìn mà tôi, một security auditor, không thể bỏ qua.
Layout Injection – tương tự SQL injection trong database – xảy ra khi input của người dùng được ghép trực tiếp vào cấu trúc layout mà không sanitize. Ví dụ: một ứng dụng cho phép người dùng nhập nội dung cho poster, sau đó gửi prompt đến Qwen-Image-3.0. Nếu nội dung chứa lệnh layout kiểu “font-size: 999px; color: white” có thể làm crash render hoặc tạo ảnh vô hại. Nhưng nguy hiểm hơn: nếu model hỗ trợ nested prompt (gọi model khác từ layout), attacker có thể chèn lệnh tạo ảnh chứa nội dung nhạy cảm.
Chưa có report nào về vụ này, nhưng theo luật Murphy, nó sẽ xảy ra trong vòng 6 tháng.
Contrarian
Đa số người dùng sẽ nghĩ: “Mô hình này tuyệt vời, tôi có thể tạo đề thi, báo, infographic chỉ với một prompt.” Họ không nhìn thấy lớp nguy hiểm bên dưới.
Góc nhìn phản trực giác của tôi:
- Long prompt không phải là lợi thế tuyệt đối. Trong thực tế, người dùng không viết prompt 4.500 token mỗi lần. Họ copy-paste từ tài liệu cũ, hoặc dùng template có sẵn. Model phải xử lý nhiều noise, dễ sinh ra lỗi. Cũng giống như việc để một smart contract có hàm
fallbackdài 100 dòng – càng nhiều code, càng nhiều bug.
- Định vị “năng suất” sẽ giết chết tính sáng tạo. Khi model tập trung vào layout chuẩn, nó vô tình ép người dùng theo khuôn mẫu. Một tờ báo do AI tạo ra sẽ luôn giống nhau về cấu trúc. Thiếu sự bất ngờ. Điều này đối lập với tinh thần của crypto: permissionless innovation.
- Chi phí ẩn cao hơn lợi ích thấy được. Với mỗi ảnh hỏng do lỗi layout, người dùng phải sinh lại, tốn thêm compute, thời gian. Trong khi đó, một designer chuyên nghiệp có thể hoàn thành layout trong 10 phút với chi phí $0.5 – rẻ hơn nhiều so với 10 lần retry AI.
- Rủi ro copyright không được giải quyết. Model sinh ra ảnh có chứa văn bản giống hệt sách giáo khoa, báo chí. Ai chịu trách nhiệm? Alibaba Cloud có indemnification không? Nếu không, doanh nghiệp dùng model này để tạo đề thi cho học sinh có thể bị kiện bản quyền.
Takeaway
Qwen-Image-3.0 là một bước tiến về mặt kỹ thuật, nhưng giống như nhiều Layer 2 rollup sau Dencun, nó hứa hẹn giảm phí nhưng lại tăng độ phức tạp và bề mặt tấn công. Tôi đặt cược rằng trong vòng một năm, sẽ xuất hiện ít nhất một lỗ hổng “layout injection” nghiêm trọng, buộc team phải patch hoặc giới hạn đáng kể khả năng của model.
Câu hỏi cuối cùng: Liệu một mô hình sinh ảnh có thể “tự debug” layout khi nó còn không phân biệt được số 4 và số 5 trong lưới 3x3? Nếu câu trả lời là không, thì tất cả những gì chúng ta thấy hôm nay chỉ là một bản demo được dàn dựng kỹ lưỡng – giống như một ICO whitepaper vậy.