Ngày 6/7, Trường Đại học VinUni công bố V-Bench, bộ công cụ đánh giá năng lực tiếng Việt của các mô hình trí tuệ nhân tạo (AI). Hệ thống được xây dựng trên hơn 40.000 câu hỏi và tác vụ, với sự tham gia của hội đồng khoa học gồm 18 chuyên gia AI người Việt trong và ngoài nước.
Theo kết quả công bố từ V-Bench, bộ công cụ đã đánh giá 15 mô hình ngôn ngữ lớn (LLM). Trong bảng xếp hạng V-Bench Intelligence Index, V-LLM v1 của Vingroup đạt 68 điểm, đứng đầu.
Xếp sau là Gemini-2.5-Flash của Google với 58,8 điểm. Hai vị trí tiếp theo thuộc về Qwen3-235B Thinking và Qwen3-235B Instruct của Alibaba, lần lượt đạt 58,23 và 54,8 điểm. Các mô hình của OpenAI như GPT-oss-120B và GPT-4.1-mini đạt 51,44 và 50,17 điểm.
Kết quả được tổng hợp từ 5 nhóm tiêu chí gồm kiến thức học thuật; an toàn và chủ quyền số; tri thức văn hóa, xã hội và vùng miền; y tế, sức khỏe cộng đồng; năng lực Agentic AI. Hệ thống đánh giá nhiều lĩnh vực như Toán, Vật lý, Hóa học, Khoa học máy tính, Luật, Triết học, Tâm lý và Logic.
V-Bench do Trung tâm Nghiên cứu AI, Trường Đại học VinUni phát triển theo mô hình phi lợi nhuận.
Theo VinUni, bộ công cụ không chỉ đánh giá khả năng trả lời câu hỏi mà còn đo mức độ hiểu ngữ cảnh tiếng Việt như phương ngữ Bắc - Trung - Nam, cách xưng hô, tri thức văn hóa và khả năng thực hiện tác vụ trong bối cảnh Việt Nam. Hệ thống cũng bổ sung tiêu chí về an toàn và chủ quyền số.
Trong giai đoạn tiếp theo, V-Bench dự kiến bổ sung các tiêu chí đánh giá đa phương thức, gồm khả năng xử lý hình ảnh, âm thanh, nhận diện chữ Nôm, biển hiệu vùng miền, biểu đồ, di sản văn hóa và hiểu giọng nói ba miền.
Bộ công cụ cũng sẽ đánh giá khả năng xử lý tài liệu tiếng Việt có độ dài trên 100.000 token, yêu cầu AI đọc hiểu và trích xuất thông tin từ văn bản pháp luật, hợp đồng, công báo và sách giáo khoa.