Bài 1.1: Sự trỗi dậy của AI Engineering – Từ Mô hình Ngôn ngữ đến Mô hình Nền tảng

Phần I: Bối cảnh Lịch sử, Động lực Kỹ thuật & Sự Dịch chuyển Mô thức

Kỹ nghệ AI (AI Engineering) – quy trình thiết kế, triển khai, tối ưu và vận hành các ứng dụng phần mềm dựa trên nền tảng các mô hình AI có sẵn – đang nhanh chóng trở thành một trong những phân ngành kỹ thuật phát triển nhanh nhất trong lịch sử công nghệ thông tin. Tuy nhiên, việc xây dựng ứng dụng dựa trên các mô hình Học máy (Machine Learning – ML) vốn không phải là một phát kiến hoàn toàn mới. Trước khi các mô hình ngôn ngữ lớn (Large Language Models – LLMs) bùng nổ, Trí tuệ Nhân tạo đã âm thầm vận hành hàng triệu hệ thống trọng yếu: từ thuật toán gợi ý sản phẩm của Amazon, cơ chế phát hiện gian lận thanh toán của Visa, cho đến mô hình dự đoán rời bỏ dịch vụ (churn prediction) của các nhà mạng viễn thông.

Mặc dù nhiều nguyên lý cốt lõi về việc đưa mô hình vào vận hành thực tế (Productionization) vẫn giữ nguyên giá trị, làn sóng các Mô hình Nền tảng (Foundation Models) với quy mô tham số khổng lồ và khả năng truy cập tức thì qua giao diện lập trình ứng dụng (APIs) đã làm thay đổi hoàn toàn cục diện kỹ thuật. Chúng ta không còn tiếp cận bài toán theo cách truyền thống là thu thập dữ liệu gán nhãn hàng tháng trời rồi huấn luyện một mô hình chuyên biệt từ con số không, mà chuyển sang tích hợp, tinh chỉnh và kiểm soát các thực thể trí tuệ nhân tạo có năng lực tổng quát hóa phi thường.

Các ứng dụng như ChatGPT của OpenAI hay GitHub Copilot dường như xuất hiện chỉ sau một đêm, nhưng trên thực tế, chúng là đỉnh cao kết tinh của hơn bảy thập kỷ nghiên cứu khoa học liên tục – với những mô hình ngôn ngữ đầu tiên được nhen nhóm từ những năm 1950. Để thực sự làm chủ kỹ nghệ AI ở cấp độ chuyên sâu, một kỹ sư không thể nhìn mô hình như một “chiếc hộp đen ma thuật” (black box), mà phải thấu suốt các bước chuyển dịch mô thức căn bản đã định hình nên kỷ nguyên này.

Phần II: Giải phẫu Ngôn ngữ học Thống kê & Bản chất của Mô hình Ngôn ngữ

1. Bản chất Thống kê của Ngôn ngữ Tự nhiên

Bản chất thống kê của ngôn ngữ tự nhiên đã được phát hiện từ hàng thế kỷ trước. Trong tác phẩm trinh thám nổi tiếng The Adventure of the Dancing Men (1905), thám tử Sherlock Holmes đã giải mã chuỗi hình vẽ người nhảy múa bí ẩn dựa trên một nguyên lý thống kê cơ bản: trong tiếng Anh, chữ cái xuất hiện với tần suất cao nhất là E, do đó hình vẽ xuất hiện nhiều lần nhất bắt buộc phải đại diện cho ký tự E.

Vào giai đoạn Chiến tranh Thế giới thứ Hai, nhà toán học Claude Shannon đã nâng tầm phân tích thống kê để giải mã các thông điệp mật mã của phe Trục. Năm 1951, Shannon công bố công trình kinh điển đặt nền móng cho lý thuyết thông tin hiện đại: “Prediction and Entropy of Printed English”. Các khái niệm toán học nền tảng mà Shannon giới thiệu – đặc biệt là Độ hỗn loạn thông tin (Entropy) – cho đến nay vẫn là thước đo chuẩn mực nhất để đánh giá và tối ưu hóa các mô hình ngôn ngữ tiên tiến nhất thế giới.

Về mặt toán học thuần túy, một Mô hình Ngôn ngữ (Language Model – LM) là một hàm phân phối xác suất mã hóa thông tin thống kê về một hoặc nhiều ngôn ngữ. Hàm số này cho chúng ta biết xác suất một từ hoặc một chuỗi từ xuất hiện trong một ngữ cảnh nhất định. Nếu ta cung cấp ngữ cảnh:

"Màu sắc yêu thích của tôi là ______"

Một mô hình ngôn ngữ chuẩn mực của tiếng Việt sẽ gán xác suất xuất hiện cho từ “xanh” hoặc “đỏ” cao hơn gấp hàng nghìn lần so với từ “xe hơi” hay “chạy bộ”. Cụ thể, xác suất hợp thành của một chuỗi văn bản gồm T tokens được phân rã theo quy tắc chuỗi xác suất có điều kiện (Chain Rule of Probability):

P(x_1, x_2, ..., x_T) = ∏_{t=1}^{T} P(x_t | x_1, x_2, ..., x_{t-1})

2. Cơ chế Tokenization & Khái niệm “Token”

Đơn vị cơ bản nhất mà một mô hình ngôn ngữ xử lý không phải là “từ” (word) và cũng không phải là “ký tự” (character), mà là Token. Tùy thuộc vào kiến trúc của bộ tách từ (Tokenizer), một token có thể là một ký tự đơn lẻ, một từ trọn vẹn, hoặc một phần của từ (hình vị – subword như tiền tố, hậu tố). Ví dụ, cụm từ “I can’t wait” qua bộ tách từ Byte-Pair Encoding (BPE) của GPT-4 sẽ được phân rã thành 4 tokens riêng biệt: I, can, 't, wait.

Tại sao ngành công nghiệp AI lại chọn Token làm đơn vị xử lý thay vì Word hay Character? Có 3 lý do kỹ thuật mang tính sống còn:

1. Bảo toàn ngữ nghĩa cấu trúc (Semantic Compositionality): So với ký tự đơn lẻ (vốn không mang nghĩa độc lập), subword tokens cho phép mô hình bóc tách từ phức tạp thành các thành phần có nghĩa. Ví dụ, từ “unbreakable” được phân rã thành “un-“ (tiền tố phủ định), “break” (gốc từ hành động), và “-able” (hậu tố khả năng), giúp mô hình hiểu sâu sắc cấu trúc ngữ nghĩa ngay cả khi chưa từng gặp từ này nguyên vẹn trong tập huấn luyện.
2. Tối ưu hóa kích thước Từ vựng (Vocabulary Size): Số lượng từ vựng duy nhất trong một ngôn ngữ là vô tận (do từ mới, tên riêng, thuật ngữ chuyên ngành liên tục xuất hiện). Nếu dùng Word-level tokenization, kích thước từ vựng sẽ phình to lên hàng triệu chiều, khiến ma trận Embedding và tầng Softmax cuối cùng tiêu tốn hàng chục Gigabytes VRAM GPU. Ngược lại, Subword tokenization nén toàn bộ kho từ vựng thế giới về một tập cố định: ví dụ Mixtral 8x7B dùng bộ từ vựng 32.000 tokens, Llama-3 dùng 128.256 tokens, và GPT-4 dùng 100.256 tokens.
3. Giải quyết triệt để vấn đề từ ngoài từ điển (Out-Of-Vocabulary – OOV): Với các từ mới xuất hiện, từ lóng hoặc lỗi chính tả (ví dụ: “chatgpting”), tokenizer sẽ tự động chia nhỏ thành các mảnh nhỏ hơn như “chat” + “gpt” + “ing” hoặc thậm chí fallback về từng byte UTF-8 riêng lẻ, triệt tiêu hoàn toàn lỗi không nhận diện được ký tự.

3. Thuế Tokenization Đa ngôn ngữ (Multilingual Tokenization Tax) đối với Tiếng Việt

Một điểm quan trọng mà mọi kỹ sư AI tại Việt Nam bắt buộc phải thấu hiểu là Hệ số Tách từ (Tokenization Fertility). Do hầu hết các Foundation Models thương mại (như GPT-4, Claude) được huấn luyện bộ tách từ chủ yếu trên văn bản tiếng Anh, cấu trúc BPE ưu tiên gộp các cụm ký tự tiếng Anh phổ biến thành 1 token duy nhất (trung bình 100 tokens tiếng Anh tương đương 75 từ, tỷ lệ fertility ~1.33 tokens/từ).

Trong khi đó, tiếng Việt là ngôn ngữ đơn lập với hệ thống thanh dấu phức tạp (sắc, huyền, hỏi, ngã, nặng) và các nguyên âm kép (ê, ơ, ư, ă, â, đ). Khi đi qua tokenizer chuẩn tiếng Anh, một từ tiếng Việt có dấu thường bị xé nhỏ thành 2 đến 4 tokens riêng biệt (fertility vọt lên 2.0 – 3.5 tokens/từ). Hiện tượng này dẫn đến 3 hệ quả kỹ thuật nghiêm trọng trong doanh nghiệp:

• Đội chi phí API lên gấp 2 – 3 lần: Các nhà cung cấp mô hình tính tiền theo số lượng token đầu vào và đầu ra. Xử lý cùng một nội dung thông tin, văn bản tiếng Việt tiêu tốn ngân sách cao hơn gấp đôi so với tiếng Anh.
• Thu hẹp cửa sổ ngữ cảnh hữu dụng (Effective Context Window): Một mô hình có context window 8.192 tokens có thể chứa khoảng 6.000 từ tiếng Anh, nhưng chỉ chứa được khoảng 2.500 – 3.000 từ tiếng Việt trước khi tràn bộ nhớ.
• Tăng độ trễ suy luận (Inference Latency): Do các mô hình Autoregressive sinh văn bản tuần tự từng token một (Token-by-token generation), số lượng tokens nhiều hơn đồng nghĩa với việc người dùng phải chờ lâu hơn để nhận được câu trả lời hoàn chỉnh.

Phần III: Phân loại Kiến trúc Mô hình Ngôn ngữ: Masked LM vs. Autoregressive LM

Dựa trên nguồn thông tin mà mô hình được phép tiếp cận để dự đoán token, thế giới mô hình ngôn ngữ phân rã thành hai nhánh kiến trúc độc lập:

Trong thực tế kỹ nghệ hiện đại, Autoregressive Models đã trở thành sự lựa chọn thống trị tuyệt đối cho các hệ thống AI thế hệ mới nhờ tính linh hoạt phi thường: chúng hoạt động như một “cỗ máy hoàn thành văn bản” (Completion Engine). Khi học viên cung cấp một Prompt (ngữ cảnh mồi), mô hình sẽ tính toán phân phối xác suất và liên tục chọn token tiếp theo để hoàn thiện văn bản đó. Dưới góc nhìn này, mọi tác vụ – từ dịch thuật, tóm tắt, giải toán, đến viết ứng dụng web – đều quy về bài toán dự đoán token tiếp theo.

Phần IV: Bước chuyển dịch Mô thức: Tự Giám sát (Self-Supervision)

1. Sự Bế tắc của Kỷ nguyên Học có Giám sát (Supervised Learning Bottleneck)

Thành công vang dội của làn sóng Deep Learning thập niên 2010 (bắt đầu từ mạng tích chập AlexNet năm 2012) được xây dựng trên nền tảng của Học có giám sát (Supervised Learning). Mô hình chỉ có thể học được khi con người cung cấp cho nó hàng triệu cặp dữ liệu đầu vào và nhãn tương ứng (Input X, Label Y). Ví dụ kinh điển là tập dữ liệu ImageNet của Giáo sư Fei-Fei Li (hơn 14 triệu hình ảnh được phân loại thủ công vào 20.000 danh mục) hay tập dữ liệu SQuAD cho bài toán hỏi đáp văn bản.

Tuy nhiên, sự giám sát của con người nhanh chóng trở thành “nút cổ chai” nghẹt thở nhất của toàn bộ nền khoa học máy tính:

• Chi phí tài chính và thời gian để thuê chuyên gia gán nhãn hàng triệu tài liệu y khoa, tài chính, hoặc luật pháp là một con số thiên văn.
• Dữ liệu con người gán nhãn chứa đầy sự bất nhất, định kiến cá nhân và sai sót chủ quan.
• Mô hình huấn luyện có giám sát chỉ giỏi đúng tác vụ hẹp mà nó được dạy; một mô hình phân loại sắc thái bình luận phim không thể phân loại hồ sơ tín dụng ngân hàng.

2. Cơ chế Tự Giám sát (Self-Supervision) – Biến Mọi Dữ liệu Thô thành Dữ liệu Huấn luyện

Bước đột phá mang tính cách mạng giải phóng tiềm năng của AI chính là Tự giám sát (Self-Supervision). Trong phương thức này, dữ liệu thô tự nó đóng vai trò vừa là đầu vào, vừa là nhãn giám sát mà không cần bất kỳ sự can thiệp thủ công nào của con người. Cụ thể với mô hình Autoregressive Language Model, nếu ta có một câu văn bản thô cào từ Internet:

"Hà Nội là thủ đô của nước Cộng hòa Xã hội Chủ nghĩa Việt Nam."

Thuật toán tự động cắt câu này thành chuỗi các cặp huấn luyện tuần tự:

• Input: “Hà Nội” → Label mục tiêu: “là”
• Input: “Hà Nội là” → Label mục tiêu: “thủ đô”
• Input: “Hà Nội là thủ đô” → Label mục tiêu: “của”
• Input: “Hà Nội là thủ đô của” → Label mục tiêu: “nước”
• …

Đột nhiên, toàn bộ kho tàng tri thức đồ sộ của nhân loại – hàng tỷ trang web trên Common Crawl, toàn bộ bách khoa toàn thư Wikipedia, hàng triệu đầu sách số hóa, kho mã nguồn GitHub – biến thành một kho dữ liệu huấn luyện khổng lồ hoàn toàn miễn phí. Nhà khoa học trưởng Ilya Sutskever (đồng sáng lập OpenAI) từng chia sẻ một trực giác toán học sâu sắc: “Để có thể dự đoán chính xác token tiếp theo trong mọi hoàn cảnh, mô hình buộc phải nén và thấu hiểu toàn bộ quy luật vận hành của thế giới thực đã sinh ra văn bản đó.” Dự đoán token tiếp theo không phải là học vẹt thống kê, mà là một phép xấp xỉ của việc mô hình hóa thế giới (World Modeling).

Phần V: Khái niệm “Mô hình Nền tảng” (Foundation Models) & Năng lực Bộc phát

Năm 2021, Viện Nghiên cứu Trí tuệ Nhân tạo Stanford (Stanford HAI / CRFM), dưới sự dẫn dắt của Rishi Bommasani cùng hơn 100 nhà khoa học hàng đầu thế giới, đã chính thức đề xuất thuật ngữ Mô hình Nền tảng (Foundation Models) trong công trình nghiên cứu dài hơn 200 trang “On the Opportunities and Risks of Foundation Models”.

Một Mô hình Nền tảng được định nghĩa chính thức là: Một mô hình học máy được huấn luyện trên quy mô dữ liệu thô cực lớn (thường bằng phương pháp tự giám sát), sở hữu năng lực tổng quát hóa cao và có thể thích ứng (adapt) linh hoạt vào hàng loạt tác vụ chuyên biệt phía hạ nguồn.

Năng lực Bộc phát (Emergent Abilities) & Học trong Ngữ cảnh (In-Context Learning)

Khi các mô hình ngôn ngữ được mở rộng quy mô (Scaling) cả về số lượng tham số (Parameters), kích thước dữ liệu (Tokens), và công suất tính toán (Compute FLOPs), một hiện tượng kỳ diệu xảy ra: Năng lực Bộc phát (Emergence). Đây là những năng lực giải quyết vấn đề mà mô hình quy mô nhỏ không hề có và người lập trình không hề chủ đích cài đặt, nhưng đột ngột xuất hiện khi vượt qua một ngưỡng quy mô nhất định:

• Học trong Ngữ cảnh (In-Context Learning – ICL): Mô hình có khả năng hiểu nhiệm vụ và học quy luật mới chỉ thông qua vài ví dụ minh họa (Few-shot prompting) được truyền vào prompt tại thời điểm suy luận, mà không cần cập nhật lại bất kỳ một trọng số (weights) nào của mạng nơ-ron.
• Lập luận Từng bước (Chain-of-Thought Reasoning): Mô hình có thể bẻ gãy một bài toán suy luận logic hoặc toán học phức tạp thành các bước trung gian để tự kiểm chứng và đưa ra đáp án chính xác.
• Dịch chuyển Đa phương thức (Multimodal Convergence): Khái niệm Foundation Models nhanh chóng mở rộng vượt ra ngoài ranh giới văn bản. Bằng cách đồng bộ không gian biểu diễn (Joint Representation Space), các mô hình ngày nay có khả năng nhìn (Computer Vision), nghe (Audio/Speech), phân tích cấu trúc mã nguồn (Code), và điều khiển robot trong thế giới vật lý.

Phần VI: Sự Hình thành Phân ngành Kỹ nghệ AI (The Rise of AI Engineering)

Sự trưởng thành của Foundation Models đã khai sinh mô hình kinh doanh Model-as-a-Service (MaaS). Các tập đoàn công nghệ tiên phong (OpenAI, Anthropic, Google, Meta, Mistral) đảm nhận công việc tiêu tốn hàng trăm triệu USD: xây dựng các siêu trung tâm dữ liệu GPU, thu thập hàng chục nghìn tỷ tokens dữ liệu, và thực hiện quá trình Pre-training phức tạp trong nhiều tháng.

Kết quả đầu ra được đóng gói thành các giao diện lập trình ứng dụng (APIs) hoặc các bộ trọng số mở (Open-weight models như Llama-3, Mistral, Gemma). Điều này dẫn đến sự dân chủ hóa công nghệ AI chưa từng có trong lịch sử:

• Hạ thấp rào cản gia nhập: Một lập trình viên web hoặc kỹ sư di động không cần sở hữu bằng Tiến sĩ về Học máy, không cần biết cách đạo hàm ma trận ngược (Backpropagation), vẫn có thể xây dựng một hệ thống phân tích tài chính hoặc trợ lý y tế thông minh chỉ bằng vài dòng code tích hợp API.
• Rút ngắn chu kỳ phát triển (Time-to-Market): Thay vì mất 6 đến 9 tháng để thu thập dữ liệu và huấn luyện mô hình phân loại văn bản hẹp, kỹ sư có thể tạo ra một nguyên mẫu thử nghiệm (Prototype) hoạt động xuất sắc chỉ trong vòng một buổi chiều nhờ kỹ nghệ Prompting và RAG.
• Xuất hiện những thách thức kỹ thuật hoàn toàn mới: Do Foundation Models có tính chất sinh mở và xác suất, kỹ sư AI phải đối mặt với các bài toán vận hành hóc búa: Ảo giác (Hallucination), tính không tiền định (Non-determinism), độ trễ suy luận cao (Latency), chi phí token tăng vọt nếu không kiểm soát, lỗ hổng bảo mật Prompt Injection, và bài toán đo lường chất lượng hệ thống một cách khoa học.

Phần VII: Mã nguồn Thực chiến: Bộ Đo lường Hệ số Phân tách Từ (Token Fertility) & Phân tích Chi phí API

Để lượng hóa sự khác biệt về chi phí và độ trễ giữa tiếng Việt và tiếng Anh khi làm việc với các Foundation Models, đoạn mã Python chuẩn doanh nghiệp dưới đây sử dụng thư viện tiktoken (bộ tokenizer chuẩn của OpenAI cho mô hình GPT-4o và GPT-4-Turbo) để phân tích chi tiết: số lượng tokens, hệ số phân tách từ (fertility), chi phí dự phóng cho 1 triệu lượt gọi API và ước tính độ trễ truyền dữ liệu.

import tiktoken
from dataclasses import dataclass

@dataclass
class TokenizationReport:
    language: str
    raw_text: str
    word_count: int
    char_count: int
    token_count: int
    fertility: float          # Tokens per word
    chars_per_token: float    # Characters per token
    cost_per_1m_requests_usd: float

class MultilingualTokenizationAuditor:
    """
    Bộ công cụ kiểm toán hiệu quả tách từ (Tokenization Efficiency)
    dành cho các kiến trúc sư hệ thống AI tại thị trường Việt Nam.
    """
    def __init__(self, model_encoding: str = "cl100k_base"):
        # cl100k_base là bộ mã hóa chuẩn của GPT-4, GPT-3.5-Turbo và Text-Embedding-Ada-002
        self.encoding = tiktoken.get_encoding(model_encoding)

    def analyze(self, text: str, language: str, input_price_per_1m_tokens: float = 2.50) -> TokenizationReport:
        clean_text = text.strip()
        words = clean_text.split()
        num_words = max(len(words), 1)
        num_chars = len(clean_text)

        # Thực hiện mã hóa văn bản thô thành danh sách token IDs
        tokens = self.encoding.encode(clean_text)
        num_tokens = len(tokens)

        # Tính toán các chỉ số kinh tế kỹ thuật
        fertility = round(num_tokens / num_words, 3)
        chars_per_tok = round(num_chars / max(num_tokens, 1), 2)
        
        # Giả định một tác vụ doanh nghiệp với 1.000.000 lượt truy vấn cùng dung lượng văn bản
        projected_cost = round((num_tokens * 1_000_000 / 1_000_000) * input_price_per_1m_tokens, 2)

        return TokenizationReport(
            language=language,
            raw_text=clean_text[:60] + "..." if len(clean_text) > 60 else clean_text,
            word_count=num_words,
            char_count=num_chars,
            token_count=num_tokens,
            fertility=fertility,
            chars_per_token=chars_per_tok,
            cost_per_1m_requests_usd=projected_cost
        )

# === Kịch bản Kiểm nghiệm Thực tế ===
if __name__ == "__main__":
    auditor = MultilingualTokenizationAuditor("cl100k_base")

    # Văn bản đối chiếu song ngữ có cùng dung lượng ngữ nghĩa tương đương
    vn_sample = (
        "Trí tuệ nhân tạo tạo sinh đang thay đổi căn bản cách thức các kỹ sư phần mềm "
        "thiết kế và vận hành các hệ thống thông tin quy mô lớn trong kỷ nguyên số hóa."
    )
    en_sample = (
        "Generative artificial intelligence is fundamentally changing how software engineers "
        "design and operate large-scale information systems in the digitalization era."
    )

    vn_res = auditor.analyze(vn_sample, "Tiếng Việt", input_price_per_1m_tokens=2.50)
    en_res = auditor.analyze(en_sample, "English", input_price_per_1m_tokens=2.50)

    print("=" * 75)
    print(f"BÁO CÁO ĐO LƯỜNG HIỆU QUẢ TOKENIZATION (VIETCYBER AI BENCHMARK)")
    print("=" * 75)
    for r in [en_res, vn_res]:
        print(f"Ngôn ngữ: {r.language}")
        print(f"  - Số từ (Words): {r.word_count} từ | Số ký tự: {r.char_count} chars")
        print(f"  - Số tokens tiêu tốn: {r.token_count} tokens")
        print(f"  - Hệ số phân tách (Fertility): {r.fertility} tokens/từ")
        print(f"  - Mật độ ký tự: {r.chars_per_token} ký tự/token")
        print(f"  - Chi phí API cho 1 triệu lượt gọi: ${r.cost_per_1m_requests_usd} USD")
        print("-" * 75)

    tax_ratio = round(vn_res.token_count / en_res.token_count, 2)
    extra_cost = round(vn_res.cost_per_1m_requests_usd - en_res.cost_per_1m_requests_usd, 2)
    print(f">> KẾT LUẬN KỸ THUẬT: Thuế Tokenization tiếng Việt cao hơn tiếng Anh {tax_ratio}x.")
    print(f">> Ngân sách chênh lệch phát sinh thêm: +${extra_cost} USD / 1M requests.")
    print("=" * 75)

Phần VIII: Câu hỏi Thảo luận & Đề bài Thiết kế Hệ thống

1. Phản biện Kỹ thuật: Tại sao một số mô hình mã nguồn mở hiện đại (như Llama-3 của Meta) quyết định mở rộng kích thước từ vựng từ 32.000 tokens (ở Llama-2) lên tới 128.256 tokens? Động thái này giúp ích gì cho các ngôn ngữ như tiếng Việt, và nhóm kỹ sư của Meta đã phải đánh đổi điều gì về mặt bộ nhớ VRAM của GPU?
2. Thiết kế Hệ thống Thực tế: Một công ty bảo hiểm tại Việt Nam muốn xây dựng hệ thống AI tự động đọc và trích xuất thông tin từ hàng trăm nghìn bộ hồ sơ bồi thường y tế dạng văn bản tiếng Việt. Dựa trên phân tích về Multilingual Tokenization Tax và giới hạn cửa sổ ngữ cảnh, bạn sẽ đề xuất những chiến lược xử lý dữ liệu trước (pre-processing) nào để giảm thiểu số lượng token tiêu tốn trước khi truyền vào LLM?