Hôm nay có một tin tức rất hot trên Hacker News, nội dung tin tức là tỷ lệ thất nghiệp ở California tăng lên 5,5%, đứng cuối toàn quốc, ngành công nghệ gặp khó khăn: "Thị trường việc làm quá khắc nghiệt". > Theo dữ liệu được công bố vào thứ Sáu bởi chính phủ tiểu bang, tỷ lệ thất nghiệp ở California trong tháng Bảy đã tăng lên 5,5%, đứng đầu trong số các tiểu bang của Mỹ. Điều này phản ánh sự suy yếu liên tục của ngành công nghệ và các công việc văn phòng khác cũng như sự ảm đạm của thị trường tuyển dụng. Tin tức này quy cho sự suy yếu của ngành công nghệ, vì ngành này đóng vai trò quan trọng trong nền kinh tế California. Tin tức đã gây ra nhiều cuộc thảo luận sôi nổi trong cộng đồng Hacker News, mọi người đã phân tích các nguyên nhân sâu xa từ góc độ của riêng họ, phức tạp hơn nhiều so với những gì tiêu đề tin tức tiết lộ. Tôi nghĩ rằng cuộc thảo luận ở trên đã tóm tắt khá tốt lý do tại sao hiện nay ngành công nghệ lại có tình trạng việc làm thấp. 1. Đầu tiên, quan điểm cốt lõi nhất là: Tạm biệt "thời đại lãi suất bằng không" và những di chứng của nó Đây là quan điểm chủ đạo và sâu sắc nhất trong cuộc thảo luận. Nhiều người cho rằng, khó khăn hiện tại của ngành công nghệ không phải do một yếu tố đơn lẻ nào gây ra, mà là phản ứng dây chuyền do sự kết thúc của thời đại "chính sách lãi suất bằng không" (ZIRP, Zero Interest Rate Policy) trong suốt mười năm qua. - Vỡ bong bóng vốn: Từ khoảng năm 2012 đến 2022, lãi suất cực thấp đã khiến vốn trở nên bất thường rẻ. Một lượng lớn vốn đầu tư mạo hiểm (VC) đã đổ vào ngành công nghệ, tạo ra vô số mô hình kinh doanh phụ thuộc vào "đốt tiền" để tăng trưởng, đặc biệt là những công ty tiền điện tử (Crypto) và vũ trụ ảo (Metaverse) thiếu giá trị thực. Khi Cục Dự trữ Liên bang Mỹ tăng lãi suất, thời đại vốn rẻ đã kết thúc, chuỗi cung ứng vốn của những công ty này bị đứt gãy, dẫn đến hàng loạt sa thải và phá sản. - Mất cân bằng cung cầu nhân tài: Trong thời đại ZIRP, huyền thoại về mức lương cao trong ngành công nghệ đã thu hút một lượng lớn nhân tài. Các chương trình khoa học máy tính (CS) tại các trường đại học đã mở rộng quy mô, các trại huấn luyện lập trình (boot camp) mọc lên khắp nơi, cộng với việc nhập cư kỹ thuật, dẫn đến nguồn cung kỹ sư phần mềm tăng vọt trong suốt mười năm. Tuy nhiên, khi vốn rút lui, nhu cầu (đặc biệt là từ các công ty khởi nghiệp) giảm mạnh, dẫn đến tình trạng thừa nhân tài nghiêm trọng. - Tác động liên đới đến các ngành như sinh học: Ngành sinh học (Biotech) cũng phụ thuộc vào đầu tư dài hạn và rủi ro cao cũng bị ảnh hưởng nặng nề. Những ngành này còn phụ thuộc vào vốn rẻ hơn cả ngành phần mềm. Sau khi ZIRP kết thúc, vốn của VC dần cạn kiệt, các công ty khởi nghiệp không thể huy động vòng tài trợ mới sau khi hết "vốn chạy" (runway), chỉ còn cách sa thải hoặc phá sản. > (by tqi): "Theo tôi, bây giờ nói rằng 'AI' có ảnh hưởng thực sự đến việc tuyển dụng của các công ty phần mềm vẫn còn quá sớm. Một giải thích hợp lý hơn là, trong khoảng thời gian từ 2012 đến 2022, nguồn cung kỹ sư phần mềm đã tăng mạnh... Trong khi đó, ở phía cầu, vốn VC trong thời đại lãi suất bằng không chủ yếu đổ vào những công ty tiền điện tử và vũ trụ ảo vô nghĩa, hầu hết trong số đó không thành công, dẫn đến việc hiện tại thiếu các công ty niêm yết hoặc mới có thể thu hút những nhân tài này." 2. "Con dao hai lưỡi" của làm việc từ xa: Cuộc cách mạng toàn cầu hóa Đại dịch COVID-19 đã phổ biến làm việc từ xa (Work From Home, WFH), điều này lúc đó được nhiều lập trình viên coi là một tin tốt, nhưng bây giờ, những tác động tiêu cực bắt đầu lộ diện. - Mở đường cho việc thuê ngoài: Khi các lập trình viên cố gắng giành quyền làm việc hoàn toàn từ xa, họ có thể không nhận ra rằng điều này cũng mở ra cánh cửa cho các công ty thuê ngoài công việc đến những quốc gia có chi phí thấp hơn. Nếu mọi người đều làm việc từ xa, tại sao công ty không thuê một kỹ sư Ấn Độ hoặc Đông Âu, người có mức lương chỉ bằng 1/5 so với kỹ sư Mỹ nhưng cũng xuất sắc? - Văn phòng "không thể quay lại": Một số nhà bình luận cho rằng, chính sách "trở lại văn phòng" (Return to Office, RTO) mà các công ty công nghệ thúc đẩy, ở một mức độ nào đó, nhằm bảo vệ các vị trí việc làm địa phương. Một khi công việc được chứng minh có thể hoàn thành 100% từ xa, thì nó có thể được thực hiện ở bất kỳ đâu trên thế giới, lợi thế về lương của kỹ sư Mỹ sẽ không còn nữa. - Tranh cãi về chất lượng thuê ngoài: Cũng có người phản bác rằng, việc thuê ngoài đã diễn ra hàng chục năm, phát triển phần mềm chất lượng cao vẫn cần nhân tài hàng đầu tại địa phương, vì các vấn đề như chi phí giao tiếp, sự khác biệt về múi giờ và bối cảnh văn hóa khó có thể giải quyết. Nhưng những người ủng hộ quan điểm thuê ngoài cho rằng, với sự trưởng thành của các công cụ hợp tác từ xa và cải tiến trong mô hình quản lý, những rào cản này đang dần được khắc phục. > (by aurareturn): "Tôi đã nói trên HN từ năm 2022: Tất cả các lập trình viên Bắc Mỹ ủng hộ làm việc hoàn toàn từ xa, khi công ty của bạn quyết định thay thế bạn bằng người ở nước ngoài, bạn sẽ rất ngạc nhiên. Nếu đều là làm việc từ xa, tại sao công ty lại phải trả gấp 5 lần để thuê bạn, thay vì một nhân viên nước ngoài chăm chỉ hơn và ít phàn nàn hơn?... Lệnh ủng hộ trở lại văn phòng, về lâu dài, có thể bảo vệ sự nghiệp của bạn." 3. Vai trò của AI: Công cụ năng suất, lý do sa thải, hay "ma cà rồng" của vốn? Về vai trò của trí tuệ nhân tạo (AI) trong đợt thất nghiệp này, cuộc thảo luận thể hiện sự phân chia phức tạp. - Tác động thay thế trực tiếp hạn chế: Hầu hết mọi người đồng ý rằng, AI hiện tại vẫn không thể hoàn toàn thay thế các kỹ sư phần mềm có kinh nghiệm. Nhưng nó đã bắt đầu thay thế một số công việc cấp thấp, lặp đi lặp lại, chẳng hạn như một số nhiệm vụ nhỏ trong tư vấn. Có những nhà tư vấn đã lên tiếng rằng khách hàng không còn liên hệ với họ vì có thể sử dụng ChatGPT để giải quyết một số lỗi nhỏ. - "Lý do hoàn hảo" cho sa thải: Một quan điểm phổ biến là, AI đã trở thành "lý do hoàn hảo" cho các công ty sa thải và giảm chi phí. Ngay cả khi nguyên nhân thực sự của việc sa thải là suy thoái kinh tế hoặc quyết định của ban quản lý, công ty cũng vui lòng đóng gói nó thành một điều chỉnh chiến lược "đón nhận AI, nâng cao hiệu quả". - "Hố đen" của vốn: AI đóng vai trò một vai trò quan trọng khác - nó hút cạn vốn đầu tư mạo hiểm còn lại trên thị trường, vốn có thể chảy vào các lĩnh vực công nghệ khác. Các VC hiện gần như chỉ quan tâm đến các dự án AI, điều này làm gia tăng khó khăn trong việc huy động vốn cho các công ty khởi nghiệp không phải AI. 4. Ngành công nghệ có đang trở thành "vùng đất gỉ sét"? Những lo ngại cấu trúc về tương lai Một số người tham gia thảo luận đã bày tỏ lo ngại về tương lai từ một góc độ vĩ mô, so sánh ngành công nghệ với ngành sản xuất từng hưng thịnh rồi suy tàn ở "vùng đất gỉ sét" (Rust Belt). - Tái diễn tình trạng mất việc: Giống như khi Mỹ đã thuê ngoài ngành sản xuất sang Trung Quốc, hiện nay công việc IT và phát triển phần mềm đang chuyển sang Ấn Độ, Mỹ Latinh và Đông Âu với quy mô lớn. Điều này có thể dẫn đến việc nhóm kỹ sư phần mềm từng có mức lương cao phải đối mặt với tình trạng thất nghiệp cấu trúc lâu dài. - Tác động chính trị và xã hội: Nếu một lượng lớn việc làm công nghệ trung lưu biến mất, có thể gây ra những vấn đề xã hội và chính trị mới, giống như sự suy tàn của "vùng đất gỉ sét" vẫn đang ảnh hưởng đến cấu trúc chính trị của Mỹ. - Tranh cãi về chính sách nhập cư và visa (H1B/O1): Một phần thảo luận đã chỉ trích các loại visa làm việc như H1B, cho rằng chúng bị lạm dụng, làm giảm lương của kỹ sư địa phương và gia tăng cạnh tranh. Một số người khác thì kiên quyết bảo vệ việc nhập cư kỹ thuật, cho rằng chính những nhân tài hàng đầu từ khắp nơi trên thế giới (như sinh viên tốt nghiệp từ Đại học Waterloo) đã tạo nên nền tảng đổi mới cho Silicon Valley. 5. Quản lý công ty và sự thay đổi văn hóa: "Hiệu ứng Musk" Một quan điểm thú vị cho rằng, việc Musk sa thải hàng loạt nhân viên Twitter (nay là X) đã tạo ra hiệu ứng mẫu mực. - Hợp lý hóa việc sa thải: Khi Musk sa thải hơn 75% nhân viên Twitter, sản phẩm vẫn có thể hoạt động, điều này khiến nhiều CEO bắt đầu suy nghĩ lại: "Nếu ông ấy có thể làm được, tại sao tôi không thể?" Điều này đã phá vỡ tư duy cũ của các công ty công nghệ rằng "càng nhiều nhân tài càng tốt", khiến việc sa thải hàng loạt trở nên dễ chấp nhận hơn về mặt tâm lý và thương mại. 6. Các yếu tố chính trị và chính sách: Tranh cãi về thay đổi luật thuế Một chỉ dẫn kỹ thuật nhưng có ảnh hưởng sâu rộng là về sự thay đổi trong luật thuế của Mỹ. - Quy tắc khấu hao chi phí R&D (Section 174): Trong dự luật cải cách thuế của chính quyền Trump năm 2017 (TCJA), có một điều khoản yêu cầu các công ty từ năm 2022 phải phân bổ chi phí R&D như lương cho phát triển phần mềm trong vòng năm năm, thay vì được khấu trừ toàn bộ trong năm như trước đây. Điều này đã làm tăng gánh nặng thuế cho các công ty công nghệ (đặc biệt là các công ty khởi nghiệp), kìm hãm ý định tuyển dụng tại Mỹ. - Vai trò phục hồi của các dự luật gần đây: Các dự luật gần đây như "Luật Xây dựng lại Tương lai Tốt đẹp" (Build Back Better, BBB) đã phần nào sửa đổi vấn đề này, cho phép các chi phí R&D trong nước được khấu trừ ngay lập tức một lần nữa. Một số nhà bình luận cho rằng, họ đã cảm nhận thấy thị trường tuyển dụng có dấu hiệu ấm lên vào khoảng tháng Bảy, có thể liên quan đến điều này. Cuối cùng Từ những cuộc thảo luận này, có thể thấy rằng lý do cho tình trạng việc làm thấp trong ngành công nghệ ở California hiện nay khá phức tạp, không phải do một yếu tố đơn lẻ nào gây ra, cũng không thể đơn giản quy cho "AI thay thế con người" hay "suy thoái chu kỳ ngành", mà là kết quả của nhiều yếu tố đan xen như sự thanh lý kinh tế sau khi kết thúc thời đại lãi suất bằng không, tái cấu trúc thị trường lao động toàn cầu do làm việc từ xa, tác động kép của AI như một công nghệ mới và nam châm vốn, cũng như sự thay đổi trong chính sách thuế cụ thể.

Chuyển ngữ: Tại sao các mô hình ngôn ngữ lớn không thể thực sự xây dựng phần mềm Tác giả: Conrad Irwin Tôi đã dành rất nhiều thời gian để phỏng vấn các kỹ sư phần mềm. Rõ ràng đây là một nhiệm vụ khó khăn, tôi không dám nói mình có bí quyết gì; nhưng trải nghiệm này thực sự đã cho tôi thời gian để suy ngẫm về những gì một kỹ sư phần mềm hiệu quả thực sự đang làm. Vòng lặp cốt lõi của kỹ thuật phần mềm Khi bạn quan sát một chuyên gia thực thụ, bạn sẽ thấy họ luôn thực hiện lặp đi lặp lại các bước sau: * Xây dựng một mô hình tâm lý về yêu cầu. * Viết (hy vọng là vậy?!) mã có thể đáp ứng yêu cầu. * Xây dựng một mô hình tâm lý về hành vi thực tế của mã. * Tìm ra sự khác biệt giữa hai điều đó, sau đó cập nhật mã (hoặc yêu cầu). Có nhiều cách để hoàn thành những bước này, nhưng điểm mạnh của các kỹ sư hiệu quả là họ có khả năng xây dựng và duy trì các mô hình tâm lý rõ ràng. Mô hình ngôn ngữ lớn hoạt động như thế nào? Nói một cách công bằng, các mô hình ngôn ngữ lớn rất xuất sắc trong việc viết mã. Khi bạn chỉ ra vấn đề, chúng cũng làm tốt việc cập nhật mã. Chúng có thể làm tất cả những gì mà các kỹ sư thực thụ sẽ làm: đọc mã, viết và chạy thử nghiệm, thêm nhật ký, và (có lẽ) sử dụng trình gỡ lỗi. Nhưng điều chúng không thể làm là duy trì một mô hình tâm lý rõ ràng. Các mô hình ngôn ngữ lớn sẽ rơi vào sự bối rối vô tận: chúng sẽ giả định rằng mã mà chúng viết thực sự có thể sử dụng; khi thử nghiệm thất bại, chúng chỉ có thể đoán xem có nên sửa mã hay sửa thử nghiệm; khi cảm thấy thất vọng, chúng sẽ xóa mọi thứ và bắt đầu lại. Điều này hoàn toàn trái ngược với những gì tôi mong đợi ở một kỹ sư. Kỹ sư phần mềm sẽ vừa làm vừa thử nghiệm. Khi thử nghiệm thất bại, họ có thể đối chiếu với mô hình tâm lý của mình để quyết định có nên sửa mã hay sửa thử nghiệm, hoặc thu thập thêm thông tin trước khi đưa ra quyết định. Khi họ cảm thấy thất vọng, họ có thể tìm kiếm sự giúp đỡ bằng cách giao tiếp với người khác. Mặc dù đôi khi họ cũng sẽ xóa mọi thứ và bắt đầu lại, nhưng đó là lựa chọn được đưa ra sau khi đã hiểu rõ hơn về vấn đề. Nhưng sẽ sớm thôi, đúng không? Khi khả năng của mô hình ngày càng mạnh, liệu điều này có thay đổi không? Có thể chăng?? Nhưng tôi nghĩ điều này cần một sự thay đổi căn bản trong cách mà mô hình xây dựng và tối ưu hóa. Mô hình mà kỹ thuật phần mềm cần không chỉ đơn giản là có thể tạo ra mã. Khi một người gặp vấn đề, họ có thể tạm thời gác lại toàn bộ bối cảnh, tập trung vào việc giải quyết vấn đề trước mắt, rồi sau đó quay lại với những suy nghĩ trước đó, trở lại với vấn đề lớn hơn. Họ cũng có thể chuyển đổi linh hoạt giữa cái nhìn tổng thể và chi tiết, tạm thời bỏ qua chi tiết để tập trung vào tổng thể, và có thể đi sâu vào chi tiết khi cần thiết. Chúng ta sẽ không chỉ vì nhét thêm nhiều từ vào "cửa sổ bối cảnh" của mình mà trở nên hiệu quả hơn, điều đó chỉ khiến chúng ta phát điên. Ngay cả khi chúng ta có thể xử lý một lượng lớn bối cảnh, chúng ta cũng biết rằng các mô hình sinh hiện tại có một số vấn đề nghiêm trọng, những vấn đề này ảnh hưởng trực tiếp đến khả năng duy trì mô hình tâm lý rõ ràng của chúng: * Thiếu sót bối cảnh: mô hình không giỏi trong việc phát hiện thông tin bối cảnh bị bỏ qua. * Thiên lệch gần đây: chúng bị ảnh hưởng nghiêm trọng bởi thiên lệch gần đây khi xử lý cửa sổ bối cảnh. * Ảo giác: chúng thường "hình dung" ra một số chi tiết không nên tồn tại. Những vấn đề này có thể không phải là không thể vượt qua, các nhà nghiên cứu cũng đang nỗ lực để tăng cường trí nhớ cho mô hình, để chúng có thể thực hiện các kỹ năng tư duy tương tự như chúng ta. Nhưng thật không may, hiện tại, chúng (sau một mức độ phức tạp nhất định) thực sự không thể hiểu điều gì đang xảy ra. Chúng không thể xây dựng phần mềm vì chúng không thể duy trì hai "mô hình tâm lý" tương tự cùng một lúc, tìm ra sự khác biệt giữa chúng và quyết định có nên cập nhật mã hay cập nhật yêu cầu. Vậy bây giờ phải làm gì? Rõ ràng, các mô hình ngôn ngữ lớn rất hữu ích cho các kỹ sư phần mềm. Chúng có thể nhanh chóng tạo ra mã và thể hiện xuất sắc trong việc tích hợp yêu cầu và tài liệu. Đối với một số nhiệm vụ, điều này đã đủ: yêu cầu đủ rõ ràng, vấn đề đủ đơn giản, chúng có thể hoàn thành ngay lập tức. Nói như vậy, đối với bất kỳ nhiệm vụ nào có chút phức tạp, chúng không thể duy trì đủ bối cảnh một cách chính xác để thông qua lặp lại cuối cùng sản xuất ra một giải pháp khả thi. Bạn, với tư cách là một kỹ sư phần mềm, vẫn cần chịu trách nhiệm đảm bảo yêu cầu rõ ràng và đảm bảo mã thực sự thực hiện chức năng mà nó tuyên bố. Tại Zed, chúng tôi tin rằng trong tương lai, con người và các thực thể AI có thể hợp tác để xây dựng phần mềm. Tuy nhiên, chúng tôi kiên quyết tin rằng (ít nhất là hiện tại) bạn mới là người cầm lái, trong khi các mô hình ngôn ngữ lớn chỉ là một công cụ khác trong tầm tay bạn.

Hôm qua tôi đã tham gia diễn thuyết tại hội nghị quản lý sản phẩm của CSDN. Ba tháng trước, khi các bạn ở CSDN mời tôi đến hội nghị quản lý sản phẩm để diễn thuyết, tôi thực sự đã định từ chối. Lý do là, công ty khởi nghiệp của tôi mới chỉ thành lập được nửa năm, và tôi không có nhiều kiến thức sâu sắc để chia sẻ với mọi người. Tuy nhiên, các bạn ở CSDN nói rằng không sao, hội nghị còn ba tháng nữa, vẫn còn thời gian, và tôi cũng có thể chia sẻ một số kinh nghiệm sản phẩm trước đây. Thật trùng hợp, tuần trước sau khi chúng tôi phát hành FlowSpeech, sản phẩm đã nhận được phản hồi rất tốt, MRR tăng gấp 3 lần, ARR cũng vượt qua một mục tiêu nhỏ, và quan trọng hơn, người dùng của chúng tôi đã kiếm được tiền thật từ việc sử dụng sản phẩm, đây là minh chứng tốt nhất cho sức mạnh sản phẩm của chúng tôi. Vì vậy, hôm qua khi tôi diễn thuyết, tôi đã đùa với mọi người rằng, giá trị của PPT hôm nay đã tăng vọt, mong mọi người chú ý lắng nghe.

"Là một nông dân, tôi chỉ mua thực phẩm hữu cơ; là một người làm trong lĩnh vực AI, tôi chỉ xem nội dung không phải do AI tạo ra"😅

Vibe Coding là một thuật ngữ tồi tệ, rất dễ gây hiểu lầm, ý nghĩa lớn nhất của nó là sử dụng AI để phát triển nguyên mẫu, giúp xác định nhanh chóng nhu cầu sản phẩm. Trong kỹ thuật phần mềm, mã của phát triển nguyên mẫu thường là mã tạm thời, khi phát triển sản phẩm chính thức cần phải thiết kế hệ thống lại, sau đó mã hóa và thực hiện, kết quả của Vibe Coding cũng tương tự, sau khi xác định nhu cầu, vẫn cần phải thiết kế lại và phát triển.

Trong kỹ thuật ngữ ngữ cảnh, Agent cần sử dụng công cụ và môi trường để tương tác và thu thập dữ liệu nhằm hoàn thiện ngữ cảnh.

Hướng dẫn tự học Khoa học máy tính TeachYourselfCS Nếu bạn là một kỹ sư tự học thành công, hoặc vừa tốt nghiệp từ một khóa đào tạo lập trình, thì bạn rất cần phải học Khoa học máy tính. May mắn thay, bạn không cần phải mất nhiều năm và chi phí lớn để theo đuổi một bằng cấp: chỉ cần dựa vào bản thân, bạn có thể nhận được một nền giáo dục đạt tiêu chuẩn quốc tế 💸. Trên Internet, có rất nhiều tài nguyên học tập, nhưng có cả tinh hoa lẫn rác rưởi. Những gì bạn cần không phải là một danh sách như "200+ khóa học trực tuyến miễn phí", mà là câu trả lời cho các câu hỏi sau: Bạn nên học những môn nào, và tại sao? Những cuốn sách hoặc khóa học video tốt nhất cho những môn học này là gì? Trong hướng dẫn này, chúng tôi cố gắng đưa ra những câu trả lời rõ ràng cho những câu hỏi này.

Đến rồi các bạn ơi～ Tôi có 3 triệu người dùng chỉ kiếm được 20 đồng: Sự phồn thịnh giả tạo của công cụ AI - ListenHub Kể chuyện cười, ai mà không làm được chứ. Trước đây nhiều người rất quan tâm đến trường hợp tôi đã chia sẻ trên Hardland Hacker, tôi đã sử dụng @oran_ge của listenhub để làm một podcast kể chuyện cười. Mọi người có thể đến nghe～

Nhiều bạn bè đang quan tâm đến giới hạn sử dụng của phiên bản đội nhóm (Team) và phiên bản doanh nghiệp (Enterprise) của ChatGPT, và bây giờ đội ngũ chính thức đã phát hành hai bài viết FAQ mới để giải thích về điều này. * Phiên bản đội nhóm ChatGPT - Sử dụng GPT-5 và GPT-4o không bị giới hạn, nhưng cụ thể cho từng phiên bản mô hình có các giới hạn như sau: * 200 yêu cầu tư duy (Thinking) GPT-5 mỗi ngày * 2800 yêu cầu tư duy mini (Thinking mini) GPT-5 mỗi tuần * 15 yêu cầu GPT-5 Pro mỗi tháng * 500 yêu cầu GPT-4.1 mỗi 3 giờ * 300 yêu cầu o4-mini và o3 mỗi ngày * Phiên bản doanh nghiệp ChatGPT - Sử dụng GPT-5, GPT-4o và GPT-4.1-mini không bị giới hạn, nhưng cụ thể cho từng phiên bản mô hình có các giới hạn như sau: * 200 yêu cầu tư duy (Thinking) GPT-5 mỗi tuần * 15 yêu cầu GPT-5 Pro mỗi tháng * 20 yêu cầu GPT-4.5 mỗi tuần * 500 yêu cầu GPT-4.1 mỗi 3 giờ * 300 yêu cầu o4-mini mỗi ngày * 100 yêu cầu o4-mini-high mỗi ngày * 100 yêu cầu o3 mỗi tuần * 15 yêu cầu o3-pro mỗi tháng Bài viết FAQ cũng đề cập rằng, hiện tại giới hạn của mô hình tư duy (Thinking) GPT-5 là tạm thời, thực tế cao hơn so với các giới hạn lâu dài được liệt kê ở trên.

Điều này đúng: ít nói về những gì không nên làm trong Prompt, mà nên nói về những gì nên làm. Mô hình lớn này giống con người, càng không cho phép làm thì càng dễ bị thu hút sự chú ý.