Dùng AI nào để viết luận văn mà không bị Turnitin đánh dấu? Tôi đã benchmark 9 mô hình ngôn ngữ lớn trên 11 tác vụ thực tế

Công bố: Bài viết này được viết với sự hỗ trợ của AI (khai báo theo thông lệ cộng đồng). Tất cả số liệu benchmark, prompt, output và điểm "AI-ness" đều lấy từ các lệnh gọi API thực sự tôi đã chạy; phần văn phong được soạn thảo cùng Claude và tôi chỉnh sửa lại bằng tay.

Vấn đề thực tế

Năm 2026, câu hỏi "có nên dùng AI để viết luận văn thạc sĩ / tiến sĩ không" đã trở nên vô nghĩa — gần như ai cũng dùng. Câu hỏi thật sự là: dùng mô hình nào, cho công đoạn nào, để không bị Turnitin AI Detection, iThenticate hoặc giảng viên hướng dẫn phát hiện?

Với sinh viên Việt Nam đang nộp bài quốc tế (SCI / Scopus / IEEE), vấn đề còn nặng hơn một lớp:

1. Chúng ta thường viết bản thảo tiếng Việt trước rồi dịch sang tiếng Anh — bước dịch này là nguồn chính khiến AI Detection đánh dấu cao.
2. Các tạp chí quốc tế đã bắt đầu từ chối thẳng những bản thảo có điểm AI Detection cao, bất kể nội dung đúng hay không.
3. Chi phí là mối quan tâm thực tế — không phải ai cũng chi được $20-50/tháng cho một tài khoản Claude Pro hoặc ChatGPT Plus.

Vì vậy tôi đã chạy một benchmark thật: 9 mô hình ngôn ngữ lớn × 11 tác vụ viết luận văn thực tế = 89 lệnh gọi API. Toàn bộ output được gửi đến một mô hình độc lập (deepseek-v4.1-flash) để chấm điểm "AI-ness" trên thang 1-10 với 8 tiêu chí. Dưới đây là kết quả và khuyến nghị thực tế.

9 mô hình được test

Tôi gọi toàn bộ qua một endpoint OpenAI-compatible (Crazyrouter) để không phải quản 9 tài khoản, 9 base URL và 9 định dạng xác thực khác nhau. Bạn có thể dùng API chính thức của từng hãng — kết quả về bản chất mô hình không phụ thuộc vào đường gọi.

Kết quả tổng hợp

Kết luận ngắn gọn cho sinh viên Việt Nam: dùng DeepSeek V4 Pro cho nháp tiếng Việt (rẻ gần 19 lần so với Opus), rồi để Claude Opus 5.5 làm polish tiếng Anh và response letter. Kimi K3.1 Pro dùng cho đọc tài liệu dài.

3 phát hiện quan trọng nhất

Phát hiện 1 — DeepSeek dịch tiếng Anh theo kiểu "từ-sang-từ", Turnitin bắt ngay

Đây là điểm mà rất nhiều bạn sinh viên Việt Nam mắc phải: dùng DeepSeek (vì rẻ) để dịch abstract tiếng Việt sang tiếng Anh. DeepSeek dịch rất đúng về mặt ngữ nghĩa, nhưng nó giữ nguyên cách diễn đạt thuật ngữ thống kê theo kiểu tiếng Việt hoặc tiếng Trung:

Output của DeepSeek: "with a beta coefficient of 0.42 and a significance level of p < .001"
Cách viết chuẩn tạp chí quốc tế: "β = 0.42, p < .001"

Mẫu "spell out ký hiệu thống kê bằng chữ" này là dấu hiệu Turnitin AI Detection bắt rất chính xác. Tôi đã test với một đoạn abstract cụ thể — DeepSeek cho ra bản dịch có điểm translationese 5/10, trong khi Claude Opus 5.5 chỉ 3/10 trên cùng nội dung.

Quy tắc đơn giản: DeepSeek chỉ viết tiếng Việt. Tất cả phần tiếng Anh (abstract, response letter, email submission) đều gửi qua Opus.

Phát hiện 2 — GPT-5 "im lặng" khi đọc PDF dài

Tôi gửi cho mỗi mô hình một bài arXiv dài (Introduction ~5000 từ) kèm 10 câu hỏi factual: "Research question là gì?", "Sample size bao nhiêu?", "Cấu trúc gồm những module nào?", "Ablation study nằm ở section nào?".

• Kimi K3.1 Pro: trả lời đúng cả 10, mỗi câu đều trích dẫn được đoạn cụ thể trong paper.
• Claude Opus 5.5: trả lời đúng cả 10 nhưng tốn tiền nhiều hơn Kimi khoảng 15 lần.
• GPT-5: trả về content rỗng hoàn toàn. Nó dùng hết 8000 output tokens cho reasoning nội bộ và không kịp viết ra câu trả lời. Đây là lần duy nhất trong 89 lệnh gọi mà một mô hình trả về rỗng hẳn, và nó xảy ra đúng ở tổ hợp "GPT-5 + PDF dài".

Kết luận: đọc tài liệu dài thì dùng Kimi, không dùng GPT-5.

Phát hiện 3 — Qwen và Doubao "tự khai mình là AI" ngay trong văn bản

Khi tôi yêu cầu Qwen 3.8 Max viết outline luận văn, câu đầu tiên của nó là:

"Outline đã được chi tiết hóa đến heading cấp 3, mỗi chương kèm một câu tóm tắt và tỷ lệ độ dài, tổng cộng 100%."

Khi tôi yêu cầu Doubao viết cùng outline đó, kết thúc của nó là:

"Kiểm tra module bắt buộc: Chương 2 Literature Review, Chương 3 Theoretical Framework, ... tất cả đã bao phủ."

Đây không phải là nội dung của outline — đây là hóa đơn giao hàng mà mô hình viết cho bạn để chứng minh nó đã làm đúng yêu cầu. Người thật không bao giờ viết checklist của chính mình vào trong document cuối cùng. Đây là lý do giảng viên nhìn qua là biết "AI viết" ngay.

Qwen và Doubao không phải là mô hình tệ — chúng rất tốt cho báo cáo tuần, đề cương dự án, slide outline nội bộ — những nơi mà "liệt kê rõ ràng đã đáp ứng yêu cầu" là điểm cộng. Chỉ đừng dùng chúng cho văn bản nộp bài khoa học.

Bảng phân công theo tác vụ

Tóm tắt một câu: Claude Opus 5.5 + Kimi K3.1 Pro + DeepSeek V4 Pro bao được 95% công việc viết luận văn. Phần còn lại là chuyên dụng.

Chi phí thực tế

Toàn bộ 89 lệnh gọi trong benchmark tốn $3.04 USD (theo giá list của các hãng). Phân bố:

Với workflow thực tế (80% nháp tiếng Việt qua DeepSeek + 20% polish Anh qua Opus), luận văn 10,000 từ tốn khoảng $5-10 USD cho toàn bộ chi phí API — rẻ hơn rất nhiều so với thuê dịch vụ edit tiếng Anh ($100-300).

Cách gọi API — Code mẫu

async function callModel(apiKey, modelId, prompt, maxTokens = 4500) {
  const res = await fetch('https://api.crazyrouter.com/v1/chat/completions', {
    method: 'POST',
    headers: {
      'Authorization': `Bearer ${apiKey}`,
      'Content-Type': 'application/json',
    },
    body: JSON.stringify({
      model: modelId,
      messages: [
        { role: 'user', content: prompt },
      ],
      max_tokens: maxTokens,
      stream: false,
    }),
  });
  return (await res.json()).choices?.[0]?.message?.content ?? '';
}

3 điểm cần lưu ý khi triển khai:

1. Mô hình reasoning (Kimi K3.1 Pro, GPT-5) từ chối tham số temperature. Nếu bạn gửi temperature: 0.3, API sẽ trả về 400 provider_rejected. Bỏ hẳn tham số này đi, dùng mặc định.

2. max_tokens bao gồm reasoning tokens. Nếu đặt nhỏ (ví dụ 1500), mô hình reasoning sẽ tiêu hết ngân sách cho suy nghĩ nội bộ và trả về content rỗng. 4500 là mức an toàn.

3. Dùng API chính thức của từng hãng cũng được — Anthropic, OpenAI, Moonshot, DeepSeek đều có SDK và docs đầy đủ. Dùng aggregator như Crazyrouter chỉ tiết kiệm thời gian quản lý 9 tài khoản, không ảnh hưởng đến kết quả mô hình.

Hai lưu ý cuối

AI-ness khác với đạo văn. Turnitin báo cáo hai số riêng biệt: Similarity (trùng với tài liệu đã có) và AI (mức độ máy viết). Mô hình AI-ness thấp như Opus chỉ giúp số thứ hai, không giúp số thứ nhất. Trước khi nộp, luôn kiểm tra cả hai.

Vòng đọc cuối cùng của con người là không thể bỏ qua. Opus để lại dòng "Trước khi nộp hãy kiểm tra:..." ở cuối. Kimi tự tính tổng phần trăm để chứng minh tuân thủ. GPT-5 đôi khi chép nguyên ghi chú prompt vào văn bản. DeepSeek thi thoảng dừng giữa câu. Sonnet dùng dấu nửa thân trong tiếng Việt. Những dấu hiệu này đều có thể xóa bằng tay — nhưng phải có người nhìn thấy. Phiên bản cuối cùng gửi cho giảng viên phải là của bạn, không phải của mô hình.

Nếu bạn cũng đã tự chạy benchmark và có quan sát khác, hãy chia sẻ ở comment. Đặc biệt là trường hợp DeepSeek hoặc Qwen cho kết quả tốt hơn Opus trên tác vụ cụ thể nào đó — những data point như vậy giúp cộng đồng mình chọn tool chính xác hơn.