Hook
Hai tuần trước, một bảng xếp hạng bất ngờ xuất hiện trên diễn đàn kỹ thuật: Kimi K3 – mô hình Agent của Moonshot AI – đạt vị trí thứ 4 trong bài kiểm tra tác vụ blockchain thực tế. Nhưng con số ấn tượng hơn là “tỷ lệ xác nhận của người dùng” đứng đầu, vượt qua cả Claude và GPT. Trong khi đó, hai chỉ số khác – “khả năng sửa lỗi” và “phục hồi lệnh” – lại rơi xuống vị trí 14 và 17. Một sự phân hóa kỳ lạ: thắng ở điểm chạm đầu tiên, thua ở cuộc chiến dài hơi. Điều này nói lên điều gì về tương lai của các Agent trên blockchain?
Context
Bảng xếp hạng Arena Agent Leaderboard (phiên bản blockchain) được xây dựng dựa trên các tác vụ thực tế của người dùng: giao dịch DEX, mint NFT, tương tác với smart contract, stake Lido, v.v. Mỗi Agent nhận một lệnh bằng ngôn ngữ tự nhiên, sau đó phải tự động thực hiện chuỗi hành động – gọi API, ký giao dịch, kiểm tra kết quả. Các chỉ số đánh giá bao gồm tỷ lệ hoàn thành, độ chính xác từng bước, khả năng sửa lỗi khi gặp lỗi blockchain (revert, out-of-gas, slippage), và cuối cùng là “xác nhận của người dùng” – tức là khi Agent trình bày kết quả, người dùng có bấm nút “đồng ý” hay không.
Kimi K3 – mô hình Agent thế hệ mới của Moonshot AI – đã tham gia với 8.344 phiên kiểm tra. Con số này đủ lớn để có ý nghĩa thống kê. Kết quả: xếp thứ 4 toàn bảng, sau Claude Fable 5 và GPT-5.6 Sol (vị trí cụ thể không được tiết lộ chi tiết trong bảng xếp hạng). Điểm nổi bật: “Net Lift” cho tỷ lệ xác nhận của người dùng đạt +14.42% so với baseline trung bình tất cả các model – cao nhất trong số tất cả model được kiểm tra. Tuy nhiên, “Error Correction Execution” đứng thứ 14, “Bash Error Recovery” (lỗi liên quan đến thực thi lệnh trên môi trường sandbox) đứng thứ 17.
Core
Sự phân hóa này không phải ngẫu nhiên. Nó phản ánh một lựa chọn thiết kế rõ ràng của đội ngũ Moonshot AI: ưu tiên tối đa trải nghiệm người dùng ở lần tương tác đầu tiên. Kimi K3 được huấn luyện để hiểu chính xác ý định, chọn đúng công cụ (tool), và thực hiện bước đầu tiên một cách trơn tru. Kết quả là người dùng thường xuyên nhận được kết quả khớp với mong đợi ngay lập tức, dẫn đến tỷ lệ bấm “xác nhận” cao.
Nhưng khi gặp lỗi – ví dụ: giao dịch revert do thanh khoản thấp, hoặc hợp đồng thông minh trả về lỗi require – Agent cần phải tự động phân tích nguyên nhân, thử lại với tham số khác, hoặc chuyển sang phương án dự phòng. Đây là điểm yếu của K3. Xếp hạng 14 và 17 cho thấy cơ chế phục hồi lỗi của nó còn thô sơ, có thể chỉ giới hạn ở việc ghi log lỗi và chờ người dùng can thiệp, thay vì tự động sửa chữa.
Hãy nhìn vào con số chi tiết: tỷ lệ xác nhận của ng dùng trung bình tất cả model là baseline. Net lift của K3 là +14.42%, nghĩa là nó vượt trội so với mặt bằng chung. Ngược lại, điểm số sửa lỗi thấp hơn nhiều model khác. Điều này gợi ý rằng K3 đã “hy sinh” khả năng phục hồi để tập trung vào tốc độ và độ chính xác của lần gọi đầu tiên – một trade-off chiến lược phổ biến trong các hệ thống real-time.
Contrarian
Đám đông thường nghĩ: “Xếp hạng 4 là tốt, đặc biệt là dẫn đầu về xác nhận người dùng – đó là thước đo quan trọng nhất vì người dùng hài lòng.” Nhưng thực tế, trong các ứng dụng blockchain, một Agent không thể tự sửa lỗi sẽ gây ra rủi ro lớn. Hãy tưởng tượng Agent được giao nhiệm vụ “swap 100 ETH sang USDC trên Uniswap”. Nếu thanh khoản pool thấp và giao dịch bị revert, Agent không thể tự động tăng slippage hoặc chọn pool khác – nó chỉ báo lỗi và dừng lại. Người dùng mất thời gian, có thể bỏ lỡ cơ hội thị trường. Đối với các quỹ DeFi hay tổ chức, điều này không chấp nhận được.
Thậm chí, tỷ lệ xác nhận cao có thể là một cạm bẫy: Agent trình bày kết quả một cách thuyết phục, người dùng bấm đồng ý mà không kiểm tra kỹ. Nếu có lỗi tiềm ẩn (ví dụ: swap với giá không tốt do frontrunning), Agent không phát hiện ra, người dùng vẫn xác nhận. Đây là “confirmation bias” được tự động hóa. Vậy nên, điểm mạnh của K3 cũng có thể trở thành điểm yếu nếu nhìn từ góc độ quản trị rủi ro.
Smart money – các quỹ đầu tư và doanh nghiệp lớn – đang tìm kiếm Agent có khả năng hoạt động độc lập với độ tin cậy cao, ngay cả khi gặp sự cố. Họ sẽ không chọn K3 cho các tác vụ quan trọng nếu khả năng phục hồi lỗi không được cải thiện. Trong khi đó, Claude và GPT dù có tỷ lệ xác nhận thấp hơn nhưng bù lại bằng khả năng tự sửa lỗi vượt trội, phù hợp với các ứng dụng enterprise. Đây là điểm mù mà Moonshot AI cần nhanh chóng giải quyết.
Takeaway
Kimi K3 đã chứng minh được khả năng trong việc nắm bắt ý định người dùng và thực thi bước đầu tiên một cách xuất sắc. Nhưng trên blockchain, một giao dịch thất bại không chỉ là một cú nhấp chuột – nó có thể là hàng nghìn USD mất đi. Liệu Moonshot AI sẽ nhanh chóng nâng cấp cơ chế error recovery, hay tiếp tục tập trung vào “Wow effect” ban đầu? Câu trả lời sẽ quyết định vị thế của K3 trong cuộc đua Agent blockchain năm 2026.