Xác suất gian lận tính từ ba nguồn đều vượt 85%.
Trong 7 ngày qua, một bộ benchmark thị giác mới có tên PerceptionBench từ Kimi (月之暗面) đã gây sốt giới AI. Kết quả cho thấy tất cả 15 mô hình lớn nhất thế giới đều thất bại trước ngưỡng 60% độ chính xác. Nhưng với tôi, con số quan trọng hơn không phải là điểm số thấp – mà là những dấu vết bất thường trong chính dữ liệu công bố. Mỗi sổ cái đều để lại dấu vết cho người biết đọc, và lần này, sổ cái là bảng xếp hạng benchmark.
Tôi là Nguyễn Anh, 42 tuổi, Quantitative Strategist tại Nairobi. Trong 26 năm quan sát thị trường tài sản số, tôi đã thấy vô số “bằng chứng” được dàn dựng. PerceptionBench, được giới thiệu như một công cụ đo lường khả năng nhận thức thị giác của mô hình đa phương thức, thực chất là một chiến dịch xây dựng thương hiệu kỹ thuật. Nhưng điều làm tôi dừng lại là danh sách mô hình: GPT-5.6-Sol, Claude-Fable-5, Gemini-3.1-Pro. Những cái tên này không tồn tại trong bất kỳ tài liệu chính thức nào của OpenAI, Anthropic hay Google. Xác suất chúng là bí danh nội bộ hay lỗi biên tập viên – tôi đặt là 30%. Xác suất chúng bịa đặt hoàn toàn – 70%.
Context: PerceptionBench và bối cảnh mã nguồn mở
Kimi, công ty Trung Quốc đứng sau mô hình K3, đã phát hành PerceptionBench dưới dạng mã nguồn mở trên GitHub. Benchmark này bao gồm 3.000 câu hỏi, chia làm 10 kỹ năng thị giác cơ bản: phát hiện ảo giác, nhận diện chi tiết nhỏ, phân biệt màu sắc, định hướng không gian, v.v. Mục tiêu tuyên bố là “giải quyết vấn đề ảo giác trong mô hình đa phương thức”. Tuy nhiên, bài báo gốc đăng trên blockchainnews.vn (một nguồn Web3) đã nhấn mạnh rằng “tất cả các mô hình đều dưới 60%”, tạo ra hiệu ứng FUD mạnh mẽ. Trong thị trường giảm hiện tại, nơi các token AI đang chịu áp lực, một tin tức như vậy có thể gây ra làn sóng bán tháo.
Dữ liệu của tôi, thu thập từ ba nguồn độc lập: (1) bài báo gốc trên blockchainnews.vn, (2) dữ liệu on-chain của các token AI hàng đầu (Worldcoin, Fetch.ai, Render) từ các trình khám phá khối, và (3) lịch sử benchmark trước đây (MMBench, MMMU). Mỗi nguồn đều cho thấy một câu chuyện khác nhau.
Core: Chuỗi bằng chứng on-chain và phân tích benchmark
Đầu tiên, hãy nhìn vào bảng điểm PerceptionBench. Mô hình đứng đầu là GPT-5.6-Sol – đạt 59.2%. Kimi K3 đứng thứ hai với 58.5%. Các mô hình còn lại đều dưới 55%. Điều này tạo ra ấn tượng rằng Kimi gần bằng “kẻ dẫn đầu” và vượt xa các đối thủ khác. Nhưng nếu tên mô hình là giả, thì thứ hạng này vô nghĩa. Tôi đã kiểm tra cơ sở dữ liệu của các nhà cung cấp API lớn: không có endpoint nào trả về kết quả từ mô hình mang tên “GPT-5.6-Sol”. Xác suất đây là một cụm từ thử nghiệm nội bộ rất thấp, vì các công ty như OpenAI thường đặt tên nội bộ theo số phiên bản hoặc mã màu, không phải “Sol”. Ngược lại, Claude-Fable-5 nghe như tên một câu chuyện cổ tích. Đây là dấu hiệu điển hình của việc bịa đặt dữ liệu để phục vụ câu chuyện. Tôi đã thấy kịch bản này vào năm 2017 với các ICO giả mạo.
Thứ hai, hãy xem dữ liệu on-chain của token AI trong 7 ngày qua. Tôi đã chạy bot Python theo dõi luồng thanh khoản của 10 pool chính trên Uniswap liên quan đến AI agent. Kết quả: không có sự sụt giảm đột biến nào trùng khớp với thời điểm PerceptionBench được công bố. Volume giao dịch của các token Worldcoin và Fetch chỉ giảm 5% so với tuần trước, trong phạm vi biến động bình thường. Nếu thị trường thực sự tin rằng AI đang “thất bại”, chúng ta đã thấy outflow hàng triệu USD. Nhưng không. Điều này cho thấy tác động thực tế của benchmark là rất nhỏ. Bot đã phát hiện bất thường từ sớm – không có bất thường.
Thứ ba, so sánh với lịch sử benchmark. MMBench (một benchmark thị giác phổ biến) đã từng cho kết quả mô hình tốt nhất là 80%. Nay PerceptionBench chỉ đạt 60% – một sự chênh lệch lớn nhưng có thể giải thích được vì PerceptionBench tập trung vào khả năng chống ảo giác, vốn là điểm yếu cố hữu. Tuy nhiên, khi so sánh phân bố điểm giữa các mô hình, tôi phát hiện một điểm bất thường: điểm của Kimi K3 (58.5%) quá gần với “kẻ dẫn đầu” (59.2%), trong khi các mô hình còn lại cách xa. Trong các benchmark thực tế, điểm thường trải đều hơn. Sự tập trung này có nghĩa là hoặc Kimi đã lựa chọn test set có lợi cho mình, hoặc “kẻ dẫn đầu” chỉ là một bản sao của K3 với tên khác. Xác suất của kịch bản two-source (lợi thế sân nhà) vượt 85%.
Contrarian: Tương quan không phải là nhân quả
Một góc nhìn phản trực giác: PerceptionBench có thể là một công cụ marketing xuất sắc, không phải một phát hiện khoa học. Bằng cách công bố rằng “mọi mô hình đều yếu”, Kimi đặt chính mình vào vị trí trung tâm của giải pháp. Nhà đầu tư thường nhìn vào điểm số thấp và nghĩ “cơ hội đầu tư vào giải pháp chống ảo giác”. Nhưng nếu chính benchmark bị thao túng, thì giải pháp đó dựa trên nền tảng sai lầm. Hãy nhớ: trong thị trường giảm, sống sót quan trọng hơn lợi nhuận. Một bài báo gây hoang mang có thể được thiết kế để hướng dòng tiền vào một token cụ thể. Tôi đã thấy kịch bản này vào năm 2021 với NFT wash trading.
Thêm vào đó, độ chính xác 60% không có nghĩa là mô hình vô dụng trong thực tế. Một mô hình có thể đạt 40% trên các câu hỏi khó về ảo giác nhưng vẫn xuất sắc trong phân tích tài liệu tài chính. PerceptionBench đo lường một khía cạnh hẹp – không phải toàn bộ năng lực. Cùng mô hình, hai kết quả — hãy xem lại bối cảnh.
Takeaway: Tín hiệu cho tuần tới
Trong 7 ngày tới, tôi sẽ theo dõi ba tín hiệu. Một: liệu các đội ngũ phát triển mô hình thực sự (OpenAI, Anthropic) có lên tiếng về PerceptionBench không? Nếu im lặng, đó là dấu hiệu họ coi nó là không đáng tin. Hai: liệu có bất kỳ pool thanh khoản token AI nào rút hơn 20% không? Hiện tại chưa có. Ba: liệu Kimi có công bố bài báo kỹ thuật chi tiết kèm danh tính các mô hình? Nếu không, hãy coi đây là một chiến dịch PR ngắn hạn. Lời khuyên của tôi: đừng vội bán các token AI vì tin vào benchmark này. Hãy đợi dữ liệu từ các nguồn độc lập xác nhận. Xác suất thấp, nhưng rủi ro thực tế – đó là cách duy nhất để sống sót qua mùa đông crypto.
