Lần đầu tiên trong lịch sử, model AI Trung Quốc đứng đầu benchmark lập trình giao diện, vượt mặt Claude Fable 5

Ngày 17 tháng 7, Moonshot AI, công ty AI có trụ sở tại Bắc Kinh, công bố Kimi K3 đã giành vị trí đứng đầu bảng xếp hạng Frontend Code Arena với 1.679 điểm, vượt qua Claude Fable 5 của Anthropic.

Đây là lần đầu tiên trong lịch sử bảng xếp hạng benchmark này ghi nhận một mô hình AI đến từ Trung Quốc chiếm vị trí số một, trong một bảng xếp hạng được đánh giá bởi các lập trình viên thực tế thông qua hình thức kiểm tra mù.

Mức độ cải thiện so với thế hệ trước đặc biệt đáng chú ý. Kimi K2, phiên bản tiền nhiệm ra mắt một năm trước, xếp hạng 18 trong cùng bảng xếp hạng này. Kimi K3 nhảy thẳng lên vị trí số một, tức tiến 17 bậc chỉ trong một thế hệ.

Trong bảy hạng mục của Frontend Code Arena, Kimi K3 đứng đầu sáu hạng mục bao gồm thiết kế thương hiệu và marketing, thiết kế dựa trên tham chiếu, phân tích dữ liệu, sản phẩm tiêu dùng, mô phỏng và công cụ tạo nội dung. Hạng mục duy nhất Kimi K3 không dẫn đầu là Gaming, nơi Claude Fable 5 vẫn giữ vị trí số một.

Moonshot AI mô tả Kimi K3 là mô hình AI mã nguồn mở lớn nhất từ trước đến nay với 2,8 nghìn tỷ tham số và cửa sổ ngữ cảnh lên đến 1 triệu token. Công ty cho biết đã đạt mức cải thiện hiệu quả huấn luyện gấp 2,5 lần so với Kimi K2 nhờ hai thay đổi kiến trúc chính là Kimi Delta Attention và Attention Residuals.

Các nhà phân tích của Bank of America nhận định K3 cho thấy việc kết hợp huấn luyện quy mô lớn với cải tiến kiến trúc vẫn có thể tạo ra bước nhảy vọt đáng kể cho các mô hình AI hàng đầu của Trung Quốc ngay cả trong bối cảnh bị hạn chế về năng lực tính toán.

Tuy nhiên, cần đặt kết quả này trong bối cảnh đầy đủ hơn. Moonshot thừa nhận Kimi K3 vẫn đứng sau Claude Fable 5 của Anthropic và GPT 5.6 Sol của OpenAI về hiệu năng tổng thể. Kết quả dẫn đầu chỉ áp dụng với benchmark lập trình giao diện cụ thể này, không phải toàn bộ các chỉ số đánh giá mô hình AI. Ngoài ra, toàn bộ số liệu hiện tại đều do Moonshot tự công bố và chưa thể được xác minh độc lập cho đến khi bộ trọng số đầy đủ được phát hành vào ngày 27 tháng 7.

Sự kiện này diễn ra trong bối cảnh có một nghịch lý đáng chú ý. Hồi tháng 2 năm nay, Anthropic đã chính thức cáo buộc Moonshot sử dụng 3,4 triệu cuộc hội thoại với Claude để huấn luyện các mô hình của mình thông qua hành vi distillation bất hợp pháp. Kimi K3 hiện đang benchmark ở mức vượt Claude trong đúng lĩnh vực lập trình, tức lĩnh vực mà Anthropic cho rằng dữ liệu của mình đã bị khai thác. Moonshot chưa phản hồi về cáo buộc này kể từ khi nó được đưa ra.