Thước đo của người bán: Mổ xẻ benchmark DeepSeek V4-Flash và Harness dưới góc nhìn quản trị rủi ro
Lê Xuân
Ngày 31 tháng 7 năm 2025, DeepSeek đưa V4-Flash lên production. Thông báo có hai điểm nhấn: năng lực agent "cải thiện đáng kể" và benchmark "vượt xa V4-Pro-Preview". Giới công nghệ háo hức hỏi model mạnh cỡ nào. Tôi hỏi câu khác: ai đo, bằng thước gì, và thước đó do ai chế tạo?
Đừng tin vào volume, hãy tin vào proof. Năm 2021, tôi viết script Python quét dữ liệu on-chain Ethereum và phát hiện hơn 5% giao dịch trên OpenSea là cùng một nhóm ví tự mua bán chéo để thổi khối lượng. Khi công bố danh sách ví cùng số liệu, tôi bị cộng đồng NFT tấn công dữ dội. Một năm sau, sàn thay đổi chính sách và nhiều bộ sưu tập bị điều tra. Khối lượng giả tạo có mùi giống nhau, dù xuất hiện trên sàn NFT hay trong bảng benchmark của một phòng lab AI.
V4-Flash nằm trong hệ sinh thái DeepSeek. V4-Pro là bản đầu bảng, Flash là bản gọn nhẹ, nhắm vào chi phí thấp, tốc độ phản hồi nhanh, dành cho các tác vụ agent — gọi công cụ, viết code, đọc kết quả từ môi trường. Đi kèm là DeepSeek Harness, một khung điều phối vòng lặp agent: model suy luận, gọi công cụ, nhận phản hồi, tiếp tục suy luận. Harness có ba chế độ: minimal, standard, professional. Điểm đáng chú ý nhất: DeepSeek dùng chính Harness ở chế độ minimal làm khung đánh giá benchmark cho V4-Flash.
Tôi không coi đây là chi tiết kỹ thuật vô hại. Với một người làm quản trị rủi ro suốt mười chín năm, đây là cấu trúc quản trị kinh điển. Người bán tự chấm điểm sản phẩm của mình. Sàn tự công bố khối lượng. Dự án tự thiết kế luật bỏ phiếu. Từ vụ audit hợp đồng ICO EOS năm 2017 tới cơn sốt DeFi năm 2020, tôi chứng kiến pattern này lặp lại như một nghi thức: công cụ đo lường nào cũng được tiếp thị là khách quan, nhưng thực chất phục vụ chính người đứng sau.
Trước hết, hãy mổ mốc so sánh. "Vượt xa V4-Pro-Preview" — họ chọn bản xem trước, không phải bản phát hành chính thức. Bản preview thường chưa tối ưu. Đây là kỹ thuật chọn mốc có lợi, giống hệt một quỹ khoe lợi nhuận vượt trội khi chọn chỉ số đang tụt dốc làm mốc so sánh. Con số không sai. Công cụ đo lường do người bán chế tạo, thường đo theo cách có lợi cho người bán.
Tiếp theo, cấu trúc đánh giá. Harness minimal mode trong mắt một kỹ sư là gì? Một khung agent tối giản. Nhưng tối giản đến mức nào? Có sandbox không? Có giới hạn quyền gọi shell không? Trong môi trường benchmark, nếu agent chạy với toàn quyền hệ thống, kết quả không thể đại diện cho production — nơi một lệnh xóa dữ liệu có thể đẩy khách hàng rời bỏ. Bài học Terra/Luna năm 2022 vẫn còn nguyên: oracle giá chỉ dựa vào một nhóm nhỏ validator, tôi mô phỏng lại kịch bản tấn công và chứng minh chỉ cần một validator kiểm soát 20% quyền biểu quyết là đủ để đẩy hệ thống sụp đổ. Lỗ hổng không nằm ở con số. Nó nằm ở cấu trúc cho phép thao túng.
Rồi xung đột lợi ích. Khi công ty dùng công cụ của chính mình làm trọng tài, điểm số không còn là thước đo. Nó trở thành lời mời gọi. Tôi gọi đây là thanh khoản ảo của benchmark: điểm cao thu hút nhà phát triển, giống như volume ảo thu hút nhà đầu tư. Năm 2020, tôi vận hành bot giao dịch trên Uniswap V2 suốt ba tháng, thu dữ liệu của hai nghìn cặp token. Kết quả: các pool nông bị một lệnh lớn đẩy trượt giá nghiêm trọng, và nhiều dự án bơm token vào pool của chính mình để quảng bá con số thanh khoản khổng lồ. Cơ chế đó không khác gì việc tự gọi hàm của mình để chứng minh agent của mình thông minh.
Nhưng góc kỹ thuật còn có một lớp khác: agent có quyền gì trên hệ thống của bạn? Khi một mô hình tự viết code và tự thực thi, lỗi logic của nó có thể biến thành thiệt hại tài chính thật. Tôi từng kiểm tra một sàn giao dịch phi tập trung quảng bá bot giao dịch AI. Bot đó tự động phê duyệt giao dịch với mức trượt giá tối đa 5%. Một lần nhiễu dữ liệu oracle, bot thực hiện chuỗi giao dịch thua lỗ liên tiếp vì không có cơ chế dừng khẩn cấp. Không ai cố tình phá hoại. Họ chỉ quên rằng khi giao quyền cho agent, bạn giao cả rủi ro. Harness càng mạnh, yêu cầu về sandbox và kiểm soát quyền càng cao. Benchmark không bao giờ đo được điều này, vì benchmark chỉ hỏi: agent có hoàn thành việc không. Không ai hỏi: nếu agent hoàn thành sai, hậu quả là gì.
Tôi không cáo buộc DeepSeek gian lận. Tôi audit đủ nhiều để biết sai sót thường không đến từ ác ý mà từ thiết kế thiếu kiểm chứng độc lập. EOS không cố tình đục lỗ bỏ phiếu. Họ chỉ tin rằng cộng đồng chọn block producer là tiến bộ, mà quên rằng cá voi luôn biết cách chơi hệ thống. Cấu trúc tốt phải bắt đầu từ giả định: ai cũng có thể lạm dụng nó. Cấu trúc tồi thì dựa vào lòng tốt của người vận hành.
Chữ "production" trong thông báo cũng cần mổ xẻ. Tôi từng đọc rất nhiều hợp đồng thông minh gắn mác "audited". Cả hai từ này đều tạo cảm giác an toàn giả. Production nghĩa là đội ngũ sẵn sàng chịu trách nhiệm khi sự cố xảy ra: có đội trực, có quy trình rollback, có chính sách bồi thường. Một production API không có tài liệu về giới hạn tốc độ, không công bố SLA, không mô tả hành vi lỗi, thì chỉ là bản thử nghiệm được dán nhãn đẹp. Tháng 8 năm 2025, giá V4-Flash giảm một nửa chỉ ba tuần sau khi ra mắt. Điều đó cho thấy bản thân DeepSeek vẫn đang dò đường. Không ai giảm giá mạnh như vậy khi đã chắc chắn về chi phí vận hành.
Điều đáng quan tâm hơn nằm phía sau benchmark. DeepSeek không chỉ bán model. Họ bán cả khung chạy agent. Harness sắp thành nơi nhà phát triển dựng ứng dụng, và khi họ dựng xong, chuyển sang model khác sẽ tốn kém hơn nhiều. Đây là chiến lược khóa người dùng, giống hệt một sàn giữ thanh khoản để giữ khách. Trong thị trường blockchain, quản trị là nơi rủi ro sống lâu nhất, câu hỏi không phải là Harness có tốt không, mà là ai sở hữu đường ray — và họ tính giá bao nhiêu khi con tàu của bạn đã chạy trên đó.
Nếu nhìn qua lăng kính blockchain, vụ này giống một bài toán DAO bị đặt ngược. Token quản trị về bản chất là cổ phiếu không cổ tức — người nắm giữ mua hy vọng người sau trả giá cao hơn. DeepSeek không phát hành token, nhưng họ bán một loại kỳ vọng khác: rẻ hơn hôm nay sẽ rẻ hơn ngày mai, và công cụ hôm nay sẽ là tiêu chuẩn ngày mai. Hàng chục nền tảng Layer2 cũng từng hứa hẹn như vậy — mỗi nền tảng đều nói scaling, nhưng kết quả là cắt nhỏ thanh khoản vốn đã khan hiếm. Tôi không nói Harness là Layer2. Tôi nói: khi một công ty dùng model của mình, framework của mình và benchmark của mình trong cùng một vòng khép kín, bạn đang ở trong một hệ sinh thái — còn gọi là nhà tù có Wi-Fi. Lối ra luôn tồn tại, nhưng chi phí chuyển đổi được thiết kế để ngày càng đắt.
Ở Việt Nam, tôi thấy nhiều đội ngũ startup đổ xô tích hợp V4-Flash vào sản phẩm agent, hầu hết không đọc tài liệu benchmark gốc, chỉ đọc lại thông cáo từ các kênh tiếp thị. Họ tin vào điểm số như từng tin vào khối lượng giao dịch của các sàn nhỏ năm 2018. Khi tôi hỏi họ đã kiểm tra giới hạn rate, chi phí ẩn ở output dài hay hành vi model khi tool thất bại, hầu hết đều im lặng. Con số rẻ mua được sự chú ý, nhưng không mua được hiểu biết.
Nhưng phe lạc quan có lý khi họ tin vào hành động. Tháng 8 năm 2025, DeepSeek mở mã nguồn Harness dưới giấy phép Apache 2.0. Cùng thời điểm, họ giảm giá V4-Flash một nửa, đầu vào còn 0,028 USD mỗi triệu token. Những con số này kiểm chứng được. Mã nguồn mở là loại proof không ai giả mạo nổi: bất kỳ ai cũng có thể đọc từng dòng lệnh, tự chạy sandbox, tự kiểm thử. Điều này trái ngược với phần lớn dự án blockchain tôi từng audit — hợp đồng thì đóng, token thì hứa hẹn, cộng đồng bị dẫn dắt bằng viễn cảnh. Khi một công ty dám mở cửa phòng thí nghiệm, ngay cả khi bảng điểm còn thiên vị, họ vẫn trao cho thị trường quyền tự kiểm chứng. Điều đó đáng giá hơn một nghìn thông cáo báo chí.
Tôi từng kết luận bốn trong năm dự án AI-blockchain tôi kiểm thử chỉ là wrapper bọc API của OpenAI hay Google Cloud. Họ bán giấc mơ phi tập trung trên một kiến trúc tập trung hoàn toàn. DeepSeek không giả vờ như vậy. Họ bán API, công bố giá, mở mã nguồn. Mô hình kinh doanh rõ ràng đến lạnh người. Phe bò đã đúng ở điểm này: thị trường đang khát sự minh bạch, và người chủ động cung cấp nó xứng đáng nhận được sự chú ý.
Vậy người dùng nên làm gì? Ngừng hỏi "model nào tốt nhất". Hãy chạy một kịch bản agent thật: cho nó một kho dữ liệu giả, một công cụ giả, một mục tiêu cụ thể, rồi quan sát. Nó có tự sửa lỗi không? Có dừng lại khi thiếu thông tin không? Có tạo ra thay đổi không thể đảo ngược mà không hỏi không? Hai giờ chạy thử nghiệm trực tiếp đáng giá hơn một trăm giờ đọc thông cáo. Một đồng nghiệp của tôi từng nói: benchmark là ảnh chụp chân dung, còn production là cuộc sống hằng ngày. Ảnh đẹp không giúp bạn biết người đó có tính cách tốt hay không.
Tôi không nói V4-Flash kém. Tôi nói: chúng ta chưa có bộ dữ liệu độc lập đủ mạnh để xác nhận những con số kia. Trong một thị trường mà công cụ đo lường do người bán chế tạo, cách duy nhất để giữ tỉnh táo là tự tay chạy thử nghiệm. Hãy tự hỏi: bạn đang tin vào proof, hay tin vào bảng điểm được tô vẽ bởi người có lợi khi bạn tin? Câu trả lời quyết định bạn là nhà đầu tư hay người bị dẫn dắt.
Câu hỏi cuối dành cho DeepSeek, cũng là câu hỏi dành cho mọi dự án blockchain: khi thước đo thuộc về người bán, ai sẽ làm trọng tài cho chính trọng tài?