Từ vị trí thứ 18 lên dẫn đầu: Kimi K3 dựa vào điều gì để vượt qua Claude và GPT trong mã hóa ngữ cảnh dài?

Kimi K2.6 vẫn còn xếp thứ 18 trên bảng xếp hạng đánh giá mã front-end tại Frontend Code Arena. Chỉ sau một vòng lặp phiên bản ngắn, Kimi K3 đã vươn thẳng lên vị trí đầu bảng với 1679 điểm. Trong 7 hạng mục đua nhỏ front-end được bao phủ, Kimi K3 giành 6 vị trí số 1. Nó cũng đã đẩy Claude Fable 5 và GPT-5.6 Sol xuống phía sau. Bước nhảy tăng hạng lên tận 17 bậc này là điều không thường thấy trong lịch sử cạnh tranh của các mô hình AI lập trình.

Sơ đồ kiến trúc kỹ thuật của Kimi K3, gồm cơ chế Kimi Delta Attention, Attention Residuals và cơ chế định tuyến chuyên gia MoE

Tương phản mạnh với sự bứt tốc về hiệu năng là chiến lược định giá của nó. Giá API của Kimi K3 là 3 đô la Mỹ cho mỗi 1 triệu tokens đầu vào, 15 đô la Mỹ cho mỗi 1 triệu tokens đầu ra; giá khi hit bộ nhớ đệm giảm xuống còn 0,3 đô la Mỹ. So với thế hệ trước K2.6 (0,95 đô la Mỹ và 4 đô la Mỹ), giá đầu vào tiêu chuẩn của K3 tăng khoảng 3 lần, còn giá đầu ra tăng gần 4 lần. Trong bối cảnh các mô hình lớn nội địa đang tìm cách giành thị phần gọi API bằng mức giá cực thấp, Bên kia Mặt Trăng đã từ bỏ rõ ràng chiến lược cạnh tranh bằng giá rẻ.

Kimi K3 dựa vào đâu để vươn lên vị trí số 1 một cách đột phá trong các kịch bản lập trình cho agent bối cảnh dài? Chiến lược định giá tưởng như đắt đỏ này sẽ phản ánh thành chi phí thực tế cho nhà phát triển và doanh nghiệp mua dịch vụ như thế nào?

Bước nhảy 17 bậc phía sau: MoE 2,8 nghìn tỷ tham số hỗ trợ vị trí số 1 trong mã front-end

Lập trình front-end là một bối cảnh đòi hỏi năng lực tổng hợp rất cao từ mô hình lớn. Nó không chỉ yêu cầu mô hình hiểu ý định thiết kế UI phức tạp và tạo ra mã HTML/CSS/JavaScript đúng chuẩn, mà còn cần xử lý quan hệ phụ thuộc giữa nhiều tệp và quản lý trạng thái. Bộ tiêu chí đánh giá của Frontend Code Arena bao phủ nhiều hạng mục nhỏ như marketing thương hiệu, thiết kế tham chiếu, phân tích dữ liệu, sản phẩm tiêu dùng, mô phỏng… toàn diện kiểm tra hiệu quả của mô hình trong các tác vụ phát triển thực tế. Để đồng thời đạt điểm cao ở các chiều đo này, mô hình phải có năng lực tạo mã mạnh mẽ, khả năng nhạy bén với ngôn ngữ thiết kế và độ ổn định khi xử lý mã chuỗi dài.

Kimi K3 có thể dẫn đầu toàn diện ở các hạng mục đó nhờ trụ cột cốt lõi là kiến trúc hỗn hợp chuyên gia (MoE) với 2,8 nghìn tỷ tham số. Theo dữ liệu do blog kỹ thuật chính thức công bố, Kimi K3 có 896 mạng chuyên gia, nhưng trong mỗi lần lan truyền tiến (forward) chỉ kích hoạt 16 chuyên gia. Thiết kế này giúp mô hình vẫn giữ được dung lượng kiến thức khổng lồ, đồng thời khống chế lượng tính toán thực tế ở mức tương đương với các mô hình nhỏ hơn dạng dày đặc (dense). Trong bối cảnh lập trình front-end, điều này có nghĩa là mô hình có thể gọi đúng các mạng chuyên gia xử lý bảng style, logic tương tác hoặc liên kết dữ liệu; nhờ vậy chất lượng tạo ra được nâng cấp tinh xảo mà không bị suy giảm do quy mô tham số quá lớn gây độ trễ suy luận không thể chấp nhận.

Tuy nhiên, chỉ “chồng thêm tham số” không thể trực tiếp biến thành bước nhảy về năng lực lập trình front-end. Đột phá kỹ thuật then chốt của K3 nằm ở hai cải tiến kiến trúc: Kimi Delta Attention (KDA) và Attention Residuals (AttnRes).

Trong bối cảnh mã hóa bối cảnh dài, độ phức tạp tính toán của cơ chế attention tăng theo bậc hai theo chiều dài chuỗi, đây là nút thắt cốt lõi hạn chế mô hình xử lý kho mã lớn. Khi ngữ cảnh mở rộng từ vài chục nghìn tokens lên mức hàng triệu, cơ chế attention toàn phần truyền thống sẽ khiến bộ nhớ hiển thị tăng đột biến và tốc độ giải mã giảm mạnh. KDA sử dụng cơ chế attention tuyến tính lai; bằng cách chuyển một phần tính toán attention thành thao tác tuyến tính, nó giảm đáng kể chi phí tính toán cho chuỗi dài. Dữ liệu chính thức cho thấy ở ngữ cảnh 1 triệu, KDA có thể tăng tốc giải mã 6,3 lần. Điều này có nghĩa là khi nhà phát triển đưa vào mô hình một dự án front-end lớn gồm hàng chục tệp, K3 có thể hoàn tất việc hiểu và tạo mã với độ trễ thấp hơn, mà không bị suy giảm hiệu năng rõ rệt ở khâu xử lý bối cảnh dài. Với các tình huống thường gặp trong phát triển front-end như tham chiếu component xuyên tệp và theo dõi trạng thái toàn cục, năng lực xử lý bối cảnh dài độ trễ thấp này quyết định trực tiếp tính khả dụng của mã được sinh ra.

AttnRes thì nâng hiệu quả huấn luyện lên khoảng 25% thông qua cơ chế truy xuất chọn lọc liên tầng. Trong kiến trúc Transformer truyền thống, mỗi lớp đều cần tính attention độc lập, dễ dẫn tới thông tin bị xử lý trùng lặp giữa các tầng. AttnRes cho phép mô hình tái sử dụng và truy xuất thông tin attention quan trọng giữa các tầng, giảm lãng phí tính toán trong quá trình huấn luyện. Nhờ đó, mô hình học các mẫu mã front-end và quy luật thiết kế UI phức tạp hiệu quả hơn, phản ánh trực tiếp vào chất lượng và độ chính xác của mã sinh ra. Với các tình huống phổ biến như lồng layout phức tạp và tái sử dụng component trong phát triển front-end, việc tăng hiệu quả huấn luyện sẽ chuyển thành sự hiểu sâu hơn của mô hình về cấu trúc mã, giúp nó tạo ra mã phù hợp quy chuẩn kỹ thuật hơn thay vì chỉ “gom” chức năng.

Khả năng hỗ trợ nguyên bản cửa sổ ngữ cảnh 1 triệu tokens cũng là một nền tảng quan trọng. Trong quy trình làm việc mã hóa truyền thống, xử lý các dự án lớn thường phải dùng các chiến lược cắt ngữ cảnh và truy xuất phức tạp, điều này dễ khiến mô hình bỏ lỡ thông tin toàn cục quan trọng. Ví dụ, khi mô hình chỉ thấy một phần mã của các component mà không truy cập được cấu hình quản lý trạng thái toàn cục, mã tạo ra thường gặp các vấn đề như không khớp interface hoặc xung đột trạng thái. Cửa sổ ngữ cảnh 1 triệu giúp K3 có thể chứa toàn bộ mã nguồn của một dự án front-end cỡ vừa, mô tả bản thiết kế và tài liệu giao diện trong cùng một lần, rồi thực hiện sinh mã và tái cấu trúc dựa trên góc nhìn toàn cục. Góc nhìn toàn cục này đặc biệt quan trọng trong phát triển front-end vì tính đúng đắn của dự án phụ thuộc rất mạnh vào sự phối hợp giữa các component và tính thống nhất của phong cách (style). Khi mô hình có thể đồng thời nhìn thấy cấu hình routing, cây component và bảng style, mã sinh ra không chỉ chạy được mà còn có thể hòa trực tiếp vào cấu trúc dự án hiện có—đây là điều kiện quan trọng để K3 vươn lên vị trí số 1 trong đánh giá lập trình front-end.

Input 3 đô la Mỹ, output 15 đô la Mỹ: logic định giá của K3 và chi phí thực cho tác vụ

Khi nhà phát triển nhìn thấy ngay mức giá đầu vào 3 đô la Mỹ và đầu ra 15 đô la Mỹ, rất dễ gán vào nhóm “đắt”. Nếu chỉ nhìn đơn giá theo token thì K3 đúng là một trong những mô hình đắt nhất do các phòng thí nghiệm AI Trung Quốc phát hành. Nhưng nếu đặt nó vào “bảng tọa độ cạnh tranh” của các mô hình lập trình phổ biến, kết luận sẽ thay đổi.

So với Anthropic Claude Fable 5: giá đầu vào 10 đô la Mỹ và giá đầu ra 50 đô la Mỹ; OpenAI GPT-5.6 Sol: giá đầu vào 5 đô la Mỹ và giá đầu ra 30 đô la Mỹ. Giá tiêu chuẩn của K3 xấp xỉ bằng một phần ba Fable 5 và bằng một nửa GPT-5.6 Sol. Giá tiêu chuẩn này cũng ngang bằng với Claude Sonnet 5. Điều này có nghĩa K3 không hề bị định giá ở mức “cao tách khỏi thị trường”, mà nằm ở dải giá giữa của các mô hình đầu nguồn quốc tế.

Quan trọng hơn, trong kịch bản lập trình cho agent, thứ quyết định chi phí mua của doanh nghiệp không phải là đơn giá theo token, mà là tổng chi phí để hoàn thành một tác vụ phát triển thực tế. Dữ liệu đánh giá của Artificial Analysis đưa ra một mốc tham chiếu then chốt: với cùng một tập tác vụ lập mã, chi phí cho mỗi tác vụ của Kimi K3 là 0,94 đô la Mỹ, còn GPT-5.6 Sol là 1,04 đô la Mỹ và Claude Fable 5 lên tới 2,75 đô la Mỹ. Ở chi phí trên mỗi tác vụ, K3 không chỉ thấp hơn Fable 5 mà cũng thấp hơn GPT-5.6 Sol.

K3 có thể giành lợi thế ở chi phí mỗi tác vụ nhờ cơ chế bộ nhớ đệm (cache). Trong workflow lập trình agent, mô hình cần lặp đi lặp lại việc đọc prompt hệ thống, ngữ cảnh kho mã và lịch sử tương tác. Những nội dung này thường không đổi qua nhiều vòng hội thoại, tạo nền tảng cho việc được tính phí theo hit bộ nhớ đệm. Giá hit cache của K3 chỉ là 0,3 đô la Mỹ cho mỗi 1 triệu tokens. Blog kỹ thuật chính thức cho thấy tỷ lệ hit cache trong bối cảnh lập mã có thể vượt 90%.

Điều này có nghĩa là trong các tương tác lập mã liên tục, phần lớn token đầu vào thực tế được tính theo chuẩn 0,3 đô la Mỹ chứ không phải 3 đô la Mỹ. Nếu tính theo tỷ lệ hit cache 90%, chi phí đầu vào hiệu dụng giảm xuống còn khoảng 0,57 đô la Mỹ cho mỗi 1 triệu tokens. Việc chuyển logic định giá từ “đơn giá theo token” sang “chi phí theo tác vụ” chính là lý do khiến K3 dám từ bỏ chiến lược giá rẻ. Với các đội nhóm doanh nghiệp đã xây dựng workflow lập mã agent ổn định, chi phí sử dụng thực tế của K3 có thể thấp hơn rất nhiều so với mức giá bề mặt.

Nhưng chiến lược này cũng đối mặt thách thức. Với các tình huống gọi ít tần suất hoặc ngữ cảnh thay đổi dữ dội, tỷ lệ hit cache khó duy trì ở mức cao; khi đó chi phí gọi thực tế của K3 sẽ cao hơn đáng kể so với các mô hình nội địa giá rẻ. Với các nhà phát triển độc lập mới bắt đầu hoặc các nhóm startup nhỏ, nếu chưa hình thành workflow lập mã agent ổn định, ngưỡng dùng K3 vẫn khá cao. Ngoài ra, giá đầu ra của K3 là 15 đô la Mỹ: trong các kịch bản sinh ra lượng lớn mã và token suy luận, tỷ trọng chi phí đầu ra không thể xem nhẹ. Nhà phát triển cần đánh giá tiềm năng hit cache trong workflow của mình để xác định liệu K3 có thật sự hiệu quả chi phí hơn các mô hình giá rẻ hay không.

Bối cảnh dài và lập trình agent: thay đổi chiến lược quản lý ngữ cảnh cho toolchain

Kimi K3 tập trung rõ ràng vào kịch bản lập trình agent bối cảnh dài, đây không chỉ là định vị tính năng mà còn là đánh giá của hãng về hướng phát triển của hệ sinh thái công cụ AI lập mã hiện nay.

Trong các workflow lập trình agent hiện có, nhà phát triển thường phải dựa vào công cụ bên ngoài để quản lý ngữ cảnh kho mã. Ví dụ dùng các công cụ như Codebase memory mcp để xử lý vấn đề ghi nhớ và truy xuất kho mã; sau đó trích xuất các đoạn mã liên quan để đưa vào mô hình. Bởi vì cửa sổ ngữ cảnh của các mô hình truyền thống có giới hạn, chúng không thể chứa toàn bộ dự án cùng lúc. Nhà phát triển phải xây dựng quy trình sinh tăng cường truy xuất (RAG) phức tạp, sàng lọc các đoạn mã liên quan thông qua cơ sở dữ liệu vector và tìm kiếm ngữ nghĩa. Việc này làm tăng độ phức tạp hệ thống, đồng thời cũng tạo rủi ro bỏ sót khi truy xuất.

Cửa sổ ngữ cảnh nguyên bản 1 triệu tokens của K3 đang thay đổi mô hình đó. Khi chính bản thân mô hình có thể chứa được toàn bộ kho mã của một dự án cỡ vừa, nhà phát triển có thể giảm phụ thuộc vào công cụ truy xuất kho mã bên ngoài, trực tiếp đưa cấu trúc dự án, các tệp lõi và định nghĩa giao diện vào làm đầu vào ngữ cảnh. Điều này giảm độ phức tạp quản lý ngữ cảnh và giảm lỗi sinh mã do bỏ sót truy xuất. Với dự án front-end, các quan hệ kế thừa style và truyền sự kiện giữa component thường khó được bắt trọn vẹn bằng việc truy xuất theo mảnh đoạn; cửa sổ ngữ cảnh dài cho phép mô hình nhìn thấy ngay toàn bộ cây component và bảng style một lần, từ đó sinh ra mã nhất quán hơn.

Với các framework điều phối agent như Agently, mô hình bối cảnh dài mang lại không gian điều phối lớn hơn. Framework có thể tận dụng năng lực của K3 để xử lý các luồng tác vụ lập mã phức tạp hơn, ví dụ đồng thời phân tích bản thiết kế front-end, định nghĩa interface backend và cấu trúc cơ sở dữ liệu để sinh mã liên kết toàn stack. Trong mô hình điều phối truyền thống, framework cần chia tác vụ thành nhiều tiểu tác vụ, gọi mô hình xử lý từng phần rồi ghép kết quả bằng thao tác thủ công hoặc script. Bối cảnh dài cho phép framework xử lý một chuỗi tác vụ đầy đủ hơn trong một lần gọi, giảm hao hụt thông tin ở khâu ghép trung gian. Khi K3 mở quyền trọng số, các công cụ điều phối kiểu này trong lúc chọn mô hình sẽ có thêm quyền tự chủ hơn: có thể linh hoạt chuyển giữa gọi API và triển khai tự quản theo mức độ phức tạp của tác vụ.

Nhưng bối cảnh dài cũng tạo ra vấn đề mới. Simon Willison trong thử nghiệm thực tế phát hiện rằng khi K3 tạo ra một hình ảnh chim hải âu dạng SVG, nó tiêu tốn 16658 output tokens, trong đó 13241 là inference tokens. K3 luôn bật chế độ suy luận tối đa (max), không hỗ trợ tắt suy nghĩ. Việc tiêu tốn inference tokens cao này trong các tác vụ lập mã phức tạp có thể còn rõ rệt hơn; dù vẫn đảm bảo chất lượng sinh ra, nó cũng làm tăng chi phí ở khâu output. Nhà phát triển cần tìm điểm cân bằng giữa chất lượng sinh ra và mức tiêu hao token, trong khi K3 hiện chưa cung cấp tùy chọn điều chỉnh độ sâu suy nghĩ. Với các tình huống cần lặp nhanh và gọi thường xuyên, độ sâu suy luận không điều chỉnh được có thể trở thành nút thắt hiệu suất.

27 tháng 7 mở quyền trọng số: kỳ vọng tự triển khai và ngưỡng phần cứng

Thông báo chính thức cho biết sẽ mở quyền trọng số của Kimi K3 vào ngày 27 tháng 7 năm 2026. Đây là động thái có ảnh hưởng lớn nhất đến ngành của mô hình này bên cạnh mảng API thương mại.

Mở quyền trọng số cung cấp cho doanh nghiệp có tài nguyên tính toán lựa chọn tự triển khai trong điều kiện đảm bảo quyền riêng tư dữ liệu. Ở các ngành nhạy cảm như tài chính, y tế, doanh nghiệp lo ngại về tuân thủ khi upload kho mã lên API của bên thứ ba. Mở quyền trọng số cho phép các doanh nghiệp này triển khai K3 tại chỗ, tận dụng khả năng lập trình bối cảnh dài để xây dựng nền tảng phát triển agent nội bộ. Với các tập đoàn công nghệ lớn, tự triển khai còn giúp tránh giới hạn tốc độ gọi API, từ đó đảm bảo độ ổn định của trợ lý lập mã trong các giai đoạn cao điểm.

Tuy nhiên, quy mô 2,8 nghìn tỷ tham số quyết định ngưỡng triển khai cực cao. Theo các thảo luận cộng đồng và kinh nghiệm triển khai mô hình có quy mô tương tự, để vận hành K3 trơn tru có thể cần hơn 64 bộ tăng tốc AI. Điều này đồng nghĩa với việc với đa số nhà phát triển nhỏ và vừa cũng như các nhóm startup, tự triển khai không thực tế. Mở quyền trọng số vì vậy chủ yếu là giải phóng ảnh hưởng kỹ thuật cho cộng đồng hơn là trực tiếp thay đổi mô hình kinh doanh lấy API làm trọng tâm. Ngay cả với các doanh nghiệp có ý định tự triển khai, họ vẫn cần đánh giá kỹ cán cân dài hạn giữa chi phí mua phần cứng và chi phí gọi API.

Ngoài ra, phía chính thức vẫn chưa làm rõ cụ thể giao thức mở quyền trọng số. Các giấy phép mã nguồn mở khác nhau có các ràng buộc đối với sử dụng thương mại khác nhau, điều này sẽ tác động trực tiếp tới việc liệu các công cụ lập mã hạ nguồn có sẵn sàng coi K3 là mô hình nền mặc định hay không. Nếu dùng giấy phép thoáng, K3 có khả năng nhanh chóng lan rộng trong hệ sinh thái công cụ mã nguồn mở. Nếu có ràng buộc thương mại, ảnh hưởng hệ sinh thái của nó sẽ chủ yếu giới hạn trong lĩnh vực nghiên cứu và không thương mại. Kỳ vọng của cộng đồng nhà phát triển với mở quyền trọng số không chỉ là có dùng miễn phí được hay không, mà còn là có thể tinh chỉnh và tùy biến dựa trên trọng số để đáp ứng nhu cầu lập mã của ngôn ngữ hoặc framework cụ thể.

Nguồn gốc kỹ thuật của Bên kia Mặt Trăng: lựa chọn chiến lược từ bối cảnh dài đến lập trình agent

Định vị sản phẩm của Kimi K3 không xuất hiện ngẫu nhiên mà là phần mở rộng tự nhiên của lộ trình kỹ thuật do Bên kia Mặt Trăng phát triển từ khi thành lập.

Bên kia Mặt Trăng được thành lập vào tháng 3 năm 2023; nhà sáng lập Yang Zhilin có nền tảng sâu về xử lý ngôn ngữ tự nhiên, từng là tác giả đầu tiên của các bài báo trọng lượng như Transformer-XL và XLNet. Một trong các hướng nghiên cứu cốt lõi của các công trình này là cách để mô hình xử lý chuỗi dài hơn. Ngay từ những ngày đầu công ty thành lập, Bên kia Mặt Trăng đã đặt cược vào lộ trình công nghệ bối cảnh dài—một lựa chọn phi chính thống trong thị trường AI khi đó vốn thiên về đối thoại văn bản ngắn.

Từ Kimi Chat giai đoạn đầu tập trung xử lý văn bản dài, đến việc chuỗi K2 mở rộng cửa sổ ngữ cảnh, rồi đến việc K3 kết hợp sâu bối cảnh dài với lập trình agent—lộ trình kỹ thuật của Bên kia Mặt Trăng là nhất quán xuyên suốt. Sự kiên định chiến lược này đã thu được phần thưởng trên thị trường vốn. Theo các báo cáo công khai, sau vòng gọi vốn vào tháng 5 năm 2026, định giá của Bên kia Mặt Trăng đã đạt khoảng 20 tỷ USD, tổng số tiền gọi vốn vượt quá 37,6 tỷ NDT.

Nguồn vốn dồi dào giúp Bên kia Mặt Trăng có đủ năng lực để huấn luyện và tối ưu kiến trúc MoE quy mô lớn, đồng thời tạo bộ đệm tài chính cho chiến lược “không đua nhau giảm giá”. Chiến lược định giá của K3 phản ánh việc Bên kia Mặt Trăng muốn xây dựng định vị thương hiệu thông qua “phần bù năng lực” thay vì chỉ “bán số lượng” bằng giá rẻ. Trong thị trường mô hình lập mã, độ nhạy của nhà phát triển đối với chất lượng mã và tỷ lệ hoàn thành tác vụ cao hơn rất nhiều so với đơn giá theo token. K3 chứng minh năng lực của mình bằng việc lên ngôi tại Frontend Code Arena, rồi thuyết phục doanh nghiệp mua hàng dựa trên lợi thế chi phí theo mỗi tác vụ—đây là một lộ trình thương mại hoàn toàn khác so với các mô hình giá rẻ nội địa.

Nhưng con đường này cũng tiềm ẩn rủi ro. Chu kỳ cải tiến năng lực của các mô hình AI lập mã diễn ra cực nhanh; vị trí số 1 ở Frontend Code Arena có thể bất cứ lúc nào bị thế hệ Claude hoặc GPT tiếp theo giành lại. Nếu mất lợi thế tuyệt đối về hiệu năng, mức giá cao sẽ không còn được chống đỡ. Ngoài ra, phía chính thức cũng thừa nhận K3 vẫn kém hơn Fable 5 và GPT-5.6 Sol về trải nghiệm người dùng tổng thể; trong các tình huống mơ hồ, mô hình có thể chủ động đưa ra quyết định quá mức cho người dùng và rất nhạy với lịch sử suy nghĩ. Những hạn chế này cần được xử lý cẩn thận trong workflow phát triển thực tế.

Việc Kimi K3 vươn lên vị trí số 1 chứng minh tiềm năng của việc kết hợp MoE 2,8 nghìn tỷ tham số với bối cảnh dài trong các tác vụ lập mã, và logic định giá dựa trên chi phí theo tác vụ thực cũng đưa ra một mốc tham chiếu mới cho việc thương mại hóa mô hình lớn. Nhưng để giữ vững trận địa trước sự kẹp giữa Claude và GPT, Bên kia Mặt Trăng còn cần bù đắp thêm nhiều điểm yếu về trải nghiệm người dùng và xây dựng hệ sinh thái.