7 AI Agent được giao nhiệm vụ Phân loại và Khắc phục các Lỗi của Bitcoin: Họ đã tìm thấy gì?

• Các mô hình Qwen 3.8, GPT 5.6 và Fable đã thất bại: một mô hình bị kẹt và hai mô hình từ chối hoạt động.
• 4 trong số 7 mô hình được thử nghiệm là mã nguồn mở và có thể được sử dụng mà không cần bộ lọc.

Paul Miller, một nhà phát triển duy trì các thư viện mật mã được sử dụng trong các dự án Bitcoin và Ethereum, đã thử nghiệm 7 tác nhân trí tuệ nhân tạo (AI) để phân loại và sửa lỗi 5 lỗ hổng bảo mật thực tế do Bitcoin Red Team báo cáo. Kết quả cho thấy sự khác biệt rõ rệt giữa các mô hình, cả về chi phí bằng đô la phát sinh để chạy mỗi mô hình và độ chính xác trong các chẩn đoán của chúng.

Trong số 7 tác nhân được đánh giá, 3 tác nhân đã không hoàn thành nhiệm vụ. Qwen 3.8 từ Alibaba đã bị kẹt trong quá trình này mà không có lý do nào được Miller nêu ra. GPT-5.6 Sol từ OpenAI và Fable từ Anthropic đã thẳng thừng từ chối làm việc với mã nguồn, theo chính Miller, mặc dù nhiệm vụ là xác định và khắc phục các lỗi chứ không phải để khai thác chúng.

4 tác nhân đã hoàn thành công việc là Grok 4.6 (xAI), Kimi K3 (Moonshot AI), DeepSeek V4 Pro và DeepSeek V4 Flash (DeepSeek), có chi phí bằng đô la rất khác nhau cho việc tiêu thụ token (hướng dẫn của người dùng) khi thực hiện:

• Grok 4.6 tốn $4.70 chi phí tiêu thụ điện toán.
• DeepSeek V4 Pro tốn $0.30 cho cùng một nhiệm vụ, chênh lệch 15.7 lần (gần 1500%) giữa mô hình đắt nhất và rẻ nhất để chạy.