# Agent AI mạnh nhất chỉ giải trọn 14 trên 95 bài toán bàn giao cho khách

> FDE-Gym chấm agent theo chỉ số thành công của chính khách hàng, và chỗ máy vấp nhiều nhất là những ràng buộc không ai nói ra.

Bản gốc: https://fdetimes.net/vi/tin-tuc/fde-gym-the-last-mile-of-ai-delivery/

Trong 95 bài toán bàn giao hệ thống cho khách hàng, cấu hình AI agent mạnh nhất chỉ giải trọn được 14 bài. Đó là kết quả chính của FDE-Gym, benchmark được đăng lên arXiv ngày 15/10/2026.

Nhóm tác giả thử 13 cấu hình model của bảy nhà cung cấp, và trong bối cảnh sát thực tế nhất, cấu hình tốt nhất chỉ đạt điểm trung bình 0,56.

Điểm mới nằm ở thước đo. FDE-Gym không kiểm tra code có chạy hay test có pass. Benchmark này chấm agent theo mức hệ thống được bàn giao cải thiện **chỉ số thành công của chính khách hàng**, rất gần với cách một khách hàng thật nhìn vào kết quả.

Với người đang làm hoặc muốn làm FDE, kết quả này đáng chú ý vì nó đo đúng chặng cuối: biến những gì agent làm ra thành kết quả ngay trong môi trường của khách. Ở chặng đó, ngay cả cấu hình mạnh nhất cũng để lại phần lớn số bài chưa giải trọn.

Benchmark chỉ đo agent chứ không đo con người, nên đây là suy luận chứ chưa phải kết luận: chặng cuối ấy nhiều khả năng là nơi FDE còn tạo được khác biệt, và đó là kỹ năng luyện được.

## Máy vấp ở đâu?

Nhóm tác giả lập luận rằng triển khai thật cho khách khác hẳn về bản chất với những bài benchmark có đề bài rõ ràng. Họ chỉ ra nút thắt chính: tìm ra những ràng buộc không ai nói thành lời.

Thử hình dung một ví dụ giả định. Khách muốn giảm thời gian xử lý ticket hỗ trợ, và agent dựng một pipeline phân loại tự động rất gọn.

Đến tuần thứ hai mới lộ ra là ticket của khách doanh nghiệp bắt buộc phải có người đọc trước vì điều khoản hợp đồng. Code vẫn đúng nhưng chỉ số của khách không nhúc nhích, và đó đúng là kiểu thất bại mà thước đo của FDE-Gym nhắm tới.

Cách dựng bài cũng nhắm vào điểm yếu này. Các chuyên gia lấy 20 dự án triển khai thực tế trong 18 lĩnh vực, chuyển thành môi trường vận hành của khách, rồi **đổi một vài dữ kiện then chốt** để tạo biến thể.

Họ chỉ giữ lại những bài có bộ chấm đã được kiểm chứng. Vì dữ kiện then chốt đã khác, một cách giải quen tay khó dùng lại nguyên xi: muốn qua bài, agent phải đọc lại bối cảnh của từng biến thể.

**Điểm mấu chốt:** Code chạy đúng mới là một nửa; khách chỉ quan tâm chỉ số của họ có đổi hay không.

## Hẹp thì dễ, trọn gói thì khó

So với các benchmark gần đây, ranh giới hiện ra khá rõ. FDE-Bench của Ding, Zhan, Li và Guo, công bố ngày 23/9/2026, chỉ đo một phần hẹp trong công việc FDE là cấu hình môi trường deployment với Docker, Compose và Kubernetes. Trên 136 bài của benchmark này, bảy model giải được từ 52,9% đến 75,0%.

Hai benchmark khác nhau về đề bài và cách chấm nên không so trực tiếp được. Dù vậy, xu hướng vẫn khá rõ: đề càng hẹp và càng được mô tả kỹ thì agent càng làm tốt. Khi phải tự tìm hiểu khách cần gì, điểm số tụt mạnh.

Một nghiên cứu khác của Ding và Zhan, "Trains but Doesn't Learn" (21/9/2026), xem việc bàn giao một mô hình sau post-training là việc của FDE. Trong đó agent đi qua mười giai đoạn, mỗi giai đoạn được chấm từ dữ kiện ghi lại trên nền tảng.

Kiểu thất bại trung tâm của nghiên cứu nghe rất quen: một lần chạy trông hoàn toàn ổn, nhưng mô hình cuối cùng không tốt hơn mô hình gốc.

## Kỹ năng nào đáng tiền hơn?

Một dự án mã nguồn mở cùng tên trên GitHub, deeplethe/fde-gym của DeepLethe, dựng hẳn nền tảng luyện tập theo cùng ý tưởng: mỗi bài tập được dựng từ một lần bàn giao thực tế cho khách hàng, làm cùng coding agent.

Dự án cho rằng khi AI đã viết code đúng thì code đúng không còn giúp phân biệt kỹ sư giỏi với kỹ sư thường. Thứ còn lại để phân biệt là khả năng tạo ra kết quả khi hệ thống chạy thật tại chỗ khách.

Vì thế, nếu bạn đang chuẩn bị vào vai trò FDE, đừng dồn hết thời gian luyện thuật toán. Hãy luyện customer discovery: trong buổi gặp đầu tiên, hỏi khách đo thành công bằng gì, ai được quyền nói "không", và dữ liệu nào không được phép rời hệ thống. Trên CV, đổi các dòng "đã xây dựng X" thành chỉ số của khách đã thay đổi ra sao.

Khi đọc job description hay đi phỏng vấn, hãy hỏi thẳng: vai trò này chịu trách nhiệm về kết quả của khách hay chỉ về phần code được giao? Con số 14 trên 95 không nói gì về con người, vì benchmark chỉ chấm agent. Nhưng nó cho thấy chặng cuối của việc triển khai là chỗ máy còn yếu nhất, và đó là nơi đáng để bạn đầu tư.

**Thử ngay tuần này:**

- Chọn một dự án gần nhất, liệt kê mọi ràng buộc bạn chỉ phát hiện sau khi đã bắt đầu build, rồi viết câu hỏi lẽ ra đã giúp bạn phát hiện chúng ngay buổi đầu
- Sửa một dòng trên CV từ 'đã xây X' sang 'đã cải thiện chỉ số Y của khách từ A lên B', dùng số liệu thật của bạn
- Trước buổi discovery tới, viết ra chỉ số thành công của khách bằng chính lời họ và xin họ xác nhận

## Nguồn

- [Paper page - FDE-Gym: The Last Mile of AI Delivery](https://huggingface.co/papers/2610.22350)

- [FDE-Gym: The Last Mile of AI Delivery](https://arxiv.org/abs/2610.22350)

- [FDE-Gym: The Last Mile of AI Delivery (HTML version)](https://arxiv.org/html/2610.22350)

- [FDE-Bench: Evaluating LLM Agents for Deployment Environment Configuration](https://arxiv.org/abs/2609.27571)

- [Trains but Doesn't Learn: A Post-Training Delivery Benchmark for LLM Agents as Forward-Deployed Engineers](https://arxiv.org/abs/2609.25237)

- [deeplethe/fde-gym (GitHub)](https://github.com/deeplethe/fde-gym)
