So sánh năng lực lập trình của 12 mô hình AI: GPT-5.6, Grok 4.5 và Claude

Bản build-off (cuộc thi xây dựng ứng dụng) gần nhất của chúng tôi đã lọt vào trang chủ của Hacker News và nhận về những bình luận không hề nể nang. Cũng phải thôi, phần lớn trong số đó là những phản hồi hữu ích. Vì vậy, chúng tôi đã tiếp thu, và với việc GPT-5.6 ra mắt ba phiên bản (Sol, Terra, Luna) cùng sự xuất hiện bất ngờ của mô hình lập trình từ Meta (Muse Spark 1.1), chúng tôi đã thực hiện lại toàn bộ thử nghiệm với quy mô lớn hơn: mười hai mô hình, bốn ứng dụng, mỗi ứng dụng thực hiện năm lần thử.

Những thay đổi dựa trên phản hồi của các bạn:

Bạn muốn bỏ qua phần giới thiệu để xem trực tiếp các bản build thô? Hãy truy cập vào từng lần thử và tự mình chạy chúng.

Danh sách mười hai mô hình tham gia: GPT-5.6 Sol, GPT-5.6 Terra và GPT-5.6 Luna mới; Muse Spark 1.1 của Meta; Grok 4.5, GPT-5.5, Claude Opus 4.8 và Claude Fable 5; cùng nhóm các mô hình mã nguồn mở (open-weights): Qwen 3.7 Plus, DeepSeek V4 Pro, Kimi K2.6 và GLM-5.2.

Dưới đây là từng tác vụ: lựa chọn của chúng tôi cho năm lần thử tốt nhất nằm ở trên cùng, chi phí và thời gian cho cả năm lần ngay bên dưới, và liên kết đến mọi bản build thô ở cuối bài để bạn có thể tự mình đánh giá.

Tác vụ 1: Mê cung raycaster phong cách Doom

Raycaster góc nhìn thứ nhất cho phép di chuyển bằng phím WASD, tường có đổ bóng theo chiều sâu, sàn và trần nhà, cùng tính năng va chạm.

Cách chúng tôi tính là "có thể chơi được": câu hỏi duy nhất chúng tôi quan tâm là liệu bạn có thực sự đi bộ được qua mê cung, di chuyển và xoay người hay không. Nếu có, nó được tính là đạt.

Nhìn chung, Claude thể hiện kém hơn kỳ vọng của chúng tôi ở tác vụ này. GPT vượt trội hơn mọi mô hình khác, Grok là một lựa chọn thay thế thực sự hữu dụng ở mức giá của nó, và Muse Spark là một bất ngờ lớn trong những lần chạy thực sự thành công.

Tác vụ 2: Khối Rubik 3D (xáo trộn + giải)

Xây dựng một khối Rubik 3D đầy màu sắc với các nút Xáo trộn (Scramble) và Giải (Solve) có hiệu ứng xoay trực quan.

Cách chúng tôi tính là "giải sạch": chúng tôi xáo trộn và giải khối Rubik, chỉ tính là đạt nếu cả hai hiệu ứng chuyển động đều mượt mà, không lỗi, không bị đổi màu.

Nhìn chung, chúng tôi ngạc nhiên khi GPT thể hiện kém ở đây dù nó dẫn đầu rõ rệt về khả năng 3D trong tác vụ raycaster. Claude lại làm rất tốt, trong đó Fable là ngôi sao với kết quả 5/5 hoàn hảo, trong khi Opus, thật kỳ lạ, lại không thể thực hiện nổi một lần giải không lỗi nào.

Chơi thử cả năm lần của bất kỳ mô hình nào: Grok · Opus · Qwen (thay đổi số từ 1-5 cho các lần thử khác).

Tác vụ 3: Máy tính

Các chữ số, toán tử, nút xóa, dấu bằng, thứ tự ưu tiên toán tử chính xác, giao diện máy tính thực tế.

Cách chúng tôi tính là "hoạt động tốt": không cần kiểm tra quá khắt khe, chỉ cần các phép tính cơ bản như (((5 × 5) − 100) / 10) để xem cách mỗi mô hình xử lý thứ tự ưu tiên toán tử và hiển thị kết quả.

Nhìn chung, đây rõ ràng là tác phẩm tốt nhất của Claude: cả Opus và Fable đều hoàn thành xuất sắc cả năm lần, và bản của Fable là bản chúng tôi thích nhất về phong cách. GPT-5.6 Sol cố gắng làm quá đà với các kiểu dáng và hiển thị máy tính dưới dạng 3D tương tự Fable. Tuy nhiên, nó không làm tới nơi tới chốn, dẫn đến trải nghiệm tổng thể tệ hơn. Các mô hình GPT đơn giản hơn dường như làm tốt hơn chỉ vì trải nghiệm hoạt động trơn tru ngay từ đầu.

Tác vụ 4: Trò chơi sự sống của Conway (Conway's Game of Life)

Canvas dạng lưới, các nút Play/Pause/Step/Randomize/Clear, nhấp để bật/tắt các ô, hiệu ứng hoạt hình các thế hệ.

Chúng tôi không chạy chấm điểm riêng cho năm lần thử với Game of Life, nên ở đây chỉ có chi phí, thời gian và ấn tượng chung bên dưới.

Grok 4.5 làm tốt ở tác vụ này, nhưng điểm đáng chú ý hơn là tác vụ này đủ đơn giản để các mô hình mã nguồn mở (OSS) thực hiện cực kỳ tốt. Có lẽ đã có đủ mã ví dụ về Game of Life trên mạng để chúng có thể làm tốt hơn nhiều với chi phí thấp hơn hẳn. Qwen 3.7 Plus và GLM-5.2 rõ ràng là lựa chọn hàng đầu cho những việc như thế này, nhưng tôi sẽ không dựa vào chúng cho các tác vụ chung, vì các tác vụ khác cho thấy chúng vẫn gặp khó khăn với những công việc thực sự mới lạ hoặc phức tạp hơn.

Biên lai: tốc độ và chi phí thô (câu trả lời ngắn)

Kết quả tổng thể.

Một số mô hình mã nguồn mở đã đệm toàn bộ phản hồi của chúng trong một lần gửi và chạm ngưỡng giới hạn 400 token, vì vậy tốc độ tok/s của chúng chỉ là mức trần, không phải tốc độ giải mã thực tế. Các phiên bản GPT-5.6 là những mô hình nhanh nhất với các câu lệnh ngắn (Luna trả lời trong khoảng một giây), Qwen cực kỳ rẻ và nhanh, còn DeepSeek và GLM thực sự chậm.

Bonus: vẽ một con ngựa đang cưỡi một phi hành gia (SVG, chọn kết quả tốt nhất trong 5)

SVG một lần tạo (one-shot), không dùng thư viện. Chúng tôi hiển thị kết quả tốt nhất trong năm lần thử của mỗi mô hình (chúng tôi ưu tiên SVG hợp lệ, sau đó là chi tiết nhất).

Cá nhân tôi thấy Claude Fable làm rất tốt việc hiển thị SVG. Nó cũng thường xuyên tạo ra kết quả hài hước và chất lượng tốt. Các mô hình GPT-5.6 gây thất vọng một cách đáng ngạc nhiên ở đây vì không mô hình nào hiển thị rõ nét con ngựa hay phi hành gia. Grok 4.5 cũng làm khá tốt ở tác vụ này.

Bonus 2: Elon và Bezos xem Blue Origin hạ cánh (SVG, chọn kết quả tốt nhất trong 5)

Một cảnh khó hơn theo yêu cầu: hai bức tranh biếm họa về các tỷ phú công nghệ dễ nhận biết đang xem tên lửa đẩy Blue Origin hạ cánh xuống bệ phóng giữa đại dương. Tác vụ này phụ thuộc vào bố cục và độ giống thật. Một lần nữa, Claude Fable lại chiếm ưu thế: nó tạo ra chi tiết tuyệt vời với hình ảnh rõ nét, một điểm sáng trên trán Bezos và khói xung quanh bệ hạ cánh. GPT lại tạo ra kết quả khá giống hoạt hình; nếu đó là điều bạn thích thì có lẽ bạn có thể thử cải thiện kết quả one-shot mà nó tạo ra, vì luôn có một vài lỗi nhỏ trong các bản vẽ. Các mô hình OSS, GLM-5.2 và Qwen 3.7, cũng làm rất tốt tác vụ này.

Tóm tắt (TL;DR)

Kết luận vẫn đúng ngay cả sau ngày ra mắt: mô hình flagship mới nhất, đắt tiền nhất không phải là người chiến thắng mặc định. Bạn muốn tự mình chạy các câu lệnh này? Mọi mô hình ở đây đều có trên một tài khoản TryAI, trả phí theo mức sử dụng. Hãy duyệt qua các mô hình và bắt đầu cuộc thi build-off của riêng bạn.

Trải nghiệm mọi lần thử

Mọi bản build thô chúng tôi tạo ra, mười hai mô hình và năm lần thử mỗi tác vụ. Nhấp vào bất kỳ con số nào để mở chính xác lần thử đó và tự mình kiểm tra. Dấu hoa thị đỏ (*) đánh dấu lần thử mà chúng tôi thích nhất cho mô hình đó (Game of Life không có chấm điểm theo từng lần thử nên không có dấu này).

Mê cung Raycaster

Khối Rubik

Máy tính

Game of Life