Gemini 4 Argon vs Claude Opus 5.5 vs GPT-6 Astra: So sánh cùng một prompt và chi phí thực tế

Gemini 4 Argon, Claude Opus 5.5 và GPT-6 Astra đều được định vị là các mô hình AI hàng đầu dành cho lập trình, tác vụ đa phương thức và xử lý quy trình tự động. Tuy nhiên, bảng thông số kỹ thuật hoặc điểm benchmark không phải lúc nào cũng phản ánh chính xác trải nghiệm sử dụng thực tế.

Để có góc nhìn cụ thể hơn, bài kiểm tra này sử dụng cùng một nhóm yêu cầu cho cả ba mô hình: dựng xe thể thao bằng mã nguồn, tạo game đua xe kart 3D, sinh ảnh SVG động, dựng xe 3D trong Blender từ một ảnh tham chiếu và trả lời 82 câu hỏi dạng quyết định.

Kết quả cho thấy mỗi mô hình có thế mạnh riêng. Gemini 4 Argon nổi bật ở các tác vụ hình ảnh, dựng hình 3D và tốc độ xử lý game một lần chạy. GPT-6 Astra tạo ra sản phẩm hoàn thiện và ổn định hơn trong một số bài kiểm tra. Claude Opus 5.5 cho trải nghiệm sử dụng đơn giản, ít phải tinh chỉnh cấu hình hơn.

Tóm tắt nhanh kết quả so sánh

Những số liệu trên phản ánh một lần chạy cho từng bài kiểm tra và không nên được xem là kết luận tuyệt đối. Kết quả có thể thay đổi tùy prompt, công cụ agent, giới hạn token, cấu hình suy luận và môi trường thực thi.

Gemini 4 Argon là gì?

Gemini 4 Argon được giới thiệu là mô hình AI đa phương thức mới của Google, hướng đến các nhiệm vụ phức tạp như lập trình tác nhân, phân tích hình ảnh, xử lý video, tài liệu PDF, âm thanh và xây dựng phần mềm nhiều bước.

Theo thông tin trong bài thử nghiệm, mô hình này được cung cấp rộng rãi từ ngày 13 tháng 10 năm 2026. Argon có thể tiếp nhận văn bản, hình ảnh, video, âm thanh và PDF, sau đó tạo đầu ra dạng văn bản hoặc mã nguồn.

Điểm đáng chú ý nhất của Argon trong thực tế không chỉ nằm ở khả năng viết code. Mô hình còn có thể:

• Phân tích ảnh tham chiếu để dựng hình 3D.
• Viết Python để điều khiển Blender.
• Kiểm tra kết quả thông qua ảnh chụp màn hình hoặc bản render.
• Tự sửa mã nguồn sau mỗi vòng đánh giá.
• Tạo ứng dụng web 3D bằng Three.js.
• Sinh SVG có hoạt ảnh và hiệu ứng hình ảnh.

Trong các bài kiểm tra trực quan, Argon tạo ra những thiết kế xe có hình khối nổi bật, đèn chữ Y, phần đuôi sắc nét và phong cách gần với các mẫu siêu xe hiện đại.

Phương pháp kiểm tra ba mô hình AI

Ba mô hình được đưa vào các bài kiểm tra tương tự nhau nhưng chạy trên những công cụ agent khác nhau:

• Gemini 4 Argon: chạy qua opencode.
• Claude Opus 5.5: chạy qua Claude Code.
• GPT-6 Astra: chạy qua Codex.

Trong bài kiểm tra tạo xe thể thao, cả ba mô hình nhận cùng một yêu cầu: xây dựng một chiếc xe phong cách Lamborghini bằng mã Three.js, không sử dụng tệp mô hình dựng sẵn. Chiếc xe phải chạy trên đường cao tốc neon vô tận, có camera bám đuổi, đồng hồ tốc độ, chế độ tăng tốc với lửa xả, sáu màu sơn và chế độ xoay quanh xe.

Với bài kiểm tra game kart 3D, mỗi mô hình được gọi một lần thông qua OpenRouter, bật khả năng suy luận và giới hạn đầu ra ở 32.000 token. Chi phí được lấy từ trường usage.cost do OpenRouter cung cấp.

Gemini 4 Argon dựng xe 3D trong Blender từ một ảnh như thế nào?

Đây là bài kiểm tra gây ấn tượng nhất trong toàn bộ quá trình đánh giá. Thay vì cung cấp mô hình 3D hoặc nhiều ảnh riêng lẻ, quy trình chỉ bắt đầu bằng một ảnh tham chiếu gồm bốn góc nhìn của chiếc xe: mặt trước, mặt bên, phía sau và từ trên xuống.

Ảnh tham chiếu được tạo trước bằng Codex. Sau đó, ảnh này được đưa vào Gemini 4 Argon chạy trong opencode, kết nối với Blender thông qua máy chủ MCP.

Argon thực hiện quy trình dựng hình theo nhiều bước:

1. Đọc và phân tích bố cục của ảnh tham chiếu.
2. Tạo thân xe bằng Python trong Blender.
3. Dựng bánh xe, cánh gió, kính chắn gió và các bộ phận phụ.
4. Chụp ảnh kiểm tra để so sánh với ảnh gốc.
5. Điều chỉnh hình học và tỷ lệ của từng bộ phận.
6. Thêm đèn pha và đèn hậu hoạt động được.
7. Tạo hệ thống quay turntable.
8. Thiết lập chuyển động camera gồm 240 khung hình.
9. Render kết quả trực tiếp trong Blender.

Kết quả cuối cùng gồm 43 đối tượng 3D, hệ thống chiếu sáng, rig quay sản phẩm và hoạt ảnh camera. Đây là điểm khác biệt quan trọng so với việc yêu cầu AI chỉ viết một đoạn mã hình học đơn giản.

Argon không chỉ tạo một chiếc xe tĩnh. Nó còn có khả năng tiếp tục nhận phản hồi, kiểm tra ảnh chụp và bổ sung các thành phần mới theo yêu cầu.

Chi phí dựng xe Blender

Phiên làm việc này tiêu tốn 22,13 USD trên khóa API Gemini được sử dụng trong thử nghiệm.

Dữ liệu chi tiết được ghi nhận như sau:

• 61 bước xử lý.
• 10.203.143 token đầu vào.
• 126.819 token đầu ra.
• 41.620 token suy luận.
• 419.360 token được đọc từ bộ nhớ đệm.

Khoảng 4% lượng token được đọc từ cache. Nguyên nhân chi phí cao là mỗi bước làm việc tiếp tục gửi lại phần lớn lịch sử hội thoại, bao gồm cả hình ảnh. Với những phiên agent kéo dài, lượng token đầu vào có thể tăng rất nhanh dù phần đầu ra không quá lớn.

Để hạn chế chi phí, nên giữ các phiên làm việc ngắn, tránh gửi lại dữ liệu không cần thiết và duy trì phần đầu prompt ổn định để tận dụng cơ chế cache theo tiền tố chung.

So sánh khả năng tạo xe thể thao bằng Three.js

Trong thử nghiệm lập trình, ba mô hình cùng nhận một prompt chi tiết để tạo xe thể thao 3D hoàn toàn bằng mã nguồn.

Argon tạo ra nhiều mã hơn đáng kể so với hai đối thủ. Điều này không đồng nghĩa mã nguồn luôn tốt hơn, nhưng trong bài kiểm tra trực quan, chiếc xe của Argon có thiết kế được đánh giá cao nhất.

Những chi tiết nổi bật gồm:

• Thân xe dạng nêm rõ ràng.
• Đèn trước hình chữ Y.
• Cánh gió phía sau có hình khối thể thao.
• Nhiều lựa chọn màu sơn.
• Hiệu ứng lửa xả khi tăng tốc.
• Chế độ camera xoay quanh xe.

Điểm yếu của Argon nằm ở cảm giác điều khiển. Chiếc xe có thể nhìn đẹp và đầy đủ thành phần, nhưng chuyển động, phản hồi tốc độ hoặc cảm giác lái chưa tự nhiên bằng một ứng dụng được tối ưu thủ công.

Hai thiết lập quan trọng khi chạy Gemini 4 Argon với opencode

Gemini 4 Argon không hoạt động ổn định ngay từ lần chạy đầu tiên trong opencode. Có hai vấn đề chính: thời gian chờ trước token đầu tiên quá dài và giới hạn đầu ra mặc định quá thấp.

1. Tăng thời gian chờ phản hồi

Argon có thể mất hơn năm phút để hoàn tất quá trình suy luận trước khi gửi token đầu tiên. Nếu thời gian chờ của opencode quá ngắn, tiến trình có thể dừng với lỗi ProviderHeaderTimeoutError.

Có thể tăng thời gian chờ trong tệp:

~/.config/opencode/opencode.json

Cấu hình tham khảo:

{
  "provider": {
    "google": {
      "options": {
        "headerTimeout": 1800000,
        "chunkTimeout": 1800000
      }
    }
  }
}

Giá trị 1800000 tương đương 30 phút, phù hợp với các tác vụ cần thời gian suy luận dài hoặc phải tạo tệp mã nguồn lớn.

2. Tăng giới hạn token đầu ra

Một số phiên bản opencode trước đây giới hạn phản hồi ở mức tối đa 32.000 token, kể cả khi mô hình có thể tạo đầu ra dài hơn. Trong thử nghiệm, Argon đã chạm đúng giới hạn này và kết thúc với trạng thái:

finish: length

Trong một số trường hợp, tệp mã nguồn không được ghi ra đĩa sau khi phản hồi bị cắt.

Với phiên bản cũ, có thể khởi chạy opencode bằng biến môi trường:

OPENCODE_EXPERIMENTAL_OUTPUT_TOKEN_MAX=65536 opencode -m google/gemini-4-argon

Ở opencode phiên bản 2, giới hạn đầu ra được cấu hình theo giới hạn riêng của mô hình. Ví dụ:

{
  "provider": {
    "google": {
      "models": {
        "gemini-4-argon": {
          "limit": {
            "output": 65536
          }
        }
      }
    }
  }
}

Thiết lập này đặc biệt quan trọng khi yêu cầu mô hình viết toàn bộ ứng dụng trong một lần phản hồi.

So sánh khả năng tạo game kart 3D một lần gọi

Bài kiểm tra game kart 3D được thực hiện thông qua OpenRouter. Mỗi mô hình chỉ nhận một yêu cầu và phải tạo ra sản phẩm trong một lần gọi API.

Gemini 4 Argon hoàn thành tác vụ nhanh nhất và có chi phí thấp nhất trong bài kiểm tra này. GPT-6 Astra mất nhiều thời gian hơn nhưng tạo ra kết quả đầy đủ nhất. Claude Opus 5.5 bị dừng vì sử dụng quá nhiều token cho suy luận, trong đó có khoảng 20.770 token dành cho reasoning.

Kết quả này cho thấy giới hạn token đầu ra và ngân sách suy luận có ảnh hưởng lớn đến các ứng dụng sinh mã nguồn dài. Một mô hình có năng lực tốt vẫn có thể tạo sản phẩm không hoàn chỉnh nếu phần suy luận chiếm quá nhiều không gian phản hồi.

Với Claude Opus 5.5, có thể giảm ngân sách suy luận trong các tác vụ cần sinh toàn bộ mã nguồn trong một lần. Điều này giúp phần mã chính có đủ không gian để hoàn tất.

Mô hình nào tạo SVG Lamborghini đẹp nhất?

Trong bài kiểm tra SVG động, Gemini 4 Argon được đánh giá cao nhất khi sử dụng chế độ suy luận chuyên sâu.

• Gemini 4 Argon: tạo các đường cắt sắc nét, hình dáng góc cạnh và thêm hiệu ứng lửa xả màu xanh.
• Claude Opus 5.5: tạo một thiết kế xe dạng nêm mang phong cách hoài cổ.
• GPT-6 Astra: tạo hình xe thể thao gọn gàng, cân đối và dễ quan sát.

Thời gian xử lý của Argon trong bài SVG là khoảng 263,7 giây, với 16.271 token đầu ra.

Ưu thế của Argon nằm ở khả năng mô tả các chi tiết thị giác và chuyển chúng thành nhiều lớp hình học, màu sắc, đường viền và hiệu ứng hoạt ảnh. Tuy nhiên, chất lượng SVG thực tế vẫn phụ thuộc vào trình duyệt, cách tổ chức mã và việc tối ưu kích thước tệp.

Độ chính xác với 82 câu hỏi quyết định

Để kiểm tra khả năng tuân thủ định dạng và đưa ra quyết định đơn giản, cả ba mô hình được yêu cầu trả lời 82 câu hỏi. Mỗi câu chỉ yêu cầu một từ chính xác.

Argon và Astra đều trả lời chính xác toàn bộ 82 câu. Opus 5.5 chỉ sai một câu do không tuân thủ định dạng: mô hình giải thích trước rồi mới đưa ra đáp án, trong khi yêu cầu chỉ cho phép xuất đúng một từ.

Trường hợp này cho thấy việc đánh giá mô hình không chỉ dựa trên logic. Khả năng tuân thủ định dạng đầu ra cũng rất quan trọng, đặc biệt trong các pipeline tự động, API hoặc hệ thống cần phân tích kết quả bằng máy.

Giá Gemini 4 Argon và giới hạn ngữ cảnh

Theo thông tin giá được sử dụng trong bài kiểm tra, Gemini 4 Argon có mức giá:

• 2 USD cho 1 triệu token đầu vào.
• 10 USD cho 1 triệu token đầu ra.
• Mức giá này áp dụng đến ngày 30 tháng 11 năm 2026 theo dữ liệu được cung cấp.
• Sau đó, mức giá dự kiến tăng lên 4 USD cho 1 triệu token đầu vào và 20 USD cho 1 triệu token đầu ra.

Mô hình hỗ trợ cửa sổ ngữ cảnh lên tới 1.048.576 token. Đây là lợi thế lớn khi xử lý kho mã nguồn, tài liệu kỹ thuật, lịch sử hội thoại dài hoặc nhiều tệp dữ liệu cùng lúc.

Tuy nhiên, cửa sổ ngữ cảnh lớn không đồng nghĩa chi phí thấp. Nếu công cụ agent gửi lại toàn bộ lịch sử trong mỗi vòng lặp, số token đầu vào có thể tăng lên hàng triệu token rất nhanh.

Vì vậy, người dùng nên:

• Theo dõi token đầu vào và đầu ra sau từng bước.
• Đóng các phiên hội thoại không còn cần thiết.
• Tách dự án lớn thành nhiều tác vụ nhỏ.
• Không gửi lại hình ảnh hoặc tệp không liên quan.
• Tận dụng prompt caching khi công cụ và nhà cung cấp hỗ trợ.
• Đặt giới hạn ngân sách API cho các dự án thử nghiệm.

So sánh với bảng benchmark do Google công bố

Google công bố một số kết quả benchmark cho Gemini 4 Argon. Các con số dưới đây là dữ liệu do nhà cung cấp công bố, không phải kết quả kiểm tra độc lập.

Những kết quả này cho thấy Argon dẫn đầu ở một số bài kiểm tra agent và xử lý ngữ cảnh dài, nhưng không thắng tuyệt đối ở mọi hạng mục. Opus 5.5 có điểm cao hơn ở Terminal-bench 4.0, trong khi Astra dẫn đầu FrontierSWE v2 theo bảng số liệu được công bố.

Benchmark nên được xem là dữ liệu tham khảo. Khi lựa chọn mô hình AI, cần kiểm tra thêm với mã nguồn, dữ liệu và quy trình thực tế của doanh nghiệp.

Chi phí thực tế giữa ba mô hình có thể khác nhau như thế nào?

So sánh chi phí giữa Gemini 4 Argon, Claude Opus 5.5 và GPT-6 Astra không hoàn toàn đơn giản vì chúng được chạy trong các hệ sinh thái khác nhau.

• Argon được tính theo hóa đơn API Gemini thực tế.
• Opus 5.5 và Astra chạy thông qua các gói thuê bao tương ứng.
• Một số con số của Opus và Astra được quy đổi theo giá niêm yết OpenRouter để tham khảo.
• Mỗi công cụ agent có system prompt, cơ chế lặp và cách quản lý tệp riêng.

Do đó, chi phí trong bảng không phải lúc nào cũng phản ánh số tiền người dùng phải trả khi đăng ký dịch vụ. Người dùng API có thể bị tính theo token, trong khi người dùng gói thuê bao có thể bị giới hạn bởi số lượt, thời gian hoặc hạn mức sử dụng.

Trường hợp đáng chú ý nhất là phiên dựng Blender. Chỉ một tác vụ duy nhất đã tiêu tốn 22,13 USD vì agent liên tục gửi lại lịch sử, ảnh tham chiếu và kết quả kiểm tra.

Ưu điểm và hạn chế của Gemini 4 Argon

Ưu điểm

• Khả năng xử lý hình ảnh và tác vụ 3D nổi bật.
• Có thể dựng mô hình Blender từ ảnh tham chiếu.
• Tạo thiết kế xe thể thao trực quan và nhiều chi tiết.
• Tốc độ và chi phí tốt trong bài kiểm tra game kart 3D.
• Hỗ trợ ngữ cảnh rất dài.
• Phù hợp với quy trình agent nhiều bước.
• Đạt 82/82 trong bài kiểm tra câu hỏi quyết định.

Hạn chế

• Thời gian trước token đầu tiên có thể rất dài.
• Cần cấu hình timeout khi chạy qua opencode.
• Có nguy cơ chạm giới hạn token đầu ra ở phiên bản công cụ cũ.
• Chi phí tăng nhanh khi agent gửi lại toàn bộ lịch sử.
• Cảm giác điều khiển trong game chưa hoàn thiện bằng Astra.
• Chất lượng kết quả có thể thay đổi giữa các lần chạy.

Claude Opus 5.5 phù hợp với trường hợp nào?

Claude Opus 5.5 có ưu điểm là dễ bắt đầu và không cần nhiều cấu hình đặc biệt trong Claude Code. Trong bài kiểm tra, Opus không yêu cầu chỉnh timeout hoặc giới hạn đầu ra như Argon.

Mô hình này phù hợp với:

• Phát triển phần mềm cần phản hồi có cấu trúc.
• Phân tích và chỉnh sửa mã nguồn.
• Các tác vụ cần giải thích rõ ràng.
• Người dùng ưu tiên trải nghiệm agent ổn định.

Tuy nhiên, với các yêu cầu sinh một ứng dụng lớn trong một lần trả lời, ngân sách suy luận có thể chiếm quá nhiều token. Nếu không điều chỉnh giới hạn, phần mã nguồn cuối cùng có nguy cơ bị cắt.

GPT-6 Astra có thế mạnh gì?

GPT-6 Astra thể hiện tốt trong bài kiểm tra tạo game kart 3D. Mô hình tạo ra sản phẩm được đánh giá hoàn thiện nhất với điểm 10/10, dù thời gian xử lý và chi phí cao hơn Argon.

Astra cũng đạt 82/82 ở bài kiểm tra quyết định và có thời gian trung vị nhanh nhất trong ba mô hình. Điều này khiến Astra phù hợp với các tác vụ cần phản hồi nhanh, hoàn chỉnh và ít phải sửa lại.

Trong bài kiểm tra xe Three.js, Astra chỉ tạo 193 dòng mã. Số dòng thấp hơn không nhất thiết là nhược điểm nếu mã nguồn được tổ chức hiệu quả và đáp ứng đủ yêu cầu. Tuy nhiên, chất lượng cuối cùng cần được đánh giá dựa trên tính năng hoạt động, giao diện, khả năng bảo trì và độ ổn định.

Những lưu ý quan trọng khi đọc kết quả thử nghiệm

Thử nghiệm này có một số giới hạn cần được cân nhắc:

• Ba mô hình chạy trên ba công cụ khác nhau.
• Mỗi công cụ có system prompt và cách quản lý tác vụ riêng.
• Bài kiểm tra chỉ chạy một lần cho mỗi mô hình.
• Kết quả sinh mã có thể thay đổi giữa các lần chạy.
• Chi phí của Argon lấy từ API thực tế, trong khi chi phí của các mô hình khác có phần quy đổi.
• Điểm đánh giá hình ảnh và game có yếu tố chủ quan.
• Benchmark do Google công bố là dữ liệu của nhà cung cấp.

Vì vậy, bài viết nên được xem như một báo cáo trải nghiệm thực tế thay vì một bảng xếp hạng tuyệt đối. Để có kết luận đáng tin cậy hơn, cần chạy nhiều lần, sử dụng cùng môi trường agent, cùng giới hạn token và cùng tiêu chí chấm điểm.

Nên chọn Gemini 4 Argon, Opus 5.5 hay GPT-6 Astra?

Kết luận

Trong bài so sánh cùng prompt giữa Gemini 4 Argon, Claude Opus 5.5 và GPT-6 Astra, không có mô hình nào chiến thắng ở mọi tiêu chí.

Gemini 4 Argon là lựa chọn nổi bật cho các tác vụ hình ảnh, dựng mô hình 3D, Blender, SVG và những quy trình agent cần làm việc với dữ liệu đa phương thức. Mô hình cũng nhanh và tiết kiệm hơn trong bài kiểm tra game kart 3D. Đổi lại, người dùng phải chú ý đến timeout, giới hạn token và chi phí phát sinh từ việc gửi lại lịch sử.

GPT-6 Astra tạo ra kết quả hoàn thiện nhất trong bài kiểm tra game và có tốc độ tốt ở các câu hỏi ngắn. Đây là lựa chọn phù hợp khi ưu tiên sản phẩm có thể sử dụng ngay sau một lần sinh mã.

Claude Opus 5.5 mang lại trải nghiệm agent đơn giản và ổn định, nhưng cần kiểm soát ngân sách suy luận khi xử lý các yêu cầu tạo mã nguồn rất dài.

Nếu mục tiêu là tạo hình ảnh, dựng xe 3D hoặc xây dựng trải nghiệm trực quan bằng mã, Gemini 4 Argon là ứng viên đáng cân nhắc. Nếu ưu tiên tính hoàn thiện trong một lần phản hồi, GPT-6 Astra có lợi thế. Còn nếu cần một công cụ lập trình agent dễ sử dụng và ít cấu hình, Claude Opus 5.5 vẫn là lựa chọn thực tế.

Nguồn tham khảo

• Google, tài liệu giới thiệu Gemini 4 Argon và các benchmark do nhà cung cấp công bố.
• Trang thông tin mô hình và bảng giá Gemini API cho gemini-4-argon.
• Nhật ký phiên opencode được sử dụng trong quá trình thử nghiệm.
• Dữ liệu phiên Claude Code và Codex.
• Thông tin chi phí từ trường usage.cost của OpenRouter.