Bài viết công bố Gemini 4 Argon của Google đưa ra một bảng benchmark gồm 19 hạng mục, và theo thống kê của chúng tôi từ bảng này, Argon dẫn đầu tuyệt đối ở 13 hạng mục và hòa 1 hạng mục. Năm hạng mục mà mô hình này để thua không hề ngẫu nhiên. GPT-6 Astra chiếm ưu thế ở FrontierSWE v2, Terminal-Bench Science và OSWorld-2.0; Claude Opus 5.5 giành vị trí dẫn đầu ở Terminal-bench 4.0 và PostTrainBench. Đó là cả hai hạng mục Terminal-Bench, một hạng mục agentic coding, hạng mục kỹ thuật ML (ML engineering) và một trong hai hạng mục thao tác trên máy tính (computer use): phần lớn các tác vụ mà một nhóm coding agent thực sự tiêu tốn tài nguyên chạy mã. Và câu hỏi này không còn mang tính giả thuyết nữa. Kể từ ngày 13 tháng 10 năm 2026, Argon đã chính thức khả dụng rộng rãi (GA) trên Gemini API trả phí dưới tên gọi gemini-4-argon.
Vì vậy, câu hỏi “mô hình nào chiến thắng?” có tới ba đáp án khác nhau tùy theo từng hạng mục, và đối với một nhóm đang vận hành nhiều coding agent, điều này không hề là chi tiết nhỏ. Nếu mọi Agent trên hệ thống đều chạy trên cùng một Runtime, nhóm phát triển sẽ phải gánh chịu cả những điểm yếu cùng với các thế mạnh của phòng lab đó, và mỗi đợt ra mắt mô hình mới lại làm dấy lên những tranh luận. Agent nào đang xử lý việc gì, việc gì đã hoàn thành, việc gì cần đánh giá (review): không có điều nào trong số đó phải phụ thuộc vào việc ai đang đứng đầu bảng xếp hạng trong tuần này.
TL;DR
Không một phòng lab AI hàng đầu nào có thể thâu tóm mọi hạng mục, ngay cả trên bảng so sánh do chính họ tạo ra. Hãy xem mỗi đợt ra mắt mô hình như dữ liệu phục vụ việc định tuyến (routing), chứ không phải là lý do để di chuyển toàn bộ hệ thống (migrate): hãy duy trì kết nối với nhiều hơn một Runtime, văn bản hóa quy tắc định tuyến (một lựa chọn mặc định, các điều kiện chuyển giao một Task sang cho Agent khác, và ai là người review), rồi kiểm thử quy tắc đó trên ba Task lấy từ chính codebase của bạn. Astra chạy qua Codex, Opus 5.5 qua Claude Code, còn các mô hình Gemini chạy qua Gemini CLI bằng API key trả phí. Google chưa xác nhận Gemini CLI đã hỗ trợ Argon, vì vậy hãy smoke-test gemini-4-argon trước khi giao cho mô hình xử lý các Task thực tế.
Bảng số liệu của Google nói lên điều gì, theo từng loại tác vụ
Các hạng mục quan trọng đối với coding agent, được phân nhóm theo danh mục của chính Google:
| Loại tác vụ (Danh mục của Google) | Hạng mục | Dẫn đầu trên bảng của Google | Lưu ý |
|---|---|---|---|
| Agentic coding | DeepSWE v1.1 | Argon 77.9% (Opus 5.5 74.2%, Astra 74.1%) | Số liệu Argon do Google tự đo |
| Agentic coding | FrontierSWE v2 | Astra 65.5% (Opus 5.5 62.3%, Argon 55.0%) | Bảng xếp hạng Proximal |
| Agentic coding | Terminal-bench 4.0 | Opus 5.5 66.4% (Astra 58.2%, Argon 57.4%) | Số liệu Argon do Google tự đo |
| Agentic coding | Vibe Code Bench | Argon 91.9% (Opus 5.5 90.3%, Astra 89.6%) | Cả bốn mô hình chỉ chênh lệch nhau 2,3 điểm |
| ML engineering | PostTrainBench | Opus 5.5 49.3% (Argon 45.3%, Astra 44.3%) | Do Google tự đo lường cho tất cả các mô hình |
| Khoa học và toán học | Terminal-Bench Science 0.1 | Astra 68.1% (Opus 5.5 63.3%, Argon 57.6%) | Argon được chạy với thời gian chờ verifier gấp 6 lần |
| Thao tác máy tính (Computer use) | OSWorld-2.0, offline subset | Astra 72.6% (Argon 69.2%) | Không có số liệu cho Opus 5.5 |
| Thao tác máy tính (Computer use) | Agent’s Last Exam | Argon 39.5% (Opus 5.5 38.2%, Astra 34.2%) | Số liệu Argon do Google tự đo |
| Ngữ cảnh dài (Long context) | GraphWalks 256K to 1M | Argon 84.2% (Astra 71.8%, Opus 5.5 66.8%) | Tự đo lường cho tất cả các mô hình |
Chỉ riêng danh mục agentic coding đã có bốn hạng mục và ba quán quân khác nhau. Chiến thắng áp đảo của Argon nằm ở các hạng mục công việc tri thức (knowledge work), ngữ cảnh dài (long context) và đa phương thức (multimodal) — những yếu tố ít quan trọng hơn đối với một đội ngũ lập trình vốn có các Task kết thúc bằng một bản diff.
Hãy nhìn nhận bảng so sánh này với sự thận trọng nhất định: đây là bảng do Google công bố. Google tự chạy thử nghiệm Argon ở một số hạng mục, điểm số của các đối thủ cạnh tranh chủ yếu là số liệu tự công bố hoặc được lấy từ các bảng xếp hạng công khai, đồng thời môi trường kiểm thử (harness) giữa các bên cũng có sự khác biệt. Tài liệu phương pháp đánh giá liệt kê chi tiết nguồn cho từng ô số liệu. Các kết quả độc lập kể từ khi ra mắt cũng có sự mâu thuẫn lẫn nhau: Humanity’s Sixth Sense của Scale AI xếp Argon ở vị trí số một với 55,4% so với 53,6% của GPT-6 Astra; Cursor đánh giá mô hình này ngang ngửa với Opus 5.5 trên CursorBench của họ; còn Artificial Analysis xếp Argon (High) đứng thứ 8 trong số 216 biến thể được liệt kê tính đến ngày 15 tháng 10.
Giá cả cũng không mang tính quyết định tuyệt đối. Argon có giá 2 USD cho mỗi triệu token đầu vào và 10 USD cho mỗi triệu token đầu ra cho đến hết ngày 30 tháng 11 năm 2026, sau đó sẽ là 4 USD và 20 USD từ ngày 1 tháng 12. Mức giá sau này hoàn toàn tương đương với Opus 5.5. Trong khi đó, Astra có giá niêm yết là 10 USD và 50 USD.
Không lab nào nắm trọn mọi hạng mục, nên không lab nào đáng thâu tóm toàn bộ hệ sinh thái của bạn
Dữ liệu của chính các nhà cung cấp đã chứng minh cho luận điểm này, chứ không phải nhận định chủ quan của chúng tôi. Nếu ngay cả bảng so sánh của Google, do chính Google tạo ra để phô diễn mô hình của mình, vẫn phải nhường 5 hạng mục cho hai đối thủ cạnh tranh, thì rõ ràng không hề tồn tại một mô hình toàn năng duy nhất cho các coding agent. Chỉ có mô hình phù hợp nhất cho một loại Task cụ thể, trong quý này, trên một môi trường kiểm thử nhất định mà thôi.
Điều này làm thay đổi cách tiếp cận mỗi khi có mô hình mới ra mắt. Phản ứng đầy cám dỗ thường là thực hiện một đợt chuyển đổi (migration): thay đổi Runtime mặc định, viết lại toàn bộ cấu hình thiết lập, và tập dượt lại thói quen làm việc của mọi người. Nhưng giải pháp tiết kiệm chi phí hơn là xem mô hình mới như một ứng viên bổ sung cho những Task mà nó có thế mạnh vượt trội, và giữ nguyên phần còn lại của hệ thống. Chúng tôi từng lập luận rằng chọn coding agent tốt nhất không quan trọng bằng cách bạn quản lý công việc; và một bảng xếp hạng nơi ba mô hình đều có những thế mạnh riêng chính là bằng chứng xác thực nhất bằng số liệu cho lập luận đó.
Hai lựa chọn thực tế bạn cần cân nhắc:
- Duy trì một Runtime mặc định khi phần lớn các Task của bạn tương tự nhau và toàn bộ quá trình review do một người đảm nhiệm. Thêm một Runtime thứ hai đồng nghĩa với việc có thêm một cấu hình phải bảo trì, thêm một hóa đơn chi phí và thêm một nhóm rủi ro lỗi mới.
- Vận hành hai hoặc ba Runtime khi các Task của bạn được phân chia rõ rệt giữa tác vụ thao tác nhiều trên terminal/shell, kiểm thử giao diện (UI verification) và đọc các codebase quy mô lớn — bởi vì đó cũng chính là ranh giới phân hóa rõ nhất trên bảng benchmark.
Văn bản hóa quy tắc định tuyến
Một quy tắc định tuyến chỉ nằm trong đầu của một kỹ sư thì đơn thuần chỉ là thói quen, mà thói quen thì không thể tồn tại bền vững khi có nhân sự mới gia nhập hoặc trong một tuần lễ ra mắt mô hình mới. Hãy ghi rõ quy tắc đó ở nơi cả nhóm đều có thể đọc được:
Routing rule v1 (re-test after every frontier launch)
Default
The Agent on your current default Runtime, until your own
comparison says otherwise.
Send the Task to the Claude Code Agent (Opus 5.5 set in Claude Code) when
- most of the work happens in a terminal: builds, CI repair, setup [Terminal-bench 4.0]
- it is training or evaluation plumbing for a model pipeline [PostTrainBench]
Send the Task to the Codex Agent (GPT-6 Astra set in Codex) when
- the change has to be verified by driving a desktop or browser UI [OSWorld-2.0]
- it is scientific or data work done mostly in a terminal [Terminal-Bench Science]
Send the Task to the Gemini CLI Agent (gemini-4-argon) when
- it needs a very large codebase or log read in one pass [GraphWalks]
- note: the 1M window is shared by input, thinking and output, and
Gemini CLI support is unverified. Smoke-test before this line routes work.
Escalate
If a run fails its acceptance checks twice, reassign the Task to the next
Agent in this rule. The failed runs stay on the Task as evidence.
Review
An Agent on a different Runtime from the author reads the diff and the
evidence. A person accepts the result.
Mỗi điều kiện đều chỉ rõ hạng mục benchmark đứng sau nó cùng với dạng Task tương ứng mà bạn có thể dễ dàng nhận diện. Dòng quy định người review là quan trọng nhất: việc một mô hình kiểm tra bản diff mà nó không phải là tác giả sẽ đóng vai trò như một ý kiến độc lập thứ hai đầy kinh tế, trong khi quyền phê duyệt cuối cùng vẫn thuộc về con người.
Nơi lưu trữ quy tắc này phụ thuộc vào người quyết định định tuyến. Nếu con người trực tiếp chọn người phụ trách (Assignee), quy tắc nên nằm trong quy ước văn bản của Space. Nếu Crew leader phụ trách định tuyến, quy tắc thuộc về chỉ dẫn của Crew (Crew instructions). Dù theo cách nào, kết quả cũng đều trả về cùng một Task, nhờ đó toàn bộ lịch sử đối chiếu được lưu giữ tập trung ở một nơi. Bài viết Mô hình nào cho tác vụ lập trình nào sẽ phân tích sâu hơn về việc đối chiếu đặc thù tác vụ với vai trò của từng mô hình.
Kiểm thử quy tắc trên chính codebase của bạn trước khi tin dùng
Một hạng mục benchmark chỉ giúp đưa loại Task vào danh sách ứng viên; còn chính kho mã (repository) của bạn mới quyết định đâu là lựa chọn mặc định. Phương pháp trong bài viết cách so sánh các coding agent trên chính codebase của bạn rất phù hợp với bảng số liệu này, bởi bảng xếp hạng đã gợi ý sẵn ba loại Task bạn cần chọn:
- Một Task thao tác nhiều trên terminal, ví dụ như sửa lỗi một CI job bị hỏng.
- Một Task mà các thay đổi cần phải được kiểm tra thông qua giao diện người dùng (UI).
- Một câu hỏi đòi hỏi phải đưa phần lớn repository vào trong ngữ cảnh.
Hãy cung cấp cho mỗi Agent cùng một bản mô tả Task và các tiêu chí nghiệm thu (acceptance criteria), trong chế độ Tạo thư mục tạm thời (Create temporary directory) để mỗi lượt chạy có worktree riêng biệt. Sau đó, hãy chấm điểm những gì thực sự được trả về cho Task chứ không phải những gì agent tự tuyên bố: bản diff, các lượt kiểm tra và kết quả của chúng, các câu hỏi được đặt ra, và thời gian con người cần để phê duyệt kết quả đó.
Giờ đây Argon đã có thể tham gia vào quá trình so sánh này, ngay khi câu lệnh kiểm thử (smoke prompt) ngắn gọn với gemini-4-argon chạy thành công trong Gemini CLI của bạn. Hãy chạy thử đúng ba Task nói trên với mô hình này trước khi thực hiện bất kỳ thay đổi nào khác. Bài so sánh Opus 5.5 và GPT-6 Sol cho Runtime mặc định sẽ hướng dẫn chi tiết về khía cạnh chi phí trên mỗi tác vụ hoàn thành (cost-per-completed-task) của cùng quyết định này.
Nơi vận hành của từng mô hình, tính đến ngày 15 tháng 10 năm 2026
| Mô hình | Runtime | Yêu cầu thiết lập trên Computer | Giá niêm yết trên 1 triệu token (vào / ra) |
|---|---|---|---|
| GPT-6 Astra | Codex | Codex được cấu hình với Astra và tài khoản hoặc key có quyền truy cập | $10 / $50 |
| Claude Opus 5.5 | Claude Code | Claude Code được cấu hình với Opus 5.5 và tài khoản hoặc key có quyền truy cập | $4 / $20 |
| Gemini 4 Argon | Gemini CLI, chưa xác thực | API key Gemini trả phí, chọn mô hình là gemini-4-argon, và vượt qua lượt kiểm tra smoke prompt |
$2 / $10 đến hết ngày 30/11, sau đó là $4 / $20 |
| Các mô hình Gemini khác | Gemini CLI | API key Gemini trả phí, key Gemini Enterprise Agent Platform, hoặc giấy phép Code Assist Standard hay Enterprise | Thay đổi tùy theo mô hình |
Các hạng mục liên quan đến Gemini có một điểm bẫy cần lưu ý. Kể từ ngày 18 tháng 6 năm 2026, Gemini CLI không còn hỗ trợ các tài khoản Google AI Pro, Ultra hoặc tài khoản Code Assist for individuals miễn phí, theo thông báo chuyển đổi của Google. Gói Pro và Ultra có bao gồm Argon trong ứng dụng Gemini, nhưng gói đăng ký thuê bao không phải là API key, và Argon không có gói API miễn phí.
Sharkly không tự lựa chọn mô hình. Tài liệu về Agent nêu rõ: “Agent sẽ tuân theo mô hình mặc định của Runtime. Hệ thống không cam kết hay hiển thị một tên mô hình cụ thể.” Bạn thiết lập mô hình thông qua Custom arguments trên Agent hoặc Runtime, hoặc trong cấu hình riêng của công cụ trên Computer. Do đó, “Codex Agent” trong quy tắc định tuyến ám chỉ một Agent hoạt động trên Codex Runtime đã được cấu hình để sử dụng Astra.
Hướng dẫn thiết lập chi tiết có trong các bài viết GPT-6 Astra trong Sharkly, Claude Opus 5.5 trong Sharkly, và bài viết Gemini 4 Argon dành cho coding agent cho phần cấu hình Gemini CLI cũng như việc chuyển sang sử dụng Argon.
Bảng xếp hạng thay đổi; nhưng hệ thống vận hành thì không nên
Đợt ra mắt mô hình tiếp theo chắc chắn sẽ định hình lại bảng xếp hạng này. Điều nên được giữ cố định chính là mọi thứ xoay quanh mô hình: quy tắc định tuyến, các Task, dữ liệu minh chứng thu được sau mỗi lượt chạy, và con người — người đưa ra quyết định nghiệm thu kết quả cuối cùng. Agent phụ trách nghiên cứu, thực thi, kiểm thử và báo cáo. Con người định hình phương hướng, cấp thẩm quyền và phê duyệt kết quả.
Nếu bạn muốn tiếp tục linh hoạt sử dụng nhiều coding agent thay vì bị ràng buộc vào một hệ sinh thái duy nhất, đó chính là bài toán cốt lõi mà Sharkly được thiết kế để giải quyết.
