Tóm lại, không có vị vua tuyệt đối, nhưng ai cũng có điểm mạnh riêng!

LM Council (do AI Explained tổ chức, các tổ chức độc lập như Epoch AI và Scale chạy các tiêu chuẩn khắc nghiệt) vừa cập nhật 18 bảng xếp hạng đáng tin cậy, bao gồm các dòng GPT-5, Claude Opus 4.5/4.6, Gemini 3.x, Grok 4 và các ứng viên tiên phong khác. Dữ liệu hoàn toàn là đánh giá thực tế không sử dụng công cụ, độ tin cậy rất cao.

Hãy xem ai sẽ vượt trội hơn trong hội nghị hẹn hò mô hình này:

🟢 Lý thuyết thuần túy và trí thông minh tuyệt đỉnh

Dòng Gemini 3 trực tiếp lên thiên đường!

• Kỳ thi cuối cùng của nhân loại (HLE) (2500 câu hỏi khó cấp chuyên gia, khiến nhân loại phải khóc): 
Gemini 3 Pro Preview đạt 37.52% giành chiến thắng, Claude Opus 4.6 (34.44%) và GPT-5 Pro (31.64%) theo sát. 
Gemini như một học sinh xuất sắc, giải quyết các câu hỏi khoa học cấp PhD (GPQA Diamond) đạt ngay 94.1%, trong khi SimpleBench dẫn đầu với lý luận thông thường đạt 79.6%. 


Nó như thể nói:

“Tôi không nhắm đến ai, tôi đang nói về tất cả các AI có mặt ở đây… đều phải gọi tôi là bố.”

🟢 Khả năng làm việc thực tế (lập trình + Agent)

Claude Opus 4.6 xứng đáng là đỉnh cao của công cụ

• SWE-bench Verified (sửa lỗi mã thực tế trên GitHub): Claude Opus 4.6 78.7% đứng đầu, GPT-5.4 và Gemini 3.1 theo sát.

• METR Time Horizons (nhiệm vụ Agent tự chủ dài hạn): Claude Opus 4.5 với chế độ 16k thinking, đã chạy đến 288.9 phút, bỏ xa những người khác.

• WebDev Arena xây dựng trang web cũng khiến Claude cười đến phút cuối

Nếu bạn cần AI giúp sửa lỗi, viết mã, chạy dự án, Claude chính là con bò làm việc đáng tin cậy, không kêu ca mệt mỏi và luôn sẵn sàng khi chế độ tư duy được bật lên. Mô hình khác? Thỉnh thoảng lóe sáng, nhưng Claude thực sự có thể làm việc đến sáng.

🟢 Công việc tri thức và chuyên môn

GPT-5.4 khiêm tốn thể hiện

• GDPval (44 khả năng hỗ trợ nghề nghiệp cao tại Mỹ): GPT-5.4 83.0% dẫn đầu xa.

• Cuộc thi toán học (MATH Level 5, FrontierMath, AIME) cơ bản đã bị loạt GPT-5 bao trùm, nhiệm vụ tối ưu (GSO) cũng rất xuất sắc.


GPT-5 giống như học sinh ưu tú toàn diện trong môi trường làm việc. Không nhất thiết phải đứng đầu mọi môn, nhưng khi sếp hỏi, nó luôn có thể đưa ra câu trả lời hợp lý và có năng suất nhất. Hệ sinh thái đã trưởng thành, sử dụng rất thoải mái.

🟢 Bí mật ẩn giấu của Grok 4

Trong việc hiểu chuyện dài (Fiction.liveBench) và trò chơi văn bản (BALROG), Grok 4 thể hiện nổi bật, cho thấy tiềm năng hợp tác đa tác nhân tốt.

Grok giống như đồng nghiệp nói chuyện có chút hài hước, thỉnh thoảng làm điều thú vị. Không nhất thiết là người chăm chỉ nhất, nhưng trong những thời điểm quan trọng luôn mang đến bất ngờ cho bạn (đặc biệt trong các tình huống kể chuyện và trò chơi).

⚠️⚠️

Những hiểu biết cốt lõi

• Không có vua đơn độc: Gemini mạnh mẽ nhất trong suy luận cứng và nhận thức khoa học; Claude mạnh nhất trong lập trình, tư duy lâu dài, thực hành Agent; GPT-5 cân bằng nhất trong công việc tri thức tổng hợp và toán học; Grok có đặc điểm trong các tình huống sáng tạo/đại diện cụ thể.

• Khoảng cách đang nhanh chóng thu hẹp, đặc biệt là các tiêu chuẩn thực tế như SWE-bench, các mô hình hàng đầu thường gặp khó khăn ở khoảng 75-80%, chênh lệch 0.2% có thể quyết định ai tạm thời dẫn đầu.

• Chế độ Thinking và độ dài ngữ cảnh là biến số lớn nhất hiện tại, khi Claude và GPT mở chế độ tư duy sâu, điểm số có thể bay cao rõ rệt.

• Thông báo dữ liệu: Đây là các tiêu chuẩn độc lập từ bên thứ ba, gần hơn với cảm nhận sử dụng thực tế so với báo cáo từ nhà sản xuất.

⚠️⚠️

Tóm tắt:

AI năm 2026 giống như một đội bóng mơ ước. Gemini là bộ não ở giữa, Claude là tiền đạo có sức mạnh thi hành, GPT-5 là đội trưởng đa năng, Grok là người chạy cánh có khả năng chơi đẹp. Không ai có thể đảm nhận tất cả vị trí, điều quan trọng là bạn sẽ chơi theo chiến thuật gì trong trận đấu này.