# Theo thử Gemini 4 Argon: giỏi trượt ván, dở code thật

[Theo Browne](https://homus.dev/speakers/theo-browne) · [Theo - t3․gg](https://homus.dev/orgs/theo-t3-gg)

> Theo thử Gemini 4 Argon: giá thật sau cache, frontend, game 3D, rồi các bài audit code cho thấy tỉ lệ claim sai rất cao so với Opus, Sol và Muse.

Topics: Model Routing, Coding Agents, Evals

Canonical: https://homus.dev/talks/so-ive-been-testing-gemini-4

## 1. Tám tháng chờ một model Gemini cỡ lớn

Theo mở đầu: cuối cùng thì chuyện đó cũng xảy ra, Gemini 4 Argon đã ra mắt. Trước khi vào việc, anh hỏi người xem một câu: theo bạn, đã bao lâu rồi mình chưa có một bản phát hành model Gemini cỡ lớn bình thường, kiểu dòng Pro? Bao nhiêu tháng?

Anh tự trả lời bằng một phép so sánh. Khoảng cách giữa hai bản phát hành như GPT-5.6 Sol và GPT-6 Astra chỉ là một đến hai tháng. Còn khoảng cách giữa Gemini 3.1 Pro và Gemini 4 Argon là tám tháng, tính từ tháng Hai. Suốt thời gian đó, theo Theo, Google không đưa ra gì ngoài các model Flash. Và giờ, sau khi đã nhá hàng Gemini 4 Argon hơn một tuần trước (tính đến lúc video đăng ngày 14/10/2026), Google cuối cùng cũng mở model này cho mọi người dùng.

![Theo Browne nói trước micro trong phòng thu tối](https://homus.dev/photos/NE006pkiAnk-0003.jpg)

Theo Browne mở đầu video về Gemini 4 Argon, model cỡ lớn đầu tiên của Google sau tám tháng chỉ có các bản Flash (tính đến video đăng ngày 14/10/2026).

Với một bản phát hành cỡ này, anh nói có rất nhiều thứ phải bàn: giá được đặt ra sao, model giỏi frontend tới đâu, toàn bộ khả năng 3D, những điểm kỳ quặc làm nên "chất Gemini" của các model Gemini, những năng lực riêng có trong các model này, và tất nhiên là so sánh với các bản mới gần đây (tính đến video đăng ngày 14/10/2026) như Opus 5.5, GPT-6.1 Sol và Muse Wonder Full. Anh nhắc tới video của mình về Muse Wonder Full, model anh khá thích.

![Bảng vẽ Gemini 4 Argon với danh sách các phần của video](https://homus.dev/photos/NE006pkiAnk-0033.jpg)

Dàn ý Theo viết trên bảng vẽ: Pricing, Frontend, 3d/blender/game stuff, Unique capabilities, Real code work, Gemini-isms, và cuối cùng là so sánh với Opus 5.5, 6.1 Sol và Muse Wonder.

Theo kể một nhóm bạn của anh ở Google đã "liều" một chút để anh được dùng sớm model này. Anh rất biết ơn họ và thật lòng mong họ không gặp rắc rối vì những gì anh sắp nói. Bởi model này có những điểm tốt, và cũng có những điểm không tốt lắm.

Bình thường tới đây anh sẽ đùa rằng mình không phải người được trả tiền để tâng bốc, rằng công ty không trả tiền cho anh. Nhưng lần này anh không nói được câu đó, vì Google thực ra trả cho anh khá nhiều: anh là một YouTuber, và nhiều khả năng bạn đang xem video này trên YouTube. Dù vậy, theo Theo (video đăng ngày 14/10/2026), Google không trả tiền cho việc anh nói về Antigravity hay các thứ liên quan đến Gemini. Thậm chí, các video trước của anh về Gemini suýt khiến kênh bị tắt kiếm tiền trên YouTube.

## 2. Bài công bố của Google và bảng so sánh khó tin

Theo mở bài công bố của Google về model mới, kèm lời cảnh báo "chói mắt" vì trang web của họ không có dark mode, không hiểu vì sao. Theo bài viết (video đăng ngày 14/10/2026), Argon được mở toàn cầu từ hôm đó: cho developer và doanh nghiệp qua API, AI Studio và nền tảng Gemini; cho người đăng ký Google AI Ultra trong Antigravity; và cho người đăng ký Google AI Ultra và Pro trong app Gemini và AI Mode trên Search. Đọc tới đây Theo thốt lên rằng anh không nhận ra dòng sản phẩm của Google đã rối tới mức nào cho tới lúc này. Nó là một mớ hỗn độn.

Bài viết nói model xuất sắc ở những việc cần đào sâu, những tác vụ thực tế phức tạp ở nhiều lĩnh vực: coding, tài chính, pháp lý, an ninh mạng và khoa học. Google viết rằng độ sâu và độ chính xác trên các tác vụ nhiều bước giúp Argon vượt các model frontier khác trên benchmark ở nhiều lĩnh vực, và đứng số một trên Vals Index, chỉ số đo hiệu năng model trong các ngành kinh tế quan trọng như tài chính, coding, pháp lý và thuế (đây là lời Google, theo video đăng ngày 14/10/2026).

Trên biểu đồ của Vals mà Google dẫn, Gemini 4 Argon có vẻ đúng là một trong những lựa chọn đáng tiền nhất (theo video đăng ngày 14/10/2026). Nhưng Theo để ý một điểm lạ: biểu đồ có cả chi phí cho Muse Wonder Full, trong khi anh chưa bao giờ được cung cấp giá token cho model này. Biểu đồ ghi 4 đô cho input và 20 đô cho output. Theo nói điều đó sai: chưa ai có giá cho Muse Wonder Full, và rõ ràng nó sẽ không cùng giá với bản Muse Wonder thường. Chi tiết này làm anh tin biểu đồ kém đi nhiều, anh nói thật.

Bốn "cửa" để dùng Gemini 4 Argon theo bài công bố của Google (theo video đăng ngày 14/10/2026). Theo dùng chính danh sách này để nói dòng sản phẩm của Google đang rối ra sao.

Dù vậy, anh có benchmark riêng, và đã chạy rất nhiều trên model này. Anh bắt đầu bằng vài benchmark không phải của mình.

## 3. Giá trông rẻ nhưng không rẻ: ngốn token và cache tệ

Theo mở Slopalytics, trang anh dựng để xem số liệu benchmark, nơi anh đã chia sẻ số của Gemini. Biểu đồ "Cost vs intelligence" lấy dữ liệu từ Artificial Analysis cho thấy chi phí của Argon thực ra không đẹp lắm khi tính cả số token nó dùng trên một bài như Artificial Analysis Intelligence Index. Về điểm, theo video đăng ngày 14/10/2026, Argon đứng trên GPT-6 Astra và trên cả GPT-6.1 Sol, nhưng thấp hơn đáng kể so với Opus 5.5 ở mức high, và tất nhiên thấp hơn Opus 5.5 ở xhigh và max. Nó còn đắt hơn Opus 5.5 ở mức high dù điểm thấp hơn.

![Biểu đồ Cost vs intelligence trên Slopalytics với các đường của Opus 5.5, Fable 5.1, GPT-6 Astra, Gemini 4 Argon](https://homus.dev/photos/NE006pkiAnk-0354.jpg)

Biểu đồ "Cost vs intelligence" trên Slopalytics (dữ liệu Artificial Analysis, theo video đăng ngày 14/10/2026): trục dọc là Intelligence Index, trục ngang là chi phí mỗi tác vụ theo thang log. Điểm của Gemini 4 Argon nằm dưới đường của Opus 5.5 nhưng lệch về phía tốn tiền.

Tất nhiên Artificial Analysis Intelligence Index không phải thước đo hoàn hảo cho năng lực model. Nó không phải chỉ số tốt nhất cho những thứ như code, nhưng cho một ý niệm chung khá ổn về mức độ thông minh (nhận định của Theo, video đăng ngày 14/10/2026). Theo nói anh chọn cho xem các con số này trước vì sợ người xem "rớt não" mỗi khi anh đưa ra giá model.

Lý do: khi thấy giá 2 đô mỗi triệu token input và 10 đô mỗi triệu token output (giá theo video đăng ngày 14/10/2026), phản xạ đầu tiên của bạn sẽ là model này rẻ. So với mức giá 5/25 của Opus 5.5, trông đây là một món hời. Theo nói nó không phải, vì một tổ hợp lý do.

Lý do thứ nhất, theo Theo (video đăng ngày 14/10/2026): model này ngốn token. Nó không hiệu quả lắm, và đó là một phần lý do đẩy nó vào vùng giá cao như vừa thấy trên Artificial Analysis.

Vấn đề thứ hai, theo anh là cực kỳ tệ: model này dở trong việc ăn cache. Theo số đo của Theo (video đăng ngày 14/10/2026), đây là bản phát hành có tỉ lệ đọc từ cache tệ nhất trong số các model anh dùng gần đây: khoảng 70 đến 80% cache hit, trong khi với model khác anh thấy từ 99% trở lên. Nghĩa là mức giảm 95% cho cache read sẽ không xảy ra thường xuyên như mình nghĩ, và bạn sẽ phải trả khá nhiều tiền input với model này.

Theo thừa nhận (video đăng ngày 14/10/2026) đây có thể là lỗi của Antigravity, hoặc ở cách nó gửi dữ liệu, hoặc ở cách nó báo số liệu cho anh. Cũng có một chút khả năng đây là lỗi trong phần MCP implementation mà T3 Code dùng, vì anh nói bạn sẽ không bao giờ bắt gặp anh dùng cái CLI "kinh khủng" của họ. Nhưng anh không mấy tự tin vào bất cứ giả thuyết nào ở đây, và cũng không muốn bỏ thêm công tìm hiểu, vì theo anh Google mới là bên phải làm việc đó, không phải anh.

## 4. Những gì Google kể, và demo 3D

Bài của Google có một mục về việc dùng model để giải các bài toán kỹ thuật phức tạp. Họ viết rằng Antigravity đã giúp các đội tăng số lần nộp code do agent làm hơn 35%, đồng thời giảm số lần rollback code gần một phần ba (số của Google, theo video đăng ngày 14/10/2026). Theo nhận xét đó không phải những con số đẹp, vì thứ họ dùng trước đó cũng chẳng tốt lắm.

Điều thú vị hơn, theo anh, đến từ một cuộc nói chuyện với một nhân viên Google. Anh không nói người đó là ai, và nhấn mạnh đó không phải một trong những người mà Google biết là anh hay nói chuyện, nên đừng truy những người thường làm việc với anh. Người đó không mô tả Argon như một cuộc cách mạng hay "model này đã đổi cách chúng tôi build". Họ nói (theo lời Theo kể trong video đăng ngày 14/10/2026): "Tôi thấy mình ít với tay tới Opus 5 hơn." Không phải Opus 5.5, mà là Opus 5, model mà Theo từng chê nổi tiếng sau khi nhận ra mình đã sai ở video đầu tiên về nó. Anh nói: chuyện là vậy.

Rồi anh xem tiếp model làm được gì, ít nhất là theo lời Google (bài công bố, theo video đăng ngày 14/10/2026). Họ kể đã dùng nó để gỡ rối phần code tính năng trình duyệt trong Chrome: đưa ra nhiều thay đổi code gọn gàng cùng lúc, Argon giúp đội hoàn thành một đợt refactor kiến trúc trên hàng trăm file, xong việc của nhiều tháng chỉ trong vài tuần. Theo bình luận câu này nghe như viết từ năm 2024. Họ còn kể model tối ưu một codebase Python trên production chỉ trong vài giờ.

Tiếp đó là vài demo vui với phần 3D họ đã làm cùng model. Video demo tự phát ra tiếng, và Theo kêu "kinh khủng". Anh giải thích (video đăng ngày 14/10/2026) đây không phải video do AI tạo: đây là các model 3D do AI tạo, rồi Google dùng một phần mềm kiểu rotoscope để đi qua chúng và trình bày dưới dạng video.

![Video Pagoda demo: Gemini 4 Argon nhúng trong trang News from Google](https://homus.dev/photos/NE006pkiAnk-0708.jpg)

Demo "Pagoda demo: Gemini 4 Argon" trên trang của Google: một ngôi chùa nhiều tầng dựng bằng model 3D do Argon tạo, quay lại thành video.

Theo khen là rất ngầu, dù animation vẫn hơi "cringe". Rồi cái YouTube player nhúng trên trang bị hỏng, lớp overlay không chịu biến mất. Anh gọi đó là "Google-ism kinh điển" (video đăng ngày 14/10/2026), và nhắc câu đùa anh hay nói: bạn sẽ biết Google có một model tốt khi phần mềm của họ cuối cùng cũng chạy được.

## 5. "100% trong eval của chúng tôi" và điểm tuyệt đối ở SkateBench

Bài viết có trích lời một người ở Deloitte: ấn tượng ban đầu về Gemini 4 rất mạnh; với các tác vụ chạy dài trong những workflow này, nó hoàn thành thành công 100% số lần trong eval của họ, giữ được context và chạy qua nhiều tool trong những quãng dài ấn tượng; độ sâu suy luận của nó mang lại kết quả cao hơn, rõ hơn đáng kể, và đoạn trích bị cắt ngang (lời trích trong bài của Google, theo video đăng ngày 14/10/2026). Theo nói: Google đúng là Google.

Anh thừa nhận không nên bực câu "hoàn thành thành công 100% số lần trong eval của chúng tôi" nhiều như vậy, vì nó phụ thuộc hoàn toàn vào việc người ta đang đánh giá cái gì. Ví dụ, chính anh cũng có một eval mà Gemini hoàn thành 100% (theo số đo của Theo, video đăng ngày 14/10/2026). Đó là SkateBench, và anh vẫn chưa tin nổi.

Anh thấy chuyện này cực ngầu: theo số đo của Theo (video đăng ngày 14/10/2026), Gemini 4 Argon đạt điểm tuyệt đối trên bản private của benchmark anh dùng để xem model gọi tên trick trượt ván giỏi tới đâu. Để so sánh, Opus 5.5 ở mức max đạt 79%. Bench này hoá ra khó một cách kỳ lạ với hầu hết model, đặc biệt là những trick có Switch hay Fakie stance, vì trượt ván có cả một "ngữ pháp" xoay quanh tư thế đứng trên ván.

![Terminal chạy Skatebench v2 với bảng tỉ lệ đúng của từng model](https://homus.dev/photos/NE006pkiAnk-0923.jpg)

Terminal chạy "Skatebench v2": mỗi dòng là một model với số test, % đúng, chi phí và token trung bình. Dòng gemini-4-argon-high ghi 100%, dòng claude-opus-5.5-max ghi 79% (số đo của Theo, theo video đăng ngày 14/10/2026).

Google vốn luôn có một lợi thế lạ ở bài này, với những model như Gemini 3.8 Flash đạt 96% (theo số đo của Theo, video đăng ngày 14/10/2026). Nhưng thấy điểm tuyệt đối đầu tiên vẫn làm anh thấy "phê" lạ lùng, nhất là khi xem kỹ hơn và thấy model gặp bao nhiêu lỗi lúc chạy, vì API rất không ổn định trong giai đoạn anh thử sớm. Anh không biết từ đó tới nay đã khá hơn chưa, nhưng khi ấy tỉ lệ lỗi khá nặng, và anh phải sửa lại cả một phần benchmark chỉ để đi vòng qua việc endpoint báo lỗi thường xuyên như vậy.

Trong bench này (theo số đo của Theo, video đăng ngày 14/10/2026), model cũng gây ấn tượng ở cách dùng token: nó ra câu trả lời nhanh và không nghĩ quá nhiều, điều hiếm thấy ở một model Gemini và rất dễ chịu. Vậy nên, Theo nói, nếu việc của bạn bằng cách nào đó giống việc gọi tên trick trượt ván, nhiều khả năng bạn sẽ có trải nghiệm tốt với Argon, cả về tốc độ, hiệu quả token lẫn độ chính xác.

Nhưng một lần nữa, khi ai đó nói model thành công 100% trong eval của họ, thì eval đó là gì và nó liên quan thế nào tới việc bạn làm mới là điều quan trọng. Anh không nghĩ có nhiều người kiếm sống bằng nghề gọi tên trick trượt ván. Anh ước là có, và ước đó là công việc của mình, nhưng tiếc là không.

## 6. Vision, đa phương thức và giá "giới thiệu" sẽ tăng gấp đôi

Bài của Google còn nói model có năng lực suy luận nâng cao và đa phương thức, trong khi vẫn giữ grounding chặt chẽ, và vân vân. Nó giỏi nhìn tài liệu, PDF, video, audio và những thứ tương tự (lời Google, theo video đăng ngày 14/10/2026). Theo kể trước giờ anh đã thấy các model Gemini dẫn trước rõ rệt ở các việc liên quan tới vision, ví dụ đưa cho nó ảnh một bo mạch chủ, bảo nó gắn nhãn các linh kiện rồi vẽ chồng lên ảnh bằng Python. Các model của Google vốn rất ấn tượng ở mảng này.

Anh không benchmark phần nào trong số đó, vì anh chỉ dùng model cho code. Nhưng nếu bạn có các tác vụ vision phức tạp, theo anh rất đáng chạy thử chúng với Gemini 4 xem có lợi ích thật không. Bạn có thể bất ngờ.

Rồi anh chuyển sang chuyện "Google-ism" đáng phàn nàn hơn: mức giá 2 đô mỗi triệu token input và 10 đô mỗi triệu token output là giá giới thiệu (theo video đăng ngày 14/10/2026). Theo anh, đây là chiêu Google ưa dùng mỗi khi ra model: tính một giá hợp lý tới một ngày nhất định, rồi sau đó tăng gấp đôi. Vì vậy model này sẽ thành 4 đô mỗi triệu token input và 20 đô mỗi triệu token output từ ngày 1 tháng 12 (theo trang giá của Google mà anh mở, tính đến video đăng ngày 14/10/2026).

![Bảng giá Gemini 4 Argon trên trang tài liệu Gemini API](https://homus.dev/photos/NE006pkiAnk-1023.jpg)

Bảng giá trên tài liệu Gemini API mà Theo mở (theo video đăng ngày 14/10/2026): input 2 đô tới hết 30/11/2026 rồi 4 đô từ 1/12/2026; output (gồm cả thinking token) 10 đô rồi 20 đô; context caching 0,10 đô rồi 0,20 đô, chỉ có implicit caching. Dòng trên cùng ghi Gemini 4 Argon không có ở Free tier hay gói Google AI Pro.

Theo nói cứ như thể Google không muốn bạn bắt đầu build nặng trên model này. Thật khó chịu. Họ làm vậy với hầu hết các đợt ra model gần đây, và điều đó làm chuyện giá cả trở nên kỳ quặc. Anh không nghĩ nó tệ bằng việc Meta không công bố giá nào cho Muse Wonder Full và chỉ cho dùng trong gói đăng ký (theo video đăng ngày 14/10/2026), nhưng anh vẫn ghét chuyện này.

Lời anh muốn nói với Google: cứ đưa ra mức giá mà các anh thực sự phục vụ được. Sau này thì hạ giá, đừng tăng. Theo lời Theo (video đăng ngày 14/10/2026), lab duy nhất thường xuyên tăng giá model chính là "những người bạn" ở Google. Và sau đó họ bảo mọi người bắt đầu dùng đi. Vậy thì, anh nói, mình bắt đầu thôi.

## 7. Frontend: Lawn, Which AI Made This và design skill

Anh bắt đầu với một thứ mà theo anh (video đăng ngày 14/10/2026) các model của Google trước giờ khá mạnh: frontend. Anh hay dùng model của Google cho việc frontend mỗi khi chúng là thứ mới nhất. Cụ thể, khi Gemini 3 Pro và 3.1 Pro ra, anh tìm được nhiều cách dùng tốt.

Anh đã build nhiều phần UI và UX của Lawn, sản phẩm anh làm để thay Frame.io cho việc quản lý video. Đây là thứ công ty anh dùng thật cho toàn bộ việc quản lý video (tính đến video đăng ngày 14/10/2026): mọi video YouTube của anh đều được tải lên nền tảng này và đội của anh quản lý trực tuyến ở đó. Rất nhiều UI và UX trong đó do Gemini 3.1 Pro làm. Tất nhiên anh làm thêm nhiều thứ bên trên bằng các model Opus thời đó, nhưng anh thấy việc qua lại giữa hai họ model giúp anh làm ra những homepage tương đối độc đáo vào thời điểm ấy. Giờ anh muốn xem năng lực đó còn giữ được không.

Anh mở bản homepage Gemini 4 Argon làm và thấy khá tốt (nhận xét của Theo, video đăng ngày 14/10/2026). Anh không nghĩ một homepage nên có nhiều chữ như vậy, nhưng nó rất đẹp. Nếu tình cờ gặp một trang như thế khi lướt web, anh sẽ không đoán được nó do AI tạo. Model còn làm một khu tương tác nhỏ thực sự hoạt động và không "cringe". Anh nói: thế này là ổn; tin anh đi, nếu có gì để chê thì anh đã chê thẳng rồi. Cái này được.

Anh chuyển qua các thiết kế khác. Một bản có hiện tượng font "nhảy" khi tải, nhưng có thể đó chỉ là do cách trang Which AI Made This được dựng. Trang này do một người bạn của anh làm, anh gọi là "một cậu nhóc rất ngầu" và giới thiệu địa chỉ whichai.dev. Theo anh (video đăng ngày 14/10/2026), trang rất hữu ích để xem năng lực frontend khác nhau thế nào giữa các model.

![Trang Which AI Made This với prompt thiết kế landing page và mục With Design Skill](https://homus.dev/photos/NE006pkiAnk-1136.jpg)

Trang "Which AI Made This?": so sánh cách các model AI làm UI, có và không bật frontend design skill của Anthropic. Mọi model nhận cùng một prompt (chép ở dưới); mục "With Design Skill" hiện các bản landing page như Marrow và Noema.

Prompt chung mà trang dùng cho mọi model, chép từ màn hình:

```
I want you to design the landing page for a note-taking application as essentially a second brain. You should design five iterations and each of them should be accessible within the slash one, slash two, slash three like pages directory. And then you should add a little button that lets me switch between them easily.
```

Tất cả các bản Theo cho xem lúc này đều dùng design skill chính thức của Anthropic. Vì vậy nếu bạn không lấy được thiết kế tốt từ model, anh khuyên hãy thử bật skill đó lên xem kết quả có khá hơn không. Theo trải nghiệm của anh (video đăng ngày 14/10/2026), nếu tắt nó đi, bạn sẽ nhận nhiều thứ "cringe" hơn hẳn: nhiều chữ thừa khắp nơi, nhiều font khá xấu. Nói chung là chất lượng không tốt. Tất cả các bản đều có cái top nav kinh khủng, bản nào cũng vậy, và bản "retro" thì cringe tới mức anh phải kêu lên. Đó là khi không bật skill nào.

Vậy nếu bạn dùng model này cho thiết kế, anh rất khuyên dùng design skill của Anthropic. Anh không khuyên dùng "taste skill" (nhận định theo video đăng ngày 14/10/2026): nó đưa kết quả về lại tình trạng cũ, với cái top nav kỳ cục và bố cục lặp đi lặp lại xấu xí. Design skill có vẻ là điểm cân bằng tốt, nó ép model làm ra những thứ trông ổn và độc đáo.

Vậy với frontend, Gemini 4 Argon có vẻ khá tốt. Có phải state of the art không? Theo vẫn nghĩ Fable 5.1 là model tốt nhất anh từng thấy ở mảng này (nhận định của Theo, theo video đăng ngày 14/10/2026). Opus có những lúc xuất sắc, nhưng nhìn chung Fable làm ra những frontend, homepage, trang marketing ngầu và độc đáo nhất.

Anh vẫn không nghĩ có model nào giỏi làm đúng ngay lần đầu, và anh thích những model cho phép qua lại nhiều lần. Ví dụ, với Slopalytics, anh dùng model của OpenAI cho cả trang, làm mọi thứ bằng GPT-6 Astra ở chế độ Ultrafast. Không phải vì Ultrafast giỏi thiết kế một cách thần kỳ; theo anh (video đăng ngày 14/10/2026), model của OpenAI nhìn chung khá dở về thiết kế. Nhưng vì dùng Ultrafast, anh có thể nói thứ mình muốn, xin nhiều phiên bản khác nhau, và qua lại cho tới khi đúng ý mà không phải chờ liên tục.

Vì vậy anh nghĩ tốc độ rất quan trọng khi bạn lặp trên UX thật, không phải một trang marketing mà là những nút người dùng bấm trên website và cách họ tương tác với nó. Model của Google thì nhanh, nhưng không có nghĩa là chúng làm xong việc nhanh. Theo trải nghiệm của anh khi thử nhiều lần (video đăng ngày 14/10/2026), đây không phải một model siêu nhanh: nó có thể sinh token nhanh, nhưng không giải quyết vấn đề nhanh.

## 8. Năng lực riêng của từng lab và lợi thế YouTube của Gemini

Tiếp theo, Theo bàn về các năng lực riêng của model Google. Chuyện này hơi lạ, vì lab nào cũng có thứ gì đó kiểu như vậy. Ví dụ (theo video đăng ngày 14/10/2026), với model của OpenAI, bạn có thể tạo ảnh: nó dùng API của OpenAI để gọi các tool và model tạo ảnh của họ. Với model Claude thì không, nó phải gọi một dịch vụ bên ngoài khác. Model Grok có khả năng làm những thứ hay với API của Twitter.

Theo kể (video đăng ngày 14/10/2026): nếu anh muốn lấy dữ liệu tốt từ Twitter thì không làm qua API được, vì quá đắt. Nên anh chỉ bảo Codex hoặc Claude gọi Grok, và khi gọi Grok, nó có quyền dùng các API của xAI. Nhiều model khác nhau có những năng lực kiểu này: nếu một model có quyền truy cập vào dữ liệu riêng, bạn có thể lấy dữ liệu đó thông qua model ấy.

Ví dụ của Theo về "năng lực riêng" của từng lab: model nào có dữ liệu hay tool riêng thì có thể lấy thứ đó qua model ấy. Với anh, giá trị lớn nhất của Gemini là quyền truy cập rộng vào YouTube (theo video đăng ngày 14/10/2026).

Vì sao anh nhắc chuyện này? Model Gemini có vài năng lực riêng, nhiều trong số đó rất hữu ích với anh. Vì sao hữu ích? Vì anh là YouTuber, nghĩa là anh phải làm rất nhiều thứ trên YouTube, và Google cho các model Gemini quyền truy cập rất rộng rãi vào YouTube API và các năng lực liên quan (theo video đăng ngày 14/10/2026).

Nếu bạn muốn lấy lời thoại dạng văn bản của một video YouTube, theo Theo, Gemini API là một trong những cách tốt nhất để làm việc đó (nhận định theo video đăng ngày 14/10/2026). Các doanh nghiệp của anh đã dùng model Google rất nhiều cho những việc kiểu này. Nên anh sẽ dùng model này nhiều, không phải vì anh muốn hay chọn nó vì nó thông minh độc nhất hay đáng tiền, mà chỉ vì Google có những năng lực riêng mà họ cung cấp cho model qua API, qua data center, qua những thứ chỉ họ có quyền truy cập.

Dù vậy, anh thấy model Gemini thực ra không giỏi lắm với hầu hết các dịch vụ của Google. Anh có trải nghiệm tốt hơn nhiều khi xử lý hộp thư email bằng những công cụ như Grok Bot và ChatGPT so với bất cứ thứ gì của Gemini (trải nghiệm của Theo, tính đến video đăng ngày 14/10/2026). Thậm chí mỗi lần nút Gemini xuất hiện trong app nào đó, anh lại thấy sợ, vì nó thường không chạy được hoặc cringe một cách trắng trợn.

Theo anh (video đăng ngày 14/10/2026), nếu bạn là YouTuber hoặc làm việc với YouTuber, Gemini sẽ là thứ rất hữu ích để có trong pipeline. Nếu bạn làm nhiều việc vision đặc thù, trước giờ các model Gemini cũng giỏi mảng đó, nên đáng benchmark. Nhưng anh không nghĩ ở đây còn nhiều lợi thế như trước, vì nhiều thứ mà model Google từng giỏi độc nhất giờ đã được các bên khác làm được và giữ được.

Dẫu vậy, model này có một "nước sốt bí mật" nào đó, có thứ gì làm nó khác. Bạn thấy được điều đó ở SkateBench: theo số đo của Theo (video đăng ngày 14/10/2026), nó là model duy nhất đạt điểm tuyệt đối, và những model duy nhất vượt mốc 90 là Gemini và, không hiểu sao, Muse Wonder Full. Mọi model khác nằm ở mức 80, 70, thậm chí 50 và 60. Nên có thể còn những năng lực ẩn khác anh chưa thấy.

Anh nghe người ta nói các model này rất giỏi về internationalization, localization và những việc đa ngôn ngữ. Anh chưa thấy nhiều năng lực đặc biệt đó trong thử nghiệm của mình. Anh chỉ muốn nêu ra vì theo anh, tính đến video đăng ngày 14/10/2026, chuyện này không còn phổ biến: thường thì các lab cứ đổ hết dữ liệu vào pre-training rồi RL nó trên code, nên mình không còn thấy nhiều năng lực độc đáo nữa. Nhưng Google vẫn còn một ít, và anh thấy đáng ghi nhận.

## 9. Fish Slop: game 3D làm thước đo

Giờ tới phần "thịt", những thứ người xem háo hức nhất: việc code thật hằng ngày, những điều Theo ghét ở chính Gemini và ở hệ sinh thái Gemini, so sánh với Opus, Sol và Muse. Và tất nhiên, thứ mà ai cũng háo hức một cách kỳ lạ: Fish Slop, game anh làm với mọi model để xem chúng giỏi 3D tới đâu.

Anh nói trước: không, video không bị encode sai đâu. Model thật sự làm hỏng mặt nước phía trên tệ tới mức đó. Còn UI thì, nói nhẹ nhất, rất "Gemini". Model có làm đủ vòng lặp game với năm bể cá phải vượt qua, điều đó ổn. Model tàu ngầm thì không đẹp lắm: theo anh (video đăng ngày 14/10/2026), không tệ như Muse hay Grok, nhưng cũng không tốt.

![Game Fish Slop 3D: tàu ngầm xanh dưới đáy bể cá, thanh công cụ mua cá và thức ăn](https://homus.dev/photos/NE006pkiAnk-1737.jpg)

Bản Fish Slop 3D do Gemini 4 Argon làm: tàu ngầm xanh ở "Tank 1: Sunlit Coral Shallows", thanh dưới cùng để mua Guppy, Food Tier, Food Bay, Turrets, Egg Piece và nút FEED.

Với những demo 3D điên rồ anh thấy người khác đăng, anh đã kỳ vọng nhiều hơn. Anh đưa đúng prompt, đúng setup, đúng tool như mọi model khác. Model làm animation khá ổn: cách con cá bơi hợp lý, mắt cá nhìn đúng hướng. Nghe thì không có gì, nhưng chỉ vài tháng trước đó vẫn là kỹ năng hiếm (tính đến video đăng ngày 14/10/2026).

Nhưng có vài thứ rất "kiểu Google". Anh cho xem một ví dụ buồn cười. Game thì phải có vật lý và cơ chế. Game của anh có cơ chế cá ăn thức ăn. Vấn đề là thức ăn có thể rơi xuống đáy bể, và khi rơi xuống thì nó không hết hạn. Cá có thể xuống đáy để ăn, nhưng chúng không biết cách. Thế là cá đói bơi tới, cố ăn chỗ thức ăn nằm dưới sàn mà không ăn được, rồi cứ nằm đó nhìn thức ăn cho tới khi chết.

Chuyện đó sẽ không tệ lắm nếu anh có thể cho ăn thêm, nhưng game có cơ chế giới hạn lượng thức ăn trong bể mỗi lúc, và model quên cho thức ăn hết hạn. Nên đống thức ăn cứ nằm đó mãi mãi.

Tới đây anh nhận ra âm thanh không được định tuyến ra, nên sửa nhanh. Anh xin lỗi vì đoạn đầu không có tiếng, nhưng nói người xem không bỏ lỡ gì nhiều, vì game nghe cũng chẳng hay lắm.

Bản này hỏng và tệ tới mức anh muốn cho model thêm một cơ hội. Anh kể cho nó những chỗ hỏng: hiện tượng nhấp nháy trên trần bể, cơ chế thức ăn hỏng khiến thức ăn không hết hạn và không ăn được khi ở đáy, và rằng anh thất vọng về đồ hoạ và muốn nó cải thiện. Model chạy một lúc rồi trả về một bản trông khá hơn hẳn. Tiếc là nó không động tới model tàu ngầm, nhưng đã sửa nhiều thứ liên quan tới việc cho cá ăn, và anh thực sự chơi được bản này một lúc.

## 10. "Big model smell" và cái power-up vô dụng

Nhưng rồi bạn bắt đầu thấy những "Gemini-ism". Cách tốt nhất Theo diễn tả được (video đăng ngày 14/10/2026) là model này không có "big model smell". Big model smell rất khó tả: đó là một kiểu chu đáo và khả năng khái quát mà model có khi hiểu thế giới tốt hơn, thứ đến từ việc model to hơn.

Anh nhắc lại điều đã nói về 3D trong video trước về Muse: năng lực 3D của model không phản ánh model thông minh hay giỏi tới đâu. Theo anh (video đăng ngày 14/10/2026), 3D là thứ các lab huấn luyện riêng, kiểu gắn thêm vào. Model này rõ ràng được dành nhiều thời gian hơn cho phần 3D, nhưng nó cũng có những lỗi ngớ ngẩn mà anh chưa thấy model khác mắc.

Ví dụ: quái vật xuất hiện mỗi phút. Khi bạn qua một wave, chúng rơi ra một power-up, và power-up kéo dài 30 giây. Vậy tại sao lại có một power-up giúp tăng sức tấn công? Sau khi nhặt nó, anh chẳng có gì để bắn, và nó hết hạn trước khi anh kịp dùng. Nghĩa là một trong các power-up vô dụng thật sự: sẽ không bao giờ có quái vật trong bể khi bạn đang có nó, vì nó biến mất trước khi quái vật kéo tới.

Lỗi thiết kế Theo chỉ ra trong bản Fish Slop của Gemini: power-up tăng sức tấn công chỉ kéo dài 30 giây, trong khi quái vật xuất hiện mỗi phút, nên lúc có power-up thì trong bể không bao giờ có quái vật.

Theo nói (video đăng ngày 14/10/2026) đây đúng là kiểu lỗi ngớ ngẩn mà một con người sẽ không làm, một model thông minh cũng sẽ không làm, nhưng một model có mục tiêu chỉ là viết ra code trông có vẻ ổn mà không nghĩ thì chắc chắn sẽ làm. Hãy tưởng tượng bạn là người đóng góp bán thời gian cho một game như vậy, và đã có ba power-up. Bạn có thể nảy ra ý một power-up tăng sát thương rồi thêm vào mà chẳng nghĩ gì. Một model thông minh phải hiểu hệ thống đủ tốt để biết điều đó là ngu ngốc. Gemini thì không.

## 11. Hallucination: benchmark nói ít, thực tế nói nhiều

Theo nói đây là lúc thích hợp hơn bao giờ hết để bàn về cách model này hành xử trong công việc thực tế, đặc biệt là hallucination. Thứ anh vừa cho xem không phải hallucination: model không tưởng tượng ra một điều không có thật. Nó thấy một hệ thống power-up, nghĩ ra một ý cho hệ thống đó, rồi đưa vào game. Power-up có thể ngớ ngẩn, vô lý, nhưng model không bịa ra gì cả.

Theo Artificial Analysis, model này thực ra hallucinate khá ít. Trên benchmark AA-Omniscience, nỗ lực của họ để đo hallucination, Gemini 4 Argon có tỉ lệ hallucination 15%, thấp nhất trong các model đạt trên 45 điểm ở Intelligence Index (số của Artificial Analysis, theo video đăng ngày 14/10/2026). Và trên biểu đồ chính thức, đúng là Gemini 4 Argon có tỉ lệ hallucination thấp ấn tượng.

![Biểu đồ AA-Omniscience Hallucination Rate trên Artificial Analysis, cột thấp nhất là Gemini 4 Argon 15%](https://homus.dev/photos/NE006pkiAnk-2155.jpg)

Tab "AA-Omniscience Hallucination Rate" trên Artificial Analysis (theo video đăng ngày 14/10/2026): tỉ lệ càng thấp càng tốt, đo mức model trả lời sai khi lẽ ra nên từ chối hoặc thừa nhận không biết. Cột đầu tiên bên trái là Gemini 4 Argon (high) với 15%.

Nhưng bench AA-Omniscience không chỉ đo hallucination. Nó tính cả câu trả lời sai, câu trả lời một phần và câu từ chối: trả lời đúng thì được điểm, trả lời sai thì bị trừ, còn nói "tôi không trả lời được" thì trung tính. Khi nhìn vào điểm tổng, model không còn đứng đầu nữa mà xuống thứ tư (theo video đăng ngày 14/10/2026), vì nó trả lời đúng ít tới mức việc né trả lời sai không còn giúp nhiều. Nó chỉ nói "xin lỗi, không giúp được" thường xuyên hơn các model khác.

Theo nói mỉa: hay đấy, mừng là Google làm model của họ hallucinate ít hơn. Nhưng điểm vẫn không tốt lắm. Và tiếc là, theo trải nghiệm của anh (video đăng ngày 14/10/2026), benchmark này không thực tế lắm, vì anh đã thấy model này sai rất nhiều.

## 12. Bài audit codebase ts-rust: 24 trên 36 claim sai

Đây là lúc anh vào phần code thật, nơi phân tích thực sự của anh về model bắt đầu. Bài đầu tiên: ném model vào ts-rust, một project anh đã kể trong các video khác, trong đó anh viết lại toàn bộ compiler bằng Rust với Opus 5.5. Anh cho nhiều model khác nhau audit codebase và mô tả nó: những gì có thể cải thiện, những gì đáng biết trong codebase. Anh lấy mọi claim model đưa ra, kiểm chứng, rồi đưa qua một hội đồng giám khảo để chấm model làm tốt hay tệ.

Kết quả, theo số đo của Theo (video đăng ngày 14/10/2026): GPT-6.1 Sol đứng đầu với 38 claim, tất cả đều đúng, không có claim sai nào; các claim có thông tin, chính xác và hữu ích, nên mọi giám khảo cho nó điểm khá cao, trung bình 8,84. Opus 5.5 thấp hơn một chút, 8,78. Nó mất nhiều thời gian hơn hẳn, 49 phút so với 28 phút, tốn 24 đô thay vì 4 đô, và sai một claim. Vẫn là điểm rất tốt, chỉ là có sai sót, quá lâu và quá đắt.

Cũng trong bảng đó (số đo của Theo, video đăng ngày 14/10/2026), GPT-6 Astra không có claim sai nào, nhanh hơn nhiều với 20 phút, nhưng vẫn hơi đắt. GPT-6.1 Sol ở mức xhigh thì mọi thứ khá lên. Còn một điều buồn cười: GPT-6 Astra ở mức max lại điểm thấp hơn GPT-6 Astra ở xhigh. Theo nhắc lại điều anh nói đã lâu: có lẽ bạn nên tránh các mức reasoning max, chúng gây hại nhiều hơn có lợi.

Bạn có thể để ý thiếu một thứ: Gemini đâu? Chỉ là chưa cuộn xuống đủ xa. Theo số đo của Theo (video đăng ngày 14/10/2026), Gemini 4 Argon trong bench audit codebase của anh được 4,38 điểm, chưa bằng một nửa điểm của Opus và của GPT-6.1 Sol.

![Bảng ts-rust analysis eval, Gemini 4 Argon đứng cuối với 4.38 và 24 trên 36 claim sai](https://homus.dev/photos/NE006pkiAnk-2426.jpg)

Nửa dưới bảng "Which model understands a large Rust codebase best?" (số đo của Theo, theo video đăng ngày 14/10/2026): Fable 5.1 sai 11 trên 33 claim, Muse Wonder Full sai 8 trên 33, Muse Wonder sai 13 trên 32, còn Gemini 4 Argon (high) đứng cuối với 4.38 điểm, sai 24 trên 36, chạy 43 phút 37 giây, tốn 3,06 đô. Đầu trang ghi bốn giám khảo là Muse Wonder Full, Opus 5.5, Fable 5.1 và GPT-6 Astra.

Theo số đo của Theo (video đăng ngày 14/10/2026), nó còn chạy 43 phút, theo lời anh là gần gấp đôi thời gian của GPT-6.1 Sol và hơn gấp đôi so với bản chạy ở mức xhigh. Mặt tốt là nó chỉ tốn khoảng 3 đô. Mặt không tốt là trong 36 claim của nó, 24 claim sai. Phần lớn những gì nó khẳng định về codebase là sai.

Theo hỏi: bạn có hiểu điều đó tệ cỡ nào không? Nghĩa là khi model này làm việc thật trong một codebase thật, khả năng nó sai ngang bằng, nếu không muốn nói là cao hơn, khả năng nó đúng. Và theo Theo (video đăng ngày 14/10/2026), điều này khớp với trải nghiệm của anh khi dùng nó. Anh ghét phải là người nói ra điều này, nhất là khi có lẽ anh đã mất chút uy tín với nhiều người xem sau video về Muse Wonder.

Nhưng anh không bận tâm. Theo anh (video đăng ngày 14/10/2026), Muse Wonder Full là một điểm cân bằng độc đáo ở đây: nó đạt điểm gần với Fable nhưng nhanh hơn nhiều, và cũng sai, nhưng 8 trên 33 thì tương đương 11 trên 33 của Fable 5.1, và khác hẳn một thế giới so với 24 trên 36.

Theo nói thẳng (video đăng ngày 14/10/2026), và bảo người xem sẽ hiểu ý anh khi đi sâu hơn: anh không nghĩ ai thấy model này ngang tầm frontier với những model như Opus 5.5, Fable 5.1, GPT-6 Astra và GPT-6.1 Sol, hay thậm chí Muse Wonder Full, lại đang thực sự làm những việc thật. Nếu bạn không đồng ý, hãy cho anh xem demo. Anh muốn mình sai ở đây. Anh muốn tin Google hơn với tư cách một đối thủ cạnh tranh, nhưng các con số sẽ không khá hơn khi đi tiếp.

## 13. Audit lỗi thật của T3 Code và audit Lakebed

Vòng tiếp theo, anh cho các model audit một bug thật trong T3 Code, liên quan tới cách các workflow cập nhật hàng loạt máy từ xa hoạt động. Theo số đo của Theo (video đăng ngày 14/10/2026), trên trang "Which model audits a real fleet failure best?": Opus 5.5 đạt điểm cao nhất, 8,22. Nó có 5 claim sai trên 46, tốn khoảng 26 đô và chạy khoảng 20 phút, nhưng đây là những con số tốt và hữu ích.

Cũng trên trang đó (số đo của Theo, video đăng ngày 14/10/2026), GPT-6.1 Sol điểm thấp hơn: nó bỏ sót vài lỗi mức nghiêm trọng cao mà Opus 5.5 tìm ra, nhưng không nói điều gì sai. Nó chạy 10 phút và tốn khoảng một đô. Theo gọi đó là điên rồ, và đó là lý do anh rất thích GPT-6.1 Sol làm model review.

Muse Wonder Full điểm thấp hơn khá nhiều (cùng bảng, video đăng ngày 14/10/2026). Anh nghĩ nó bỏ sót vài claim, và tỉ lệ sai gần như Opus, nhưng nó chỉ chạy sáu phút, và quan trọng nhất theo anh, nó rất dễ đọc. Một lần nữa, anh thích Muse Wonder Full vì nó là một "hương vị" khác và tìm ra những thứ hữu ích.

Gemini 4 Argon cũng là một hương vị khác. Theo lời Theo (video đăng ngày 14/10/2026), nó không chỉ là một bản distill từ Claude như nhiều lab open weight đang làm. Theo giải thích: nếu bạn nói chuyện với những model như GLM-5.3-Flash, Kimi K3 hay các model tương tự, chúng nói năng và hành xử khá giống nhau. Còn bốn model trong bảng này hành xử hoàn toàn khác nhau.

Nhưng theo anh, Gemini quá kém để đáng đổi sang một hương vị khác. Muse Wonder Full có lẽ quá đắt để đáng đổi, mà cũng chưa biết được vì vẫn chưa có giá. Nhưng ít nhất nó không nói dối 14 trên 40 lần như Gemini 4 Argon trong bài này (số đo của Theo, theo video đăng ngày 14/10/2026). Muse đã lấy mất bất cứ điều gì anh từng mong Gemini làm được. Theo nói mong người xem bắt đầu hiểu vì sao anh dễ tính với Muse hơn người ta tưởng: thử cả Muse lẫn Gemini cùng lúc nhắc anh nhớ sâu sắc anh không thích làm việc với Gemini tới mức nào.

Và tiếc là nó còn tệ hơn. Bài tiếp theo anh không làm trang hình ảnh đẹp: đó là một cuộc audit sản phẩm cloud của anh, Lakebed. Theo số đo của Theo (video đăng ngày 14/10/2026), GPT-6.1 Sol được 9 trên 10. Sonnet 5.5 được 8,5 trên 10, chủ yếu vì Sonnet ở mức max sẽ cứ đốt, đốt và đốt token, nên nó tìm ra mọi thứ. Muse Wonder Full tụt khá mạnh ở bài này: từ mức 8,25 của Opus 5.5 xuống 5,75. Nhưng cú tụt đó không lớn bằng của Gemini: 2,25.

Điểm tổng (thang 10) trong bài audit Lakebed, theo bảng Theo cho xem (số đo của Theo, video đăng ngày 14/10/2026). Gemini 4 Argon đứng cuối với 2,25; 56 trong 78 finding của nó sai.

Đây là điểm trên thang 10. Muse Wonder Full chấm finding của Gemini 3 điểm; Opus, Fable và Astra chấm 2. Theo số đo của Theo (video đăng ngày 14/10/2026), trong 78 finding của Gemini, 56 cái sai. Theo tính ra đó là tỉ lệ hỏng 70%. Anh nói model này dễ "gaslight" agent của bạn hơn là đưa ra feedback hữu ích trong review. Nếu vì lý do nào đó bạn vẫn quyết định dùng model này cho việc thật, anh tha thiết khuyên hãy đưa những gì nó làm qua Sol hoặc Opus, hoặc một model nào đó không có tỉ lệ nói dối tệ hại như vậy.

Anh không hiểu nổi sao lại có benchmark đo được rằng model này ít hallucinate, trong khi anh chưa từng thấy nó không hallucinate trong công việc code thực tế hằng ngày của mình (tính đến video đăng ngày 14/10/2026).

## 14. Kiến trúc T3 Code: nhiều finding sai hơn cả số finding đúng của model khác

Ở lượt chạy cuối, anh cho các model đi qua kiến trúc của T3 Code. Theo số đo của Theo (video đăng ngày 14/10/2026), Gemini 4 Argon được 3,95 trên 10. Bảng này cũng cho thấy Muse Wonder Full không kém, nếu không muốn nói là tốt hơn, những model như Fable và Astra. Nó ngang ngửa Astra mà lại dễ chịu hơn nhiều khi làm việc cùng, điều anh thấy đáng ghi nhận.

Bài đánh giá kiến trúc T3 Code (số đo của Theo, theo video đăng ngày 14/10/2026): khối đậm là claim đúng, khối nhạt hơn là đúng một phần, khối nhạt nhất là sai. Gemini 4 Argon có 47 claim sai, nhiều hơn tổng số claim đúng của Muse Wonder Full.

Lại so với Muse (số đo của Theo, video đăng ngày 14/10/2026): Muse Wonder Full có 29 claim đúng, 8 đúng một phần, 4 sai. Argon có 31 đúng, 14 đúng một phần, 47 sai. Gemini 4 Argon có nhiều finding sai hơn cả số finding đúng của Muse Wonder Full. Theo nói nó không chỉ hơi tệ hay hơi dễ làm sai hơn một chút, mà là cách biệt cả một bậc độ lớn: theo nhận xét của anh trên bench này, nó nói dối nhiều gấp mười lần bất kỳ model nào khác anh đang chạy.

Ngoại lệ là Muse Wonder bản thường, không phải bản Full: anh gọi nó là rác, vứt đi, đừng đụng vào. Theo anh (video đăng ngày 14/10/2026), hai model tệ duy nhất trong bench này là Muse Wonder Standard và Gemini 4 Argon, và cả hai đều là rác.

Như người xem đã thấy trong video về Muse, anh dễ tha thứ hơn một chút nếu model dễ chịu khi tương tác. Nhưng theo Theo (video đăng ngày 14/10/2026), Google cũng không ghi điểm ở đây: hàng bức tường chữ nối tiếp nhau, đầy những thứ không quan trọng lắm, đọc không dễ chịu chút nào.

Nhưng nếu code chạy được thì cũng ổn, đúng không? Theo kể anh phải làm một việc quanh lớp kết nối SQLite trong T3 Code, với hy vọng làm nó ổn định cho người dùng nặng trên các nền tảng như Windows, nơi đang có vấn đề kết nối (theo video đăng ngày 14/10/2026). Anh đã biết trước nhiều cách sửa, chỉ tò mò xem Gemini có tìm ra không.

## 15. Thử thật: PR sửa kết nối SQLite trong T3 Code

Anh hỏi Gemini 4 Argon (mức High) trong một thread T3 Code tên "Connection Instability and SQLite". Câu hỏi, chép từ màn hình:

```
There are lots of users reporting issues with instability with connections. A lot appear to be sqlite related. What should we prioritize to fix this? Async sqlite?
```

Anh nói mình còn gợi ý sẵn bằng "async SQLite", và đó không phải giải pháp đúng. Giải pháp đúng là pooling: có các read pool và một kết nối ghi duy nhất.

![Thread Connection Instability and SQLite trong T3 Code, Gemini 4 Argon phân tích nguyên nhân](https://homus.dev/photos/NE006pkiAnk-2936.jpg)

Câu trả lời của Gemini 4 Argon: client của T3 Code gửi ping qua WebSocket mỗi 5 giây và ngắt nếu server không trả lời trong 15 giây; vì server chạy SQLite đồng bộ trên event loop chính của Node.js, nó nêu hai nguyên nhân: event loop bị "đói" và nghẽn hàng đợi trên một kết nối duy nhất. Khung bên phải đã thấy PR #19167 với "2 failed".

Model đi "săn" khá lâu. Nó làm nhiều Gemini-ism kinh điển, như đọc lần lượt từng file một, cứ thế mãi. Nhưng nó có xác định đúng phần tách read pool và một kết nối ghi duy nhất.

Anh bảo nó làm PR cho mục ưu tiên số một, là phần đầu tiên trong câu trả lời. Theo số đo của Theo (video đăng ngày 14/10/2026), 30 phút sau, lâu hơn nhiều so với mức đáng lẽ, nó mới xong. Theo kể vài người nói với anh rằng Gemini chạy trong T3 Code chậm hơn hẳn. Bạn có thể nghĩ đó là lỗi của T3 Code, nhưng anh nói điều đó không thể: họ dùng chính phần ACP mà Google cung cấp trên server của Google và nhúng vào app. Thậm chí đội anh đã phải làm cả đống trò kỳ quặc chỉ để nó chạy được, vì Google là một "bông tuyết đặc biệt", chuyện anh sẽ nói thêm sau.

Dù sao, theo Theo (video đăng ngày 14/10/2026), 30 phút là thời gian vô lý để làm PR này, và khi mở ra, người xem sẽ thấy nó đã bị đóng. Vì thay đổi này lẽ ra không phải 1.200 dòng code. Nó lẽ ra chỉ khoảng 30 dòng.

Tới đây anh đã chán, nhất là khi đọc PR. Theo lời Theo (video đăng ngày 14/10/2026), repo có sẵn skill hướng dẫn cách viết PR, rất đơn giản: PR phải mở đầu bằng hai tới ba câu mô tả đúng vấn đề người dùng gặp mà PR muốn sửa. Họ không nhận được điều đó, mà nhận một đoạn tóm tắt: "Chúng tôi tách quyền đọc và ghi SQLite trong file này, trong các service orchestration, projection và query đọc snapshot và các câu select độc lập". Theo hỏi: đây có phải câu dài lê thê không? Đúng vậy. Một đống slop không đọc nổi, không theo bất kỳ quy tắc nào của repo, đúng là rác.

Vậy là anh đã khá sẵn sàng đóng nó. Rồi anh thấy nó lớn cỡ nào. Rồi anh thấy thứ "yêu thích" của mình: CI fail. Model không viết code đúng, cả bước check lẫn lint đều fail, và nó chẳng buồn sửa, cũng không xử lý các comment mức high hay cao hơn từ các bot review của họ. Nên anh bỏ cuộc.

## 16. Nhờ Opus 5.5 chấm lại PR của Gemini

Anh mở Opus 5.5, dán link PR và thread ID, rồi viết prompt sau (chép từ màn hình):

```
This was opened by Gemini 4 Argon. I think the PR is garbage and doesn't really fix the problems that it (barely) stated.

Go through the T3 Code thread here. Figure out where it went wrong. Give me honest thoughts on the work Gemini did. if you agree that it's slop, close the PR.
```

Opus trả lời: "Tôi đồng ý đó là slop và đã đóng PR #19167 kèm một comment nêu lý do." Rồi nó giải thích Gemini sai ở đâu.

![Thread Assess SQLite WAL Reader Pool, Opus 5.5 phân tích Where it went wrong](https://homus.dev/photos/NE006pkiAnk-3243.jpg)

Phần "Where it went wrong" do Claude Opus 5.5 viết trong thread "Assess SQLite WAL Reader Pool": lượt một chẩn đoán gần đúng nhưng không có bằng chứng, lượt hai sửa sai nửa chẩn đoán, không kiểm tra prior art (PR #14703, #18736 và các issue liên quan), và thiết kế mong manh vì chọn kết nối bằng regex.

Lượt một, phần chẩn đoán, gần như đúng nhưng không có bằng chứng. Gemini đã tìm ra cơ chế thật: `DatabaseSync` đồng bộ chạy trên main thread, việc chậm chặn event loop quá mốc ping timeout 15 giây, và client kết nối lại. Theo đọc lướt phần còn lại.

Lượt hai, cái PR, sửa sai nửa trong chính chẩn đoán của nó. Reader pool vẫn mở `DatabaseSync` trên main thread. Một lần đọc chậm trên kết nối đọc vẫn chặn heartbeat y như trên kết nối ghi. Tác dụng duy nhất là bớt chờ ở một lời gọi semaphore, và điều đó chỉ có ý nghĩa khi một fiber nhường lượt bên trong một transaction. Theo dịch lại: tức là nó không có tác dụng.

Opus còn chỉ ra Gemini không kiểm tra prior art: đã có sẵn hai PR sửa đúng những vấn đề này. Theo nhắc lại video trước về Muse, nơi anh khen Muse đã nói: "Tôi sẽ không viết code. Đây là một PR đã sửa việc này, bạn nên merge nó." Model này không làm vậy. Thay vào đó, nó hallucinate ra một giải pháp sai của riêng nó. Câu trả lời đúng nằm ngay trong tab PR trên GitHub của họ, và nó không những không tìm ra mà còn tự bịa ra đáp án sai. Nó còn giải quyết bằng một regex để định tuyến request. Theo nói anh ước gì mình đang đùa. Tệ quá. Rác quá.

Theo nhận xét của Opus: Gemini đọc được code và giải thích được code chạy thế nào, nhưng không kiểm tra giả thuyết của chính mình. Nó chưa bao giờ hỏi liệu một reader pool trên main thread có giúp event loop khỏi bị chặn hay không. Nó trả lời câu hỏi lỏng lẻo của Theo bằng một roadmap đầy tự tin và một con số phần trăm tự bịa ra. Khi được bảo làm "ưu tiên số một", nó làm đúng nghĩa đen và ở kích thước tối đa, không kiểm tra xem ưu tiên số một có đúng không.

Rồi Theo bảo Opus làm các thay đổi, và kết quả là 21 dòng code. Theo video đăng ngày 14/10/2026, các thay đổi đó đã được merge, sẽ có trong bản nightly kế tiếp, và người dùng sẽ có trải nghiệm tốt hơn với SQLite.

## 17. Rủi ro tài khoản Google và nỗi khổ tích hợp Antigravity

Tiếp theo là một đoạn "xả" nhanh về độ thiếu ổn định của model này và của Antigravity. Theo so sánh (video đăng ngày 14/10/2026): nếu tài khoản Anthropic của anh bị khoá thì rất phiền, nhưng anh có thể mở tài khoản mới bằng một địa chỉ email khác và không mất gì nhiều. Nếu tài khoản OpenAI bị khoá thì phiền hơn chút, nhưng một lần nữa, mở tài khoản mới là xong. Anh có thể đăng nhập cả hai bằng tài khoản Google, nhưng nếu bị khoá thì chỉ việc đăng nhập vào Anthropic hay OpenAI bị khoá.

Còn nếu tài khoản Gemini của anh bị khoá, anh có thể mất kênh YouTube, vì tài khoản Gemini chính là tài khoản Google của anh (theo video đăng ngày 14/10/2026). Anh có thể mất email, mất hệ thống thanh toán cho thẻ tín dụng, mất mật khẩu đã lưu trong Chrome, mất quyền vào kênh YouTube, và chắc chắn mất quyền vào mọi thứ khác anh đăng nhập bằng Google. Đó là rủi ro thật.

Lý do Theo thấy dùng Gemini rủi ro hơn các lab khác (video đăng ngày 14/10/2026): tài khoản Gemini cũng là tài khoản Google, nên một lần bị khoá có thể kéo theo kênh YouTube, email, thanh toán và mọi dịch vụ đăng nhập bằng Google.

Theo lời Theo (video đăng ngày 14/10/2026), Google đã hứa rằng họ sẽ chỉ khoá bạn khỏi Gemini và Antigravity, không khoá khỏi Google nữa. Nhưng anh nói vẫn thấy người ta bị khoá cả tài khoản Google, nên rủi ro vẫn còn. Vì vậy, tích hợp ACP chính thức của Google vào T3 Code là một việc anh thấy rủi ro. Họ vẫn chọn làm vì được bảo là sẽ ổn.

Nhưng anh cũng nhận ra Google không bỏ nhiều công vào chuyện này (theo Theo, video đăng ngày 14/10/2026). Anh cho xem một chỗ: model thất bại hoàn toàn khi kết nối tới gateway giữa chừng một lượt chạy, sau khi đọc file không ngừng suốt một giờ hai phút. Rồi nó cứ thế fail và từ chối chạy tiếp, và anh phải khởi động lại cả thread mà không còn chút lịch sử nào. Anh gọi đó là kinh khủng.

Rồi có cả loạt Google-ism vặt. Ví dụ, trong ACP, họ không báo model rồi cho bạn chọn mức effort như các lab khác. Mọi model slug đều gắn sẵn với mức effort, nên bạn phải chọn "Argon high", "Argon medium" hay "Argon low" như thể đó là ba model khác nhau. Theo anh (video đăng ngày 14/10/2026), mọi lab khác đều làm đúng những chuyện này. ACP là một chuẩn khá đơn giản để triển khai và tích hợp. Google là Google, và họ làm sai hết.

Anh nói thật đáng xấu hổ khi việc tích hợp Antigravity khổ sở tới mức nào, và tỉ lệ bug trong T3 Code chỉ dành riêng cho Antigravity cao tới mức nào (theo Theo, video đăng ngày 14/10/2026). Nó luôn là cái gai trong mắt anh kể từ lần đầu tích hợp, và có Gemini 4 cũng không làm nó tốt hơn. Anh thừa nhận được thấy lần đầu tiên một model Gemini có UI dùng tạm được cũng là một sự nhẹ nhõm. Anh từng nghĩ điều đó sẽ khiến anh thích nó hơn, nhưng giờ, đặt cạnh những model có năng lực như Muse, Opus, thậm chí Sonnet, anh nói thật là nó chỉ làm anh đau hơn.

## 18. Kết luận: Theo không dùng Gemini 4 Argon cho code nữa

Tới phần cuối, so sánh với các model khác, Theo nói cảm giác thật không công bằng, không công bằng với các model kia. Theo anh, đây đơn giản là rác. Đừng hỏi anh về hạn mức sử dụng trên gói 200 đô hay gì đó (gói theo video đăng ngày 14/10/2026); anh không quan tâm, và sẽ không đẩy tới giới hạn đủ để biết. Anh đoán nó gần như không giới hạn trên thực tế, vì bạn sẽ chẳng làm được bao nhiêu với nó trước khi bực mình và bỏ cuộc. Nó đơn giản là tệ.

Anh nói sẽ làm đúng như lời mình nói để cho thấy mình nghiêm túc tới đâu. Anh mở một thread mới trong T3 Code tên "Auto-close PRs from untrusted models", chạy bằng Claude Opus 5.5, với prompt sau (chép từ màn hình):

```
I don't trust any Gemini models, nor Muse Wonder. To be clear, Muse Wonder Full is fine, but the standard Muse Wonder, as well as Gemini 3, 4, etc., do not contribute useful code to the T3 Code codebase.

I would like to find some way to auto-close all pull requests that are filed using models like Gemini 4 Argon or the normal Muse Wonder when they are filed to T3 Code.
```

Theo khẳng định anh không đùa, và sẽ tìm cách đưa việc này vào trong tuần đó. Anh nói (video đăng ngày 14/10/2026) mình đã phí nhiều thời gian và token để kiểm tra code do Gemini 4 viết hơn là thời gian lẽ ra phải bỏ ra để viết code đó bằng một model thông minh hơn ngay từ đầu.

Theo đánh giá của anh (video đăng ngày 14/10/2026), Gemini không phải một model hữu ích cho bất cứ việc gì trong thế giới code, có lẽ trừ vai trò lượt nháp thứ nhất hoặc thứ hai cho một trang marketing trông đẹp. Ngay khi làm xong video này, anh sẽ không dùng Gemini cho việc gì ngoài lấy dữ liệu từ YouTube. Anh gọi đây là một trong những bản phát hành tệ nhất năm, và nói không quan tâm benchmark nói gì: anh đã thử nó liên tục trong công việc thật, và chưa merge một thứ nào model này làm ra. Theo anh, một số hallucination của model này khiến anh có cảm giác như quay lại năm 2024.

Anh nói đã giữ giọng nhẹ nhàng tới tận lúc này vì biết ơn các nhân viên Google anh từng nói chuyện. Nhìn chung họ là một trong những lab tiếp nhận feedback của anh tốt nhất, và anh đã cố chia sẻ feedback này với họ từ sớm. Anh cũng nghe đồn có một snapshot tốt hơn, kiểu "carbon" hay gì đó, sắp ra (tin đồn theo video đăng ngày 14/10/2026). Anh không biết nó sẽ tốt hơn bao nhiêu, nhưng nó cần tốt hơn rất nhiều, vì theo anh model này là rác và anh không định dùng lại nó, trừ việc lấy dữ liệu trên YouTube.

Anh hỏi người xem nghĩ gì: anh đang phản ứng thái quá, hay model này đúng là rác? Google bảo anh nó giỏi code, nhưng theo anh (video đăng ngày 14/10/2026) nó không giỏi code, nên anh gần như đã chán. Có thể người xem sẽ tìm ra cách dùng hay nào đó, nếu có thì hãy kể trong phần comment. Anh chào tạm biệt bằng câu "tới lần sau, tôi sẽ gắn bó với Muse", rồi sửa lại: thôi, nói nghiêm túc thì chắc anh sẽ gắn bó với Opus 5.5. Nhưng người xem hiểu ý rồi. Anh "out". Tạm biệt.

## Nguồn và liên kết

- Tên gốc: So I've been testing Gemini 4...
- Sự kiện: [YouTube](https://homus.dev/events/youtube)
- Video gốc: [https://www.youtube.com/watch?v=NE006pkiAnk](https://www.youtube.com/watch?v=NE006pkiAnk)

- Kênh YouTube Theo - t3․gg (Theo Browne): [youtube.com/channel/UCbRP3c757lWg9M-U7TyEkXA](https://www.youtube.com/channel/UCbRP3c757lWg9M-U7TyEkXA)

- Bảng giá Gemini API của Google, có mục Gemini 4 Argon với giá giới thiệu và giá từ 1/12/2026: [ai.google.dev/gemini-api/docs/pricing](https://ai.google.dev/gemini-api/docs/pricing)

- AA-Omniscience, benchmark kiến thức và hallucination của Artificial Analysis: [artificialanalysis.ai/evaluations/omniscience](https://artificialanalysis.ai/evaluations/omniscience)

- Slopalytics, trang biểu đồ benchmark Theo cho xem: [slopalytics.com](https://slopalytics.com)

- SkateBench, benchmark gọi tên trick trượt ván: [skatebench.t3.gg](https://skatebench.t3.gg)

- Which AI Made This?, trang so sánh thiết kế UI giữa các model: [whichai.dev](https://www.whichai.dev)

- Frontend design skill của Anthropic: [github.com/anthropics/skills (frontend-design)](https://github.com/anthropics/skills/tree/main/skills/frontend-design)

- Lawn, công cụ review video Theo dùng thay [Frame.io](https://frame.io): [lawn.video](https://lawn.video)

- Repo T3 Code: [github.com/pingdotgg/t3code](https://github.com/pingdotgg/t3code)

- PR #19167 do Gemini 4 Argon mở và đã bị đóng: [github.com/pingdotgg/t3code/pull/19167](https://github.com/pingdotgg/t3code/pull/19167)

Nguồn: https://homus.dev/talks/so-ive-been-testing-gemini-4 · cập nhật 2026-10-21