Tóm tắt nhanh
- Trong phép thử cùng một tác vụ tạo công cụ ghi benchmark chạy offline của XDA Developers, Codex và Antigravity đạt 6/6 tiêu chí; OpenCode đạt 4/6 vì tính sai phần trăm khi chọn baseline theo một thứ tự nhất định.
- OpenCode chạy Qwen3.6-35B-A3B cục bộ nhanh nhất, mất 1 phút 42 giây. Tốc độ không bù được lỗi logic ở phép so sánh.
- Antigravity làm thêm nhiều tính năng và sinh 1.976 dòng mã; Codex gọn hơn, còn Claude Code là công cụ duy nhất trong phép thử mở trang bằng trình duyệt để kiểm tra.
- Kết quả chỉ phản ánh một prompt, một lần chạy và các model cụ thể; chưa đủ để kết luận công cụ nào luôn tốt hơn.
Một lần thử tạo file HTML ghi kết quả benchmark cho thấy khoảng cách đáng chú ý không nằm ở thời gian sinh mã, mà ở việc agent có hiểu đúng logic người dùng yêu cầu và tự kiểm tra đầu ra hay không.
Đây là một lần thử có kiểm soát tương đối: cả bốn công cụ nhận cùng prompt, bắt đầu từ thư mục trống và chỉ có một lượt tạo, không được nhắc thêm. Tác vụ yêu cầu làm file HTML chạy offline để nhập tên game, cấu hình và FPS trung bình, đánh dấu kết quả cao nhất, so sánh hai lần chạy theo thứ tự người dùng chọn, xóa dữ liệu và giữ dữ liệu sau khi tải lại trang.
OpenCode nhanh nhất nhưng mắc đúng lỗi ở phép tính cốt lõi
OpenCode cho thấy tốc độ tạo mã không nói lên độ tin cậy của kết quả. Cấu hình trong bài thử chạy Qwen3.6-35B-A3B đã lượng tử hóa UD-IQ4_XS trên RTX 4070 Ti Super, qua llama.cpp với cửa sổ ngữ cảnh 64K; OpenCode tạo giao diện gọn, chạy cục bộ và hoàn thành trong 1 phút 42 giây — nhanh nhất trong nhóm, theo XDA Developers.
Lỗi xuất hiện khi chọn lần chạy 120 FPS trước rồi mới chọn 100 FPS: ứng dụng vẫn lấy 100 FPS làm mốc và báo mức tăng 20%, theo ghi nhận của XDA Developers. Nếu 120 FPS mới là baseline, kết quả đúng phải là 100 FPS thấp hơn 16,7%. Lỗi nằm ở cách xác định mốc so sánh theo vị trí trong danh sách thay vì theo thứ tự nhấp chuột.
Đây không phải lỗi trang trí. Một công cụ benchmark có thể lưu đúng dữ liệu và hiển thị đẹp, nhưng phép tính sai sẽ làm người dùng hiểu ngược kết quả. Bài thử cũng cho thấy lỗi này chỉ xuất hiện với một số tổ hợp dữ liệu và thứ tự chọn; kiểm tra qua một luồng sử dụng duy nhất có thể bỏ lọt nó.
Codex ưu tiên làm đúng yêu cầu, còn Antigravity làm nhiều hơn
Codex chạy GPT-5.6 Terra ở mức high, mất 2 phút 42 giây và đạt 6/6 tiêu chí, theo XDA Developers. File đánh dấu rõ baseline, diễn giải kết quả bằng câu và lưu dữ liệu offline; công cụ cũng chạy kiểm tra cú pháp trước khi bàn giao. Điểm còn thiếu trong quy trình của lần thử này là Codex không mở file trên trình duyệt để kiểm tra giao diện và hành vi thực tế.
Antigravity dùng Gemini 3.8 Flash ở mức high, hoàn thành sau 3 phút, đạt 6/6 và tạo file dài 1.976 dòng, gần gấp năm mức trung bình khoảng 400 dòng của ba công cụ còn lại, theo XDA Developers. Ngoài các chức năng được yêu cầu, giao diện có gợi ý tên game và cấu hình, tìm kiếm, lọc, sắp xếp, thanh thống kê, frametime trong phép so sánh và nút đổi vai trò hai lần chạy. Công cụ còn chạy kiểm tra cú pháp cùng một nhóm test logic.
Phần làm thêm có giá trị khi nó giảm thao tác thật: nút đổi baseline, chẳng hạn, giúp thử hai chiều so sánh dễ hơn. Nhưng nhiều dòng mã và tiện ích phụ cũng làm tăng bề mặt cần bảo trì. Với một logger cá nhân, giao diện giàu tính năng có thể tiện; với tiện ích cần sửa nhanh hoặc kiểm tra từng dòng, đầu ra ngắn gọn dễ đọc hơn. Chưa có dữ liệu về tốc độ tải, lỗi dài hạn hay khả năng sửa đổi, nên không thể biến số dòng thành kết luận về chất lượng tổng thể.
Bảng kết quả cho thấy 6/6 chưa đồng nghĩa với cùng một mức kiểm chứng
| Tiêu chí | Claude Code — Sonnet 5.5 | Codex — GPT-5.6 Terra | Antigravity — Gemini 3.8 Flash | OpenCode — Qwen3.6-35B-A3B |
|---|---|---|---|---|
| Thời gian tạo | 2 phút 14 giây | 2 phút 42 giây | 3 phút | 1 phút 42 giây |
| Tiêu chí đạt | 6/6 | 6/6 | 6/6 | 4/6 |
| Tự kiểm tra | Mở trang bằng trình duyệt | Kiểm tra cú pháp, không mở trình duyệt | Kiểm tra cú pháp và logic | Không nêu kiểm tra bổ sung |
| Ghi chú đầu ra | Đạt đủ yêu cầu | Bám sát yêu cầu, không làm thêm nhiều | 1.976 dòng, có thêm tính năng | Lỗi xác định baseline theo thứ tự nhấp |
Số liệu: XDA Developers. Các công cụ chạy những model và cấu hình khác nhau; đây là kết quả của một prompt cụ thể, không phải benchmark tổng quát.
Ba công cụ đạt 6/6 nhưng không được kiểm tra theo cùng một cách. Claude Code mở trang trong trình duyệt, Codex chỉ chạy kiểm tra cú pháp, còn Antigravity chạy cả kiểm tra cú pháp lẫn logic. Những bước này không tương đương với nhau: kiểm tra cú pháp xác nhận file có thể phân tích được, trong khi chạy thử các thao tác mới có thể phát hiện lỗi chức năng. Một lần chạy cũng không đủ để biết bộ test bao phủ tới đâu.
Chạy cục bộ đổi quyền riêng tư lấy yêu cầu phần cứng và khả năng kiểm thử
OpenCode có lợi thế khác với hai dịch vụ đám mây: tài liệu chính thức mô tả đây là agent mã nguồn mở, hỗ trợ nhiều nhà cung cấp model và cả model chạy cục bộ. Trong cấu hình được thử, mã được tạo bằng Qwen trên máy có RTX 4070 Ti Super thay vì gửi tác vụ tới model đám mây. Điều đó phù hợp với người muốn tự quản lý nơi xử lý mã, nhưng không có nghĩa mọi thiết lập OpenCode mặc định đều chạy cục bộ; người dùng phải chọn và cấu hình model phù hợp.
Đổi lại, trải nghiệm phụ thuộc vào model, lượng tử hóa và phần cứng sẵn có. Phép thử không đo mức tiêu thụ bộ nhớ, tốc độ trên máy yếu hơn hay chất lượng khi dùng model khác. Lỗi baseline cũng không chứng minh mọi model cục bộ đều dễ mắc lỗi này; nó cho thấy cần đưa các thao tác biên vào test, nhất là khi yêu cầu có thứ tự tương tác mang ý nghĩa.
Với người dùng Việt Nam, lựa chọn thực dụng không nhất thiết là công cụ có kết quả nổi bật trong một lần chạy. Nếu mã nguồn cần được xử lý tại máy, OpenCode đáng để thử sau khi tự kiểm tra kỹ; nếu muốn bắt đầu nhanh mà không tự dựng môi trường model, Codex và Antigravity cho thấy các lựa chọn đám mây có thể hoàn thành tác vụ này. Tuy nhiên, bài thử không đối chiếu giá thuê bao, hạn mức, điều kiện thanh toán hay chất lượng trên repo thực tế, nên chưa thể xếp hạng giá trị sử dụng tại Việt Nam.
Không nên chọn agent chỉ bằng thời gian sinh mã
Trong giới hạn phép thử này, Codex là lựa chọn cân bằng nếu ưu tiên đầu ra gọn và hoàn thành đúng checklist; Antigravity hợp với người muốn có thêm công cụ thao tác ngay trong giao diện; OpenCode nổi bật ở tốc độ và khả năng chạy model cục bộ nhưng cần kiểm thử hành vi kỹ hơn. Claude Code có kết quả tốt và bước kiểm tra trình duyệt rõ ràng, song không có đối chiếu đủ rộng để kết luận nó luôn vượt các lựa chọn kia.
Điểm quan trọng hơn thứ hạng là phải thử tác vụ đại diện cho công việc của mình: kiểm tra dữ liệu biên, thao tác theo thứ tự khác nhau, tải lại trang và xác nhận kết quả sau mỗi bước. Với công cụ viết mã, một câu trả lời nhanh chỉ có ích khi logic vẫn đúng lúc người dùng không đi theo con đường mà mô hình mặc định.
Nguồn tham khảo: XDA Developers · Tài liệu OpenCode · Tài liệu Codex CLI
