Những vụ rò rỉ gần đây về mô hình Gemini 3.0 của Google thông qua kiểm thử A/B trong Google AI Studio đã châm ngò cho một cuộc thảo luận sôi nổi trong cộng đồng lập trình viên. Trong khi các ví dụ ban đầu cho thấy khả năng ấn tượng trong những tác vụ sáng tạo như tạo SVG, cộng đồng lại chia rẽ sâu sắc về hiệu suất thực tế của các mô hình AI hiện tại. Các lập trình viên đang chia sẻ những trải nghiệm khác biệt hoàn toàn dựa trên trường hợp sử dụng cụ thể của họ, tiết lộ rằng mô hình AI tốt nhất thường phụ thuộc hoàn toàn vào mục đích bạn đang cố gắng thực hiện.
Ranh giới Không Đồng Đều của Năng Lực AI
Cộng đồng lập trình viên không chỉ ra một nhà vô địch rõ ràng trong cuộc đua mô hình AI, khi trải nghiệm thay đổi đáng kể theo từng loại tác vụ. Đối với công việc phát triển web liên quan đến HTML và SCSS, nhiều lập trình viên báo cáo kết quả vượt trội với Gemini so với các đối thủ. Mô hình này tỏ ra đặc biệt mạnh mẽ trong việc hiểu và làm việc trong các khuôn khổ có cấu trúc như Angular, nơi đầu ra nhất quán của nó phù hợp tốt với các mẫu phát triển cứng nhắc.
Tôi liên tục nhận thấy Gemini tốt hơn ChatGPT, Claude và Deepseek cho công việc của tôi, rất nhiều công việc phát triển web với html/scss.
Tuy nhiên, lợi thế này không mở rộng ra cho tất cả các tác vụ lập trình. Đối với công việc tái cấu trúc phức tạp và hành vi tự chủ — nơi các mô hình cần điều hướng các codebase lớn và thực hiện các thay đổi có hệ thống — các lập trình viên nhất quán báo cáo rằng Claude và GPT-5 vượt trội hơn Gemini. Khả năng gọi công cụ của mô hình này được mô tả là lỗi trong các môi trường phát triển như Copilot và Cursor, hạn chế hiệu quả của nó đối với một số quy trình làm việc lập trình nhất định.
Điểm Mạnh Của Các Mô Hình Được Báo Cáo Theo Lĩnh Vực:
- Gemini 2.5 Pro:
Viết sáng tạo và công việc biên tập Phát triển web UI/UX (HTML/SCSS, Angular)
Vật lý lý thuyết và chứng minh toán học Tóm tắt các bài báo và chủ đề học thuật
Phân tích ngữ cảnh lớn Claude (Sonnet/Opus):
Hành vi chủ động và tái cấu trúc codebase Viết script Python
Tích hợp công cụ CLI GPT-5 (Thinking/Pro):
Lý luận phức tạp và ý tưởng "vượt khỏi khuôn khổ" Trích xuất dữ liệu và các tác vụ "tìm kim trong đống cỏ khô"
- Tìm kiếm web mở rộng có căn cứ
Thế Mạnh Sáng Tạo và Phân Tích Chia Rẽ Ý Kiến
Có lẽ sự chia rẽ rõ rệt nhất nổi lên trong các ứng dụng sáng tạo và phân tích. Nhiều người dùng báo cáo Gemini 2.5 Pro là không đối thủ cho các tác vụ viết lách sáng tạo, một số thậm chí còn cho rằng đây là mô hình duy nhất gần như có thể sử dụng được cho thơ ca và truyện ngắn. Khả năng hiểu các sắc thái viết và đưa ra lời phê bình có ý nghĩa của nó nổi bật trong một lĩnh vực mà hầu hết các mô hình đều vật lộn với sự sáng tạo thực sự.
Trong các lĩnh vực toán học và lý thuyết, ý kiến càng chia rẽ hơn nữa. Một số người dùng thấy Gemini vượt trội trong việc tạo ra các chứng minh hoàn chỉnh, chính xác trong các lĩnh vực như đại số giao hoán và lý thuyết phạm trù, có lẽ được hưởng lợi từ việc đào tạo rộng rãi trên nội dung kỹ thuật. Tuy nhiên, những người khác lại cho rằng đối với nghiên cứu toán học thực thụ, khả năng của GPT-5 trong việc tạo ra những ý tưởng độc đáo từ các định lý không quen thuộc khiến nó có giá trị hơn cho những đột phá thay vì chỉ là các chứng minh chính xác.
Quy Trình Làm Việc Thực Tế và Hạn Chế
Các lập trình viên đã phát triển các quy trình làm việc tinh vi để tối đa hóa điểm mạnh của Gemini trong khi giảm thiểu điểm yếu của nó. Ngữ cảnh khổng lồ của mô hình cho phép các cách tiếp cận độc đáo, chẳng hạn như chuyển đổi toàn bộ codebase thành chuỗi để phân tích toàn diện. Một số người dùng đã tinh chỉnh kỹ thuật này bằng cách đầu tiên để Gemini tạo ra tài liệu kiến trúc, sau đó sử dụng bản tóm tắt đó cho các cuộc hội thoại tiếp theo — tạo ra một chỉ mục siêu dữ liệu phong phú giúp mô hình suy luận hiệu quả hơn về các hệ thống phức tạp.
Tuy nhiên, những hạn chế đáng kể vẫn tồn tại. Người dùng báo cáo rằng Gemini gặp phải tình trạng sụp đổ ngữ cảnh vào khoảng 50k token bất chấp khả năng lý thuyết 1 triệu token, buộc phải reset đoạn hội thoại thường xuyên. Mô hình này cũng nổi tiếng với hành vi lặp, đôi khi lặp lại các phản hồi nguyên văn ngay cả khi được hướng dẫn rõ ràng là không được làm vậy. Những hạn chế thực tế này ảnh hưởng đến khả năng sử dụng trong thế giới thực, ngay cả khi trí thông minh mô hình cơ bản có vẻ cạnh tranh.
Các Hạn Chế Thường Được Báo Cáo Của Gemini:
Hành vi gọi công cụ được mô tả là có lỗi trong môi trường phát triển (Copilot/Cursor) Sự sụp đổ ngữ cảnh được báo cáo vào khoảng 50k token mặc dù có cửa sổ ngữ cảnh lý thuyết lớn Hành vi lặp vòng đáng kể và lặp lại nguyên văn Phản hồi quá dài dòng và xu nịnh trong cấu hình mặc định
- Bị kiểm duyệt nhiều hơn so với đối thủ cạnh tranh đối với các chủ đề y tế và một số chủ đề nhạy cảm nhất định
Lợi Thế Tích Hợp Dọc
Việc tích hợp dọc của Google mang lại cho Gemini những lợi thế tiềm năng vượt ra ngoài khả năng thuần túy của mô hình. Như một bình luận đã chỉ ra, việc Google là công ty duy nhất trong lĩnh vực mô hình cốt lõi được tích hợp đầy đủ theo chiều dọc với phần cứng của chính họ cho thấy những lợi thế cạnh tranh lâu dài về giá cả và hiệu suất. Sự tích hợp này đã thể hiện trong các sản phẩm như Chế độ AI trên Tìm kiếm Google, mà một số người dùng báo cáo hoạt động tốt hơn các chatbot AI chuyên dụng cho các tác vụ nghiên cứu bằng cách thực hiện nhiều tìm kiếm hơn để nền tảng và tổng hợp.
Mối quan hệ giữa các sản phẩm AI khác nhau của Google vẫn gây bối rối cho người dùng, với nhiều người bày tỏ sự không chắc chắn về thời điểm sử dụng Gemini so với Chế độ AI so với các dịch vụ khác. Sự phân mảnh này làm nổi bật thách thức trong việc khai thác hiệu quả khả năng AI của Google, ngay cả khi công nghệ cơ bản cho thấy nhiều hứa hẹn.
Hướng Tới Gemini 3.0
Những trải nghiệm hỗn hợp của cộng đồng với các mô hình hiện tại tạo ra cả sự phấn khích lẫn hoài nghi về Gemini 3.0. Những tin rò rỉ ban đầu cho thấy khả năng tạo SVG tinh vi và các bản sao trò chơi có thể chơi được cho thấy những tiến bộ có ý nghĩa trong các tác vụ mã hóa sáng tạo. Tuy nhiên, những người kỳ cựu cảnh báo chống lại sự nhiệt tình thái quá dựa trên kiểm thử A/B một lần nhắc, lưu ý rằng hiệu suất thực tế liên quan đến các yếu tố phức tạp như tiếp nhận đa tệp, gọi công cụ và chất lượng hội thoại bền vững.
Thách thức cơ bản vẫn còn: các lập trình viên khác nhau cần những khả năng khác nhau từ trợ lý AI của họ. Một mô hình xuất sắc trong việc lập kế hoạch dự án greenfield có thể gặp khó khăn với việc triển khai chi tiết, trong khi một chuyên gia về mã hóa có thể thiếu tính linh hoạt sáng tạo. Như một lập trình viên đã nói ngắn gọn, Ranh giới là không đồng đều — và thành công của Gemini 3.0 sẽ phụ thuộc vào việc nó có thể làm mịn những phần nào của ranh giới lởm chởm đó cho mục đích sử dụng thực tế.
Cuộc tranh luận đang diễn ra tiết lộ ít hơn về chất lượng mô hình tuyệt đối và nhiều hơn về các nhu cầu đa dạng của các nhà phát triển trong các lĩnh vực khác nhau. Khi khả năng AI tiếp tục phát triển, cái nhìn sâu sắc có giá trị nhất có thể là hiểu được mô hình nào phù hợp với tác vụ cụ thể nào — một bài học mà cộng đồng đang học hỏi thông qua việc thử nghiệm rộng rãi trong thế giới thực.
Tham khảo: Gemini 3.0 Spotted in the Wild Through A/B Testing