Gemini 4 Pro so với GPT-6 Astra trong Bài kiểm tra Tay cầm Xbox 360 — và Tại sao Fable 5.2 Lại Không có trong đó

Một bài đăng trên X xuất hiện vào ngày 21 tháng 9 mang theo ba cái tên, một video và dòng chữ "SOTA comparison": Gemini 4 Pro, GPT-6 Astra, Claude Fable 5.2. Hai trong số những cái tên đó thuộc về những mô hình mà không ai có thể gọi được. Một cái tên thuộc về một mô hình đã được bán ra thị trường được mười tám ngày. Và thứ mà bài đăng nhắm tới — một tay cầm chơi game được vẽ dưới dạng đồ họa vector trong một lần chạy duy nhất từ một câu lệnh duy nhất — theo những người thực sự chạy nó, là một so sánh hai chiều giữa hai cái tên đầu tiên. Claude Fable 5.2 không nằm trong đó. Claude Fable 5.1 cũng không.

Khoảng cách giữa cách đóng khung và bằng chứng đó chính là toàn bộ cục diện của câu chuyện Gemini 4 Pro lúc này, và nó đáng được mổ xẻ cẩn thận thay vì bị gạt bỏ. Bài kiểm tra controller không phải là chuyện vô nghĩa. Đó là hiện vật trông có vẻ tái lập được nhất mà bất kỳ ai đã tạo ra về một mô hình tiên phong chưa phát hành trong tháng này, nó có cả một lịch sử bốn tháng phía sau, và nó đang được rất nhiều người đọc như một phán quyết. Đó không phải là một phán quyết. Đó là một kết quả hòa, từ một lần thử, mà chính người kiểm tra cũng không thể lặp lại vào ngày hôm sau — và việc biết chính xác nó đi được đến đâu và không đi đến đâu thì hữu ích hơn cả sự thổi phồng lẫn cái đảo mắt.

Bài kiểm tra, và lý do vì sao một SVG trở thành chuẩn mực

Câu lệnh này còn cũ hơn cả những mô hình mà nó đang được dùng để đánh giá. Nó có từ thời Gemini 3.0, khi nó được lan truyền dưới dạng: "Tạo một hình ảnh SVG của tay cầm Xbox 360. Xuất nó trong một khối mã nhiều dòng Markdown." Cách diễn đạt đó quan trọng, vì nó được cố ý thiết kế để gây khó cho một mô hình ngôn ngữ. Một bản vẽ vector hoàn toàn là cấu trúc và không có kết cấu — không có nhiễu ảnh để mô hình ẩn núp phía sau, không có bộ lấy mẫu khuếch tán để làm mịn một sai sót. Mỗi đường cong đều phải được chỉ định dưới dạng một tọa độ. Tay cầm là một mục tiêu khó đối với nó: hai phần tay nắm đối xứng, một lòng lõm, các cò vai được dựng theo phối cảnh, khoảng mười sáu nút mà mỗi nút cần một vị trí, một hình bóng mà chỉ cần một tỷ lệ lệch đi là đọc sai ngay. Và vì câu trả lời đến dưới dạng văn bản bạn có thể dán vào một trình xem, việc so sánh thật rẻ và dễ mang theo. Không ai phải tin vào ảnh chụp màn hình cửa sổ trò chuyện của người khác.

Vào tháng Chín, cộng đồng đã nhặt lại prompt đó. Các kết quả đang lan truyền từ những phiên arena — một con bồ nông đi xe đạp, một tay cầm PlayStation 5 được render từ năm góc máy macro, một ngôi chùa 3D với hệ thống chiếu sáng có thể chuyển đổi, một cảnh đền voxel, một trang về trực thăng Airbus H145 — được mô tả trong bài báo cáo là mỗi cái mất khoảng tám đến hai mươi phút ở mức nỗ lực suy nghĩ cao. Tay cầm là thứ đã được chụp màn hình đưa vào một so sánh.

So sánh bộ điều khiển thực sự cho thấy điều gì

Đây là kết quả như người kiểm thử đã báo cáo, và đó là một khẳng định nhỏ hơn nhiều so với những gì dòng thời gian đã biến nó thành.

• Phán quyết — hòa. Người điều hành nó, đăng với tên Lumina, gọi cả hai đầu ra là "gần như hoàn hảo."

• Điểm bất đối xứng duy nhất — phiên bản của Astra có một logo hơi sai. Đó là một điểm nhỉnh hơn chỉ ở một chi tiết đơn lẻ, và người kiểm thử đã mô tả nó như một điểm nhỉnh hơn chỉ ở một chi tiết đơn lẻ, chứ không phải là một lợi thế dẫn đầu tổng quát.

• Độ hoàn thiện về mặt hình ảnh — cả hai bản dựng đều thể hiện chi tiết thân tay cầm điều khiển, các nút điều khiển và đổ bóng. Không bản nào bị vỡ ở phần hình dạng.

• Điều mà sự so sánh không thiết lập được — rằng mô hình chưa phát hành đang dẫn trước. Hai kết quả đầu ra được đánh giá tốt ngang nhau chính là định nghĩa của việc không-dẫn-trước.

• Khả năng tái lập — theo báo cáo, kết quả đầu ra đã được tạo ra vào đêm hôm trước, mất khoảng hai mươi phút, và người kiểm thử không thể thu được kết quả tương đương vào ngày hôm sau.

• Danh tính — mục arena mà kết quả đầu ra đến từ đó đã được dán nhãn gemini-3.8-flash, một cái tên vốn đã thuộc về một mô hình mà Google đã phát hành vào ngày 2 tháng 9, và sau đó được cho là đã được dán nhãn lại thành gemini-3.7-flash. Mô hình nào thực sự đứng sau bí danh này thì vẫn chưa được giải quyết, và hai người thử nghiệm khác trong cùng khoảng thời gian đó cũng cho biết họ không thể xác nhận mô hình nào họ đã sử dụng.

Đọc danh sách theo thứ tự và hình dạng của bằng chứng trở nên rõ ràng. Tuyên bố thú vị không phải là “mô hình chưa phát hành đã thắng”. Mà là việc một mô hình không ai có thể nhận diện, chạy dưới tên của một mô hình đã phát hành, đã tạo ra tác phẩm vector chỉ trong một lần thử mà một người kiểm thử cẩn thận không thể phân biệt được với đầu ra của một mô hình tiên tiến vốn đã được cung cấp rộng rãi trong phần lớn tháng Chín. Đó là một quan sát có thật. Đó cũng là một quan sát về một buổi chiều, và người kiểm thử đã nói như vậy.

Kết quả hai chiều và tuyên bố ba chiều

Bài đăng khởi nguồn cho bài viết này nói có ba mô hình. Các bài viết mô tả cùng một phiên controller lại nói có hai. Tình trạng thực tế của Claude Fable 5.2 trong tuần này là một câu chuyện riêng, tình cờ cùng nằm trong một chu kỳ tin tức, và điều đó đáng được nói chính xác vì sự đánh đồng đang có tác động theo cả hai hướng.

• Điều được khẳng định — tài khoản X @chetaslua đã đăng vào ngày 18 tháng 9 rằng Claude Fable 5.2 "đang được thử nghiệm trong claude code với việc định tuyến fable 5.1 tới nó." Đó là một khẳng định về định tuyến đối với Claude Code, đến từ một tài khoản duy nhất.

• Tên gọi là gì — giả định của chính phóng viên. Người kiểm thử đăng bài với tên JAZII, người có bài viết ngày 18 tháng 9 là tài khoản chi tiết nhất về hành vi này, nói rõ rằng "Fable 5.2" là một cái tên do họ tự đặt, không phải một cái tên đã được ai xác nhận. Không có thẻ mô hình, không có mã định danh API, không có trang định giá, không có thẻ hệ thống, và không có nguồn tin thứ hai nào đưa tin độc lập về một tuyến Fable 5.2.

• Câu chuyện định tuyến Claude đã được củng cố thực sự bao gồm những gì — blog này đã đưa tin về vấn đề đó một cách riêng biệt: các báo cáo về định tuyến âm thầm giữa tháng 9 mà một số cơ quan truyền thông độc lập đã đưa tin là về một checkpoint thuộc phân khúc Opus chưa phát hành, không phải một Fable. Việc quy cho Fable chỉ dựa trên một nguồn duy nhất. Hãy coi đó là báo cáo của một nguồn, không phải một phát hiện.

• Điều mà người kiểm thử thực sự đã báo cáo — ở mức nỗ lực suy luận cao, Fable kế tiếp được cho là đã được ưa thích hơn GPT-6 Astra, đồng thời chậm hơn và đắt hơn. Đó là một sở thích, từ một người, đối với chính công việc của họ.

• Điều gì đã được xác minh về mô hình đã phát hành — Claude Fable 5.1 đã được cung cấp rộng rãi kể từ ngày 1 tháng 9 năm 2026. Mô hình đó tồn tại, có giá, và có thể được gọi ngay hôm nay.

Vậy phiên bản trung thực của cách diễn đạt ba hướng là thế này: hai trong số ba cái tên trong bài đăng đó là các mô hình chưa được công bố với tên do cộng đồng gán, bài kiểm tra bộ điều khiển chỉ liên quan đến cái tên mà danh tính ít nhất được neo vào một mục trong arena, và cột Fable là sở thích từ một người thử nghiệm duy nhất, người đã từ chối nêu tên mô hình một cách rõ ràng. Đó không phải là lý do để bỏ qua bất kỳ điều nào trong số đó. Đó là lý do để giữ ba cái tên ở ba mức độ tin cậy khác nhau thay vì một.

Bảng điểm chuẩn đang thực sự tranh luận

SVG của bộ điều khiển là hiện vật hữu hình. Thứ thực sự đang thuyết phục lại là một bảng benchmark xuất hiện vào khoảng ngày 18 tháng 9 và đã được báo chí công nghệ tiếng Trung và tiếng Anh đăng lại kể từ đó. Đáng để liệt kê, vì các con số đủ cụ thể để kiểm chứng và chưa có con số nào trong đó được kiểm chứng.

• DeepSWE v1.1 — 88.7%, được mô tả là cao hơn GPT-6 Astra khoảng hai điểm.

• GDPval-AA v2 — 2.064 Elo, được mô tả là mục duy nhất trong bảng so sánh trên 2.000.

• Terminal-bench 2.1 — 95,3%, được nêu là điểm cao nhất trong bảng.

• OSWorld-2.0 — 86,8%, xếp trên cả GPT-6 Astra và Claude Fable 5.1.

• Mức giá được công bố — 2,25 đô la cho mỗi triệu token đầu vào và 11,25 đô la cho mỗi triệu token đầu ra.

• Thông số được công bố — giới hạn đầu vào 10 triệu token, mức trần đầu ra 256K token, bộ nhớ xuyên hội thoại.

Mỗi dòng ở trên là một tuyên bố từ cộng đồng. Google đã không xác nhận bất kỳ điều nào trong số đó, hoàn toàn không xác nhận rằng mục tham gia đấu trường là Gemini 4 Pro, và không phản hồi yêu cầu bình luận. Bảng này không có mã định danh checkpoint, không có cài đặt nỗ lực suy luận, không có khung tác tử, không có quyền công cụ, không có phân tách kiểm tra, không có kích thước mẫu, và không có nhật ký chạy — những thứ mà một đánh giá thực sự mang theo còn ảnh chụp màn hình của một slide thì không. Các tên benchmark cũng được lấy từ cùng một họ mà OpenAI đã sử dụng trong tài liệu ra mắt tháng 9 của chính mình, điều này cho thấy nơi bảng được tổng hợp chứ không phải nơi nó được đo lường.

Có một lý do thứ hai để phải thận trọng với bất kỳ so sánh tiên phong nào trong tháng này: chỉ số độc lập mà mọi người đều tìm đến đã được đổi sang phiên bản v4.3 vào ngày 7 tháng 9, và việc đổi phiên bản sẽ nén hoặc kéo giãn phần đầu của bảng xếp hạng. Một điểm số không đi kèm phiên bản của nó thì không thể so sánh với một điểm số từ ba tuần trước đó, dù là của chúng tôi hay của bất kỳ ai.

Điều gì thực sự được xác nhận về Gemini 4 Pro

Bỏ hết những tuyên bố đi thì hồ sơ thực tế chỉ còn ngắn ngủi.

• Ngày 21 tháng 7 năm 2026 — Google xác nhận đã bắt đầu lần chạy tiền huấn luyện tham vọng nhất từ trước đến nay, dành cho Gemini 4. Giám đốc điều hành nhắc lại điều đó trong cuộc gọi công bố thu nhập quý 2.

• Ngày 2 tháng 9 năm 2026 — Gemini 3.8 Flash ra mắt. Mô hình được phát hành rộng rãi mới nhất của Google vẫn là một mô hình thuộc phân khúc Flash.

• Ngày 15–18 tháng 9 năm 2026 — một kẻ rò rỉ thông tin với biệt danh "Lentils" khẳng định các checkpoint của Gemini 4 Pro đang xuất hiện trong nội bộ dưới tên mã "argon"; những người theo dõi trong cộng đồng ghi nhận một mục trên arena dưới nhãn gemini-3.8-flash đã phát hành, với mỗi câu trả lời mất từ tám đến mười phút và tạo ra các sản phẩm vector cùng 3D vượt xa những gì mô hình đó tạo ra.

• Hôm nay — không có model id Gemini 4, không có endpoint, không có giá, không có model card. Gemini 3.5 Pro, vốn được xem trước cho tháng Sáu và chưa từng phát hành, đã được Wall Street Journal đưa tin là bị hủy bỏ vì mức cải thiện quá nhỏ.

Đó là toàn bộ bề mặt đã được xác nhận. Mọi thứ khác đang lưu hành — bảng, giá, cửa sổ ngữ cảnh, tên mã, danh tính của mục tham gia arena — đều là suy luận khoác áo một dấu thập phân.

Những gì bạn thực sự có thể chạy trong lúc chờ đợi

Đây là phần mà các bài đăng so sánh bỏ sót, và chính là phần làm thay đổi một quyết định.

GPT-6 Astra không phải là tin đồn. Nó đã ra mắt vào ngày 3 tháng 9 năm 2026, mang model id gpt-6-astra, và hôm nay có thể gọi được với đúng mức giá niêm yết của chính OpenAI là 10,00 USD cho mỗi triệu token đầu vào và 50,00 USD cho mỗi triệu token đầu ra, với đầu vào được cache ở mức 1,00 USD. Nó chạy trên OrcaRouter với đúng mức giá niêm yết đó của nhà cung cấp, markup 0% — chúng tôi chuyển thẳng mức giá của nhà cung cấp, nên khi giá thay đổi, con số phía chúng tôi cũng thay đổi ngay trong cùng ngày, chứ không phải đợi đến khi có ai đó rảnh tay cập nhật biên lợi nhuận. Các chỉ số benchmark do OpenAI công bố là DeepSWE v1.1 đạt 74%, OSWorld 2.0 đạt 72,6%, Terminal-Bench 4.0 đạt 57,9%, và ExploitBench đạt 100%, chính điều này đã đưa nó vượt qua ngưỡng năng lực tấn công mạng Critical. Đó đều là những con số do nhà cung cấp tự báo cáo và chưa được tái lập, và chúng chính là những con số mà bản tài liệu Gemini 4 Pro bị rò rỉ đang ngầm phản bác.

Gemini 4 Pro không có trên OrcaRouter, và chúng tôi sẽ không giả vờ rằng có. Không có endpoint, không có model id, và không có giá, bởi vì không có model nào được phát hành. Ngược lại, Claude Fable 5.1 đã được cung cấp rộng rãi từ ngày 1 tháng 9 và có thể định tuyến ở đúng mức giá niêm yết của nó, tương tự như Claude Opus 5 và phần còn lại của tầng tiên phong hiện tại — một API bao trùm hơn 200 model ở mức giá niêm yết của nhà cung cấp, không thêm phí, nên một so sánh như thế này không cần đến ba tài khoản, ba SDK và ba hóa đơn mới có thể triển khai.

Nếu kết quả từ controller là thứ khiến bạn muốn tái cấu trúc một đường đi production quanh một mô hình chưa được công bố, thì nước đi hợp lý là nước đi mà bằng chứng ủng hộ: đừng làm vậy. Hãy giữ nguyên đường đi bạn đang có, và nếu bạn muốn biết liệu hiệu ứng có tổng quát hóa cho công việc của chính mình hay không, hãy định tuyến một phần lưu lượng vào một đường đi chưa được kiểm chứng, đặt sau một cơ chế dự phòng chuyển về mô hình bạn đã tin cậy. Như vậy, một buổi chiều tệ hại chỉ tốn của bạn một phần trăm lưu lượng thay vì một sự cố, và bạn có câu trả lời của riêng mình thay vì đi vay kết quả hai mươi phút của người khác.

Điều gì sẽ khiến kết quả của bộ điều khiển trở nên có ý nghĩa

• Bí danh rồi cũng có tên thật. Một mục trên đấu trường chỉ là tin đồn kèm theo một dòng trên bảng xếp hạng. Một model id nằm trong tài liệu của chính nhà cung cấp mới là sản phẩm. Hãy để mắt đến danh sách model, chứ không phải dòng thời gian.

• Kết quả tái lập được. Một người kiểm thử đã không thể có được cùng kết quả đầu ra vào ngày hôm sau. Ba người độc lập có được nó theo yêu cầu, với mô hình đã được xác định rõ ràng, lại là một loại bằng chứng hoàn toàn khác về bản chất.

• Bảng bị rò rỉ có thêm một phương pháp luận. Một điểm benchmark mà không có checkpoint, một thiết lập mức nỗ lực và một harness thì không phải là một phép đo; đó chỉ là một tuyên bố về một phép đo.

• Một mức giá xuất hiện. Mức $2.25/$11.25 được cho là sẽ khiến một mô hình tiên phong chưa phát hành trở thành mô hình rẻ nhất trong ba mô hình, với khoảng cách rất lớn, và đây là kiểu tuyên bố mà hoặc sẽ xuất hiện trong bảng giá, hoặc là không.

• Ghi nhận nguồn gốc cho Fable có thêm nguồn thứ hai. Hiện tại nó chỉ có một, và người tạo ra nó nói rằng cái tên vốn đã là của họ ngay từ đầu.

Những câu hỏi đáng được trả lời

Nếu mục trong đấu trường thực sự là Gemini 4 Pro, thì tại sao lại chạy nó dưới tên của một mô hình đã phát hành?

Việc thử nghiệm một checkpoint mới dưới nhãn của một model đã có sẵn là thực hành tiêu chuẩn cho đánh giá mù — nó cho phép một lab thu thập phiếu đối đầu mà không để tên gọi ảnh hưởng đến phiếu. Điều đó cũng có nghĩa là nhãn không cho bạn biết gì về thứ đằng sau nó, và đó chính xác là vấn đề ở đây: bí danh là bằng chứng rằng có thứ gì đó đang được thử nghiệm, chứ không phải bằng chứng về việc nó là gì.

Việc hòa trước GPT-6 Astra có nghĩa là mô hình chưa phát hành này đáng thất vọng không?

Không, và đây chính là chỗ cách đóng khung gây thiệt hại nhiều nhất. Một checkpoint vẫn còn đang trong quá trình hậu huấn luyện, chạy dưới một bí danh, mà sánh ngang được với một mô hình tiên phong đã phát hành trên một tác vụ one-shot khó là một tín hiệu mạnh hơn nhiều so với một biểu đồ ngày ra mắt. Nó chỉ là một tín hiệu về hướng đi chứ không phải về một sản phẩm mà bạn có thể mua, và hai thứ đó bị đọc như cùng một thứ trong một bài so sánh.

Tôi có nên thay đổi gì hôm nay vì điều này không?

Không phải vì điều này. Không có gì trong bài kiểm tra controller làm thay đổi những gì đang có sẵn, giá của bất cứ thứ gì, hay việc bất kỳ mô hình nào giỏi ở điểm gì. Các sự kiện liên quan đến quyết định trong tuần này là GPT-6 Astra và Claude Fable 5.1 đều đã hoạt động và đã được định giá, còn Gemini 4 Pro thì không có cả hai. Nếu bạn muốn phòng ngừa cho khả năng đó, hãy phòng ngừa bằng định tuyến thay vì bằng việc viết lại.

Cái nhìn trung thực

Bài kiểm tra controller là bằng chứng tốt nhất mà bất kỳ ai đã đưa ra về Gemini 4 Pro, và bằng chứng tốt nhất mà bất kỳ ai đã đưa ra là một kết quả hòa, từ một lần thử, không lặp lại, trên một mô hình mà không ai có thể gọi tên, được báo cáo cùng với một bảng điểm chuẩn mà không ai có thể kiểm tra. Nghe có vẻ như một sự gạt bỏ và không phải vậy. Lý do bài kiểm tra lan truyền là vì nó là hiện vật đầu tiên trong câu chuyện này trông giống như một sản phẩm chứ không phải một slide — một lời nhắc thực sự, một đầu ra thực sự, một người thực sự so sánh chúng, và một kết quả mà không phe nào trong hai phe có thể tuyên bố giành chiến thắng hoàn toàn.

Điều nó không làm là giải quyết bất cứ điều gì. Nếu bạn cần ra mắt trong tuần này, thì hạng tiên phong hiện có — GPT-6 Astra ở mức $10/$50, Claude Fable 5.1 theo giá niêm yết riêng của nó — mới là nơi quyết định của bạn thực sự nằm, và cả hai đều có thể gọi bằng một khóa duy nhất mà không cần thêm hợp đồng thứ hai. Nếu bạn muốn biết Google có gì, những tín hiệu duy nhất có thể đưa bài này từ một bài tổng hợp những gì chúng ta biết đến nay thành một bài về ra mắt là một model id, một bảng giá và một bản tái lập. Cho đến khi những thứ đó xuất hiện, cách hiểu đúng về so sánh tay cầm Xbox 360 là cách mà người đã thực hiện nó đưa ra: hai bản vẽ rất tốt, và không có người thắng.