So sánh thực tế: GPT-4o vs Claude Sonnet 4 vs Gemini 2.5 Pro cho code generation

Tại lab, team mình vừa benchmark 3 model lớn cho task code generation trên 50 bài toán LeetCode (mix Easy/Medium/Hard) + 20 real-world coding tasks.

Kết quả tóm tắt:

• GPT-4o: Pass rate 82%, code clean nhưng đôi khi verbose. Giỏi nhất ở system design.
• Claude Sonnet 4: Pass rate 87%, code concise và idiomatic hơn. Best ở refactoring và debugging.
• Gemini 2.5 Pro: Pass rate 79%, nhưng context window 1M tokens là game changer cho large codebase.

Điều thú vị: Khi cho cả 3 model cùng 1 prompt tiếng Việt, Claude xử lý tốt nhất. GPT-4o đôi khi mix Anh-Việt. Gemini ổn nhưng comment code bằng tiếng Anh.

Kết luận: Không có "best model" — tùy use case. Team mình dùng Claude cho daily coding, GPT-4o cho architecture design, Gemini khi cần xử lý repo lớn.

Paper chi tiết sẽ publish trên arXiv tuần sau. Stay tuned.