ReactBench đánh giá tác nhân tạo mã AI: GPT-5.6 Sol giành ngôi đầu với 43,1%, các mô hình lớn hàng đầu liên tục “dẫm” vào bẫy bug

Đội Million, chuyên phát triển các công cụ liên quan đến React, gần đây đã chính thức ra mắt “ReactBench v1”. Đây là bộ kiểm thử chuẩn đầu tiên dành cho các AI coding agents (tác nhân sinh mã) trong các nhiệm vụ phát triển React thực tế. Kết quả thử nghiệm cho thấy, ngay cả GPT-5.6 Sol có hiệu suất tốt nhất cũng chỉ đạt tỷ lệ thành công 43,1%, và mọi mô hình tham gia thử nghiệm đều không thể vượt mốc 50%, cho thấy khoảng cách giữa AI hiện tại và việc thay thế hoàn toàn lập trình viên con người vẫn còn đáng kể.
(Thông tin trước đó: OpenAI đã trình diễn khả năng đa nhiệm GPT-Live: vừa trò chuyện vừa tra chuyến bay, thời tiết, giá cổ phiếu, rồi giao các bài toán khó cho GPT-5.5)
(Bổ sung bối cảnh: Báo cáo của Visa: thanh toán bằng AI agents đang bước vào giai đoạn ứng dụng thực tế, trong khi stablecoin phù hợp hơn cho các khoản thanh toán nhỏ tần suất cao)

Mục lục bài viết

Toggle

• Kiểm tra nghiêm ngặt: không chỉ chạy được mà còn không được có Bug
• GPT-5.6 nhỉnh hơn Claude, tỷ lệ thành công tổng thể đều dưới một nửa
• Yếu tố chi phí-hiệu quả quyết định, AI hỗ trợ phát triển vẫn còn rủi ro tiềm ẩn

Khi năng lực AI viết mã ngày càng mạnh, việc đảm bảo chất lượng đầu ra trở thành trọng tâm chú ý của cộng đồng phát triển toàn cầu. Đối với React – khung front-end phổ biến nhất hiện nay – nhóm mã nguồn mở nổi tiếng Million, từng phát triển React Scan và Million.js, gần đây đã chính thức tung ra bộ kiểm thử “ReactBench v1”. Bộ kiểm thử này khác với chuẩn mực trước đây chỉ yêu cầu AI vượt qua các bài test đơn vị cơ bản: thay vào đó, đưa AI vào bối cảnh của một dự án mã nguồn mở thực tế, đánh giá nghiêm ngặt liệu mã mà AI tạo ra có đáp ứng các yêu cầu khắt khe của môi trường production hay không.

Kiểm tra nghiêm ngặt: không chỉ chạy được mà còn không được có Bug

ReactBench v1 chọn lọc tổng cộng 51 nhiệm vụ (Pull Requests) từ các dự án mã nguồn mở thực. Thử nghiệm chủ yếu chia thành hai năng lực cốt lõi: “Viết (Write React)” và “Sửa (Fix React)”. Để ngăn AI tạo ra những đoạn mã trông có vẻ khả thi nhưng tiềm ẩn hiểm họa, bộ kiểm thử này đưa vào bộ xác thực “React Doctor” với hơn 400 quy tắc kiểm tra, chuyên phát hiện các vấn đề như render không hợp lệ (Renders), suy giảm hiệu năng, thiếu sót thiết kế cho khả năng tiếp cận (Accessibility) và khả năng bảo trì. Đơn vị vận hành nhấn mạnh rằng AI agents không chỉ phải hoàn thành chức năng mà còn không được đưa vào bất kỳ lỗi mã mới nào.

GPT-5.6 nhỉnh hơn Claude, tỷ lệ thành công tổng thể đều dưới một nửa

Theo kết quả pass@1 (tỷ lệ thông qua trung bình) được công bố chính thức, các mô hình AI hàng đầu trên thị trường vẫn còn nhiều dư địa để cải thiện. GPT-5.6 Sol do OpenAI phát triển (cấu hình Medium / XHigh) giành vị trí đầu tiên với điểm tổng hợp 43,1%; bám sát phía sau là Claude Fable 5 của Anthropic (XHigh) với điểm 41,2%. Phía chính thức cho biết khoảng cách giữa hai mô hình là không lớn, hiện vẫn chưa thể xác nhận Sol có lợi thế tuyệt đối.

Điều đáng chú ý là dù nằm ở nhóm dẫn đầu, tỷ lệ thành công của toàn bộ mô hình tham gia thử nghiệm đều dưới 50%. Dữ liệu cho thấy, trong 4.455 lượt thử nghiệm phát triển tính năng mới, các mô hình đã cùng lúc đưa vào tới 1.194 vấn đề liên quan đến React; trong đó có 77,5% thuộc về lỗi nghiêm trọng (Bug) hoặc các vấn đề về an toàn, đặc biệt dễ vấp ở tính đúng đắn của việc render danh sách và các quy tắc Hook.

Chi phí-hiệu quả là then chốt, AI hỗ trợ phát triển vẫn còn rủi ro tiềm ẩn

Mặc dù các mô hình hàng đầu có hiệu suất đáng nể, nhưng xét về chi phí thì lại có điểm sáng. Báo cáo chỉ ra rằng GPT-5.6 Terra (Medium) đạt 38,0% điểm số, thể hiện mức gần tương đương đỉnh cao; tuy nhiên, khi cùng ở cấu hình XHigh, chi phí cho mỗi lần kiểm thử của Fable 5 lại vào khoảng gấp 6,3 lần so với Sol. Điều này cho thấy với các doanh nghiệp cần tạo ra lượng lớn mã, việc chọn mô hình tầm trung có thể mang lại chi phí-hiệu quả rất tốt.

Hiện React chiếm khoảng 70% thị phần các website dùng khung JavaScript. Nhóm phát triển cho biết nếu lập trình viên mù quáng tin vào mã React do AI tạo ra, những khiếm khuyết nhỏ rất dễ bị khuếch đại trong môi trường production, thậm chí dẫn đến hệ thống bị sập, giảm tỷ lệ chuyển đổi và gây thiệt hại doanh thu. Việc ra mắt ReactBench chính là để giúp các nhà phát triển trên toàn cầu kiểm soát, đảm bảo các AI agents trong tương lai thực sự có thể viết mã chất lượng tốt theo hướng an toàn, tuân thủ và hiệu quả.