🏎️ Dùng Mọi LLM Để Build Mario Kart: AI Nào Code Giỏi Nhất?

Tech With Tim bỏ ra cả tuần gõ cùng một prompt vào từng mô hình AI rồi xem cái nào thực sự build được Mario Kart. Kết quả gây sốc hơn bạn nghĩ.

Thử Thách Là Gì?

Tim đưa cho mỗi LLM cùng một yêu cầu: vibe code một game Mario Kart hoàn chỉnh, không can thiệp tay, chỉ dùng prompt. Tiêu chí chấm điểm gồm game chạy được không, vật lý xe có cảm giác thật không, AI đối thủ có hành xử hợp lý không, và code có cần sửa tay không.

Các mô hình tham gia: GPT-4o, Claude Sonnet 4.5, Gemini 2.5 Pro, Grok 3, và một số mô hình open-source như Llama 3.3 và DeepSeek V3.

Ai Về Đích Đầu?

Claude Sonnet 4.5 tạo ra bản build chạy ngay từ lần đầu, vật lý drift mượt, AI đối thủ không đi thẳng như robot. Code sạch, ít comment rác, logic game được tách thành module riêng. Tim gần như không phải sửa gì.

Gemini 2.5 Pro xếp thứ hai. Track render đẹp, nhưng collision detection bị lỗi ở một số khúc cua gấp. Sau 2 prompt sửa lỗi thì chạy ổn.

GPT-4o tạo ra game trông bóng bẩy nhất về mặt UI, nhưng physics xe bị trượt không kiểm soát được. Tim phải can thiệp 4-5 lần mới cứu được màn chơi đầu tiên.

Open-Source Bứt Phá Hay Tụt Lại?

DeepSeek V3 là bất ngờ lớn nhất: build được game playable chỉ với 2 prompt, physics đơn giản nhưng đúng, AI đối thủ không bị stuck. Với mô hình chạy được qua API giá rẻ, đây là con số đáng để chú ý.

Llama 3.3 thất bại ở bước render. Game khởi động được nhưng xe không di chuyển. Tim debug 15 phút mới tìm ra lý do: model bỏ sót toàn bộ game loop trong lần generate đầu.

Grok 3 tạo ra code nhiều nhất nhưng lại có bug nhiều nhất. Kiến trúc phức tạp không cần thiết, nested function 6 tầng cho một tính năng đơn giản.

Bài Học Thực Tế Cho Developer

Tim rút ra một điểm quan trọng: model nào giỏi giải thích thường code tốt hơn. Claude luôn comment tại sao nó chọn cách implement đó, không chỉ viết code xong thôi. Điều này giúp developer debug nhanh hơn khi có lỗi.

Về chi phí thực tế cho một project như này: GPT-4o tốn khoảng 3-4 USD token, Claude Sonnet khoảng 2 USD, Gemini 2.5 Pro rẻ nhất trong nhóm top với khoảng 1.5 USD, DeepSeek V3 chỉ 0.15 USD qua API.

Vibe Coding Thực Sự Dùng Được Chưa?

Video này không phải benchmark khô khan mà là bằng chứng thực tế: vibe coding đã đủ mature để build game prototype trong vài giờ thay vì vài ngày. Câu hỏi không còn là "AI có code được không" mà là "bạn chọn AI nào và prompt như thế nào".

Theo bạn, LLM nào trong danh sách này đáng thử nhất cho project game nhỏ của bạn?

#VibeAICoder #VibeCoding #LLMBenchmark #AICode #MarioKart