Những điểm chính về giá:

• Ông hoàng hiệu năng/giá cả: Mức giá đã được giảm vĩnh viễn của DeepSeek V4-Pro là $0.435/$0.87 giúp nó rẻ hơn khoảng 12 lần so với GPT-5.5 Tiêu chuẩn và gần 30 lần so với Claude Opus 4.8 cho token đầu ra. DeepSeek V4-Flash thậm chí còn cực đoan hơn với mức $0.14/$0.28 .
• Giữ giá: Anthropic giữ nguyên giá của Claude Opus 4.8 ở mức $5/$25, tương đương với người tiền nhiệm . Chế độ Nhanh mới của nó hiện rẻ hơn 3 lần so với trước đây, ở mức $10/$50, giúp các vòng lặp tác nhân (agent) tốc độ cao trở nên kinh tế hơn .
• Phân khúc cao cấp: GPT-5.5 vẫn là mô hình đắt đỏ nhất ở chế độ tiêu chuẩn, nhưng phiên bản Pro của nó ở mức $30/$180 nằm ở một đẳng cấp hoàn toàn khác, chỉ dành riêng cho các tác vụ suy luận phức tạp nhất .
• "Flash" giờ đã khác: Gemini 3.5 Flash của Google không còn là một mô hình giá rẻ. Với mức giá $1.50/$9.00, nó đắt gấp 3 lần so với thế hệ Flash trước, đặt nó ngang hàng với các mô hình suy luận chuyên dụng .

Đào Sâu Benchmark: Những Con Số Tiết Lộ Điều Gì

Benchmark chỉ hữu ích khi có bối cảnh. Chúng tôi đã sắp xếp kết quả theo những gì chúng thực sự đo lường – trí thông minh tổng quát, khả năng lập trình và hiệu suất tác nhân – thay vì một điểm tổng hợp duy nhất, thường gây hiểu nhầm.

Trí Thông Minh Tổng Quát & Suy Luận

Hạng mục này đo lường kiến thức thô, toán học và suy luận khoa học.

Claude Opus 4.8 đã tạo ra một khoảng cách nhỏ nhưng đáng kể so với GPT-5.5 về trí thông minh tổng quát, được củng cố bởi một cú nhảy vọt 27.4 điểm về hiệu suất toán học so với người tiền nhiệm . Qwen3.7-Max nổi bật như một mô hình Trung Quốc hàng đầu, gần như sánh ngang với những tên tuổi lớn nhất trong suy luận khoa học cấp sau đại học (GPQA Diamond) .

Kỹ Nghệ Phần Mềm & Lập Trình

Các bài kiểm tra chuẩn liên quan nhất dành cho lập trình viên.

Hiệu suất lập trình tạo ra một sự phân khúc rõ ràng. Claude Opus 4.8 và GPT-5.5 đứng đầu về khả năng sửa lỗi chung (SWE-bench Verified), nhưng Claude chiếm ưu thế vượt trội với hơn 10 điểm trên bộ Pro khó hơn nhiều . Xét về hiệu quả lập trình trên mỗi đô la, DeepSeek V4-Pro là không có đối thủ, mang lại hiệu suất lập trình ngang tầm GPT-5.4 với mức giá rẻ hơn 30 lần .

Hiệu Suất Tác Nhân & Sử Dụng Công Cụ

Khả năng của một mô hình để hành động độc lập trong một môi trường thực.

GPT-5.5 vẫn giữ vững ngôi vương là mô hình mạnh nhất cho công việc đại diện dựa trên thiết bị đầu cuối (terminal) mở, nhưng điểm đánh giá tác vụ thực tế vượt trội của Claude Opus 4.8 (GDPval-AA Elo) cho thấy một đối tác tác nhân đáng tin cậy và sẵn sàng cho doanh nghiệp hơn . Grok 4.3 cung cấp một lựa chọn ngân sách hấp dẫn cho các tác vụ tuân thủ hướng dẫn với khối lượng lớn .

Sự Trỗi Dậy Của Mô Hình Trung Quốc

Lần đầu tiên, các mô hình Trung Quốc không chỉ cạnh tranh về giá mà còn về năng lực. Qwen3.7-Max dẫn đầu tất cả các mô hình trên benchmark lập trình tác nhân SWE-bench Pro với tỷ lệ 60.6% . Kimi K2.6 sánh ngang hiệu suất của GPT-5.5 trong cùng bài kiểm tra đó và dẫn đầu tất cả các mô hình khác về Kỳ Thi Cuối Cùng của Nhân Loại (HLE) với công cụ ở mức 54.0% , thách thức vị thế dẫn đầu của các công ty Mỹ về các tác vụ suy luận cốt lõi trong khi giảm giá mạnh mẽ.

Những Lưu Ý Quan Trọng Trước Khi Bạn Chọn

Một so sánh trực tiếp, đầy đủ trên cả bảy mô hình hiện là bất khả thi do việc báo cáo benchmark có chọn lọc từ các nhà cung cấp . Một số yếu tố quan trọng làm suy yếu một lựa chọn thuần túy dựa trên con số:

• Sự dài dòng tạo thêm chi phí ẩn: Giá token không phải là tổng chi phí. Qwen3.7-Max được ghi nhận là cực kỳ dài dòng trong các lần chạy đánh giá, tạo ra tới 97M token so với mức trung bình 24M, điều này trực tiếp làm tăng hóa đơn của bạn .
• Lạm phát điểm chuẩn: Các nhà cung cấp chọn các thiết lập đánh giá có lợi cho họ. Ví dụ, điểm SWE-bench Verified được liệt kê của GPT-5.5 có thể thay đổi tùy theo cài đặt "nỗ lực suy nghĩ" (thinking effort) được áp dụng .
• Chi phí thực tế của trí thông minh: Artificial Analysis cung cấp một chỉ số "chi phí để chạy chỉ số" hữu ích. Việc chạy bộ thử nghiệm đầy đủ của họ trên Gemini 3.5 Flash tiêu tốn $1,551.60, khiến nó đắt hơn cả Gemini 3.1 Pro Preview mạnh mẽ hơn ($892.28), mặc dù có giá mỗi token thấp hơn .

Phán Quyết Cuối Cùng: Mô Hình Nào Phù Hợp Với Bạn?

Ưu tiên của bạn sẽ quyết định lựa chọn:

• Chất lượng tuyệt đối tốt nhất (Lập trình & Toán): Claude Opus 4.8 là vị vua mới về điểm chuẩn và là lựa chọn an toàn nhất cho những công việc mà một sai lầm có thể gây ra hậu quả lớn .
• Hiệu suất trên giá tốt nhất ở đẳng cấp cao nhất: DeepSeek V4-Pro mang lại giá trị lập trình không thể đánh bại, trong khi Kimi K2.6 cung cấp khả năng suy luận thô tốt nhất trên mỗi đô la .
• Khối lượng công việc tác nhân nhanh, đáng tin cậy: Gemini 3.5 Flash hiện là mô hình lập trình mạnh nhất của Google và chạy nhanh hơn gấp 4 lần so với các mô hình hàng đầu thông thường, trở nên lý tưởng cho các vòng lặp tác nhân thời gian thực .
• Trí tuệ đẳng cấp hàng đầu với giá ngân sách: Grok 4.3 với giá $1.25/$2.50 là mức giá tốt nhất cho một mô hình hàng đầu được xây dựng bởi một công ty lớn của Mỹ với đầy đủ tính năng .
• Lập trình tác nhân với ngữ cảnh khổng lồ: Qwen3.7-Max là lựa chọn tốt nhất cho các nhà phát triển muốn tận dụng cửa sổ ngữ cảnh 1M và cần hiệu suất lập trình tác nhân hàng đầu với mức giá vừa phải .

Đối với bất kỳ triển khai quan trọng nào, hãy tự mình chạy thử nghiệm trên khối lượng công việc cụ thể của bạn. Điểm chuẩn do nhà cung cấp báo cáo chỉ là điểm khởi đầu hữu ích, không phải là câu trả lời cuối cùng.

Những điểm chính về giá:

• Ông hoàng hiệu năng/giá cả: Mức giá đã được giảm vĩnh viễn của DeepSeek V4-Pro là $0.435/$0.87 giúp nó rẻ hơn khoảng 12 lần so với GPT-5.5 Tiêu chuẩn và gần 30 lần so với Claude Opus 4.8 cho token đầu ra. DeepSeek V4-Flash thậm chí còn cực đoan hơn với mức $0.14/$0.28 .
• Giữ giá: Anthropic giữ nguyên giá của Claude Opus 4.8 ở mức $5/$25, tương đương với người tiền nhiệm . Chế độ Nhanh mới của nó hiện rẻ hơn 3 lần so với trước đây, ở mức $10/$50, giúp các vòng lặp tác nhân (agent) tốc độ cao trở nên kinh tế hơn .
• Phân khúc cao cấp: GPT-5.5 vẫn là mô hình đắt đỏ nhất ở chế độ tiêu chuẩn, nhưng phiên bản Pro của nó ở mức $30/$180 nằm ở một đẳng cấp hoàn toàn khác, chỉ dành riêng cho các tác vụ suy luận phức tạp nhất .
• "Flash" giờ đã khác: Gemini 3.5 Flash của Google không còn là một mô hình giá rẻ. Với mức giá $1.50/$9.00, nó đắt gấp 3 lần so với thế hệ Flash trước, đặt nó ngang hàng với các mô hình suy luận chuyên dụng .

Đào Sâu Benchmark: Những Con Số Tiết Lộ Điều Gì

Benchmark chỉ hữu ích khi có bối cảnh. Chúng tôi đã sắp xếp kết quả theo những gì chúng thực sự đo lường – trí thông minh tổng quát, khả năng lập trình và hiệu suất tác nhân – thay vì một điểm tổng hợp duy nhất, thường gây hiểu nhầm.

Trí Thông Minh Tổng Quát & Suy Luận

Hạng mục này đo lường kiến thức thô, toán học và suy luận khoa học.

Claude Opus 4.8 đã tạo ra một khoảng cách nhỏ nhưng đáng kể so với GPT-5.5 về trí thông minh tổng quát, được củng cố bởi một cú nhảy vọt 27.4 điểm về hiệu suất toán học so với người tiền nhiệm . Qwen3.7-Max nổi bật như một mô hình Trung Quốc hàng đầu, gần như sánh ngang với những tên tuổi lớn nhất trong suy luận khoa học cấp sau đại học (GPQA Diamond) .

Kỹ Nghệ Phần Mềm & Lập Trình

Các bài kiểm tra chuẩn liên quan nhất dành cho lập trình viên.

Hiệu suất lập trình tạo ra một sự phân khúc rõ ràng. Claude Opus 4.8 và GPT-5.5 đứng đầu về khả năng sửa lỗi chung (SWE-bench Verified), nhưng Claude chiếm ưu thế vượt trội với hơn 10 điểm trên bộ Pro khó hơn nhiều . Xét về hiệu quả lập trình trên mỗi đô la, DeepSeek V4-Pro là không có đối thủ, mang lại hiệu suất lập trình ngang tầm GPT-5.4 với mức giá rẻ hơn 30 lần .

Hiệu Suất Tác Nhân & Sử Dụng Công Cụ

Khả năng của một mô hình để hành động độc lập trong một môi trường thực.

GPT-5.5 vẫn giữ vững ngôi vương là mô hình mạnh nhất cho công việc đại diện dựa trên thiết bị đầu cuối (terminal) mở, nhưng điểm đánh giá tác vụ thực tế vượt trội của Claude Opus 4.8 (GDPval-AA Elo) cho thấy một đối tác tác nhân đáng tin cậy và sẵn sàng cho doanh nghiệp hơn . Grok 4.3 cung cấp một lựa chọn ngân sách hấp dẫn cho các tác vụ tuân thủ hướng dẫn với khối lượng lớn .

Sự Trỗi Dậy Của Mô Hình Trung Quốc

Lần đầu tiên, các mô hình Trung Quốc không chỉ cạnh tranh về giá mà còn về năng lực. Qwen3.7-Max dẫn đầu tất cả các mô hình trên benchmark lập trình tác nhân SWE-bench Pro với tỷ lệ 60.6% . Kimi K2.6 sánh ngang hiệu suất của GPT-5.5 trong cùng bài kiểm tra đó và dẫn đầu tất cả các mô hình khác về Kỳ Thi Cuối Cùng của Nhân Loại (HLE) với công cụ ở mức 54.0% , thách thức vị thế dẫn đầu của các công ty Mỹ về các tác vụ suy luận cốt lõi trong khi giảm giá mạnh mẽ.

Những Lưu Ý Quan Trọng Trước Khi Bạn Chọn

Một so sánh trực tiếp, đầy đủ trên cả bảy mô hình hiện là bất khả thi do việc báo cáo benchmark có chọn lọc từ các nhà cung cấp . Một số yếu tố quan trọng làm suy yếu một lựa chọn thuần túy dựa trên con số:

• Sự dài dòng tạo thêm chi phí ẩn: Giá token không phải là tổng chi phí. Qwen3.7-Max được ghi nhận là cực kỳ dài dòng trong các lần chạy đánh giá, tạo ra tới 97M token so với mức trung bình 24M, điều này trực tiếp làm tăng hóa đơn của bạn .
• Lạm phát điểm chuẩn: Các nhà cung cấp chọn các thiết lập đánh giá có lợi cho họ. Ví dụ, điểm SWE-bench Verified được liệt kê của GPT-5.5 có thể thay đổi tùy theo cài đặt "nỗ lực suy nghĩ" (thinking effort) được áp dụng .
• Chi phí thực tế của trí thông minh: Artificial Analysis cung cấp một chỉ số "chi phí để chạy chỉ số" hữu ích. Việc chạy bộ thử nghiệm đầy đủ của họ trên Gemini 3.5 Flash tiêu tốn $1,551.60, khiến nó đắt hơn cả Gemini 3.1 Pro Preview mạnh mẽ hơn ($892.28), mặc dù có giá mỗi token thấp hơn .

Phán Quyết Cuối Cùng: Mô Hình Nào Phù Hợp Với Bạn?

Ưu tiên của bạn sẽ quyết định lựa chọn:

• Chất lượng tuyệt đối tốt nhất (Lập trình & Toán): Claude Opus 4.8 là vị vua mới về điểm chuẩn và là lựa chọn an toàn nhất cho những công việc mà một sai lầm có thể gây ra hậu quả lớn .
• Hiệu suất trên giá tốt nhất ở đẳng cấp cao nhất: DeepSeek V4-Pro mang lại giá trị lập trình không thể đánh bại, trong khi Kimi K2.6 cung cấp khả năng suy luận thô tốt nhất trên mỗi đô la .
• Khối lượng công việc tác nhân nhanh, đáng tin cậy: Gemini 3.5 Flash hiện là mô hình lập trình mạnh nhất của Google và chạy nhanh hơn gấp 4 lần so với các mô hình hàng đầu thông thường, trở nên lý tưởng cho các vòng lặp tác nhân thời gian thực .
• Trí tuệ đẳng cấp hàng đầu với giá ngân sách: Grok 4.3 với giá $1.25/$2.50 là mức giá tốt nhất cho một mô hình hàng đầu được xây dựng bởi một công ty lớn của Mỹ với đầy đủ tính năng .
• Lập trình tác nhân với ngữ cảnh khổng lồ: Qwen3.7-Max là lựa chọn tốt nhất cho các nhà phát triển muốn tận dụng cửa sổ ngữ cảnh 1M và cần hiệu suất lập trình tác nhân hàng đầu với mức giá vừa phải .

Đối với bất kỳ triển khai quan trọng nào, hãy tự mình chạy thử nghiệm trên khối lượng công việc cụ thể của bạn. Điểm chuẩn do nhà cung cấp báo cáo chỉ là điểm khởi đầu hữu ích, không phải là câu trả lời cuối cùng.