Tuy nhiên, Claude Opus 4.7 lại nổi bật trong các benchmark kỹ thuật phần mềm thực tế. Theo Anthropic, mô hình đạt:

• 64.3% trên SWE‑Bench Pro
• 87.6% trên SWE‑Bench Verified

Hai benchmark này kiểm tra khả năng sửa lỗi thực trong các repository mã nguồn mở trên GitHub.

Trong khi đó, Gemini 3.5 Flash gây chú ý vì hiệu năng gần ngang flagship dù thuộc nhóm suy luận nhanh (fast inference). Trong bảng benchmark do Google công bố:

• Terminal‑Bench 2.1: 76.2% cho Gemini 3.5 Flash
• GPT‑5.5: 78.2%
• Claude Opus 4.7: 66.1%

Khoảng cách khá nhỏ so với mô hình mạnh nhất.

Với Grok 4.3 và DeepSeek V4, việc xếp hạng khó hơn do khác biệt trong phương pháp đánh giá và mức độ minh bạch dữ liệu.

Benchmark lập trình

Lập trình là lĩnh vực dễ thấy sự khác biệt nhất giữa các mô hình.

Claude Opus 4.7 hiện có tín hiệu mạnh nhất trong benchmark coding công khai. Mức 64.3% trên SWE‑Bench Pro cho thấy khả năng xử lý lỗi GitHub thực tế tốt hơn các thế hệ trước.

GPT‑5.5 thấp hơn một chút trên benchmark này với 58.6%, nhưng lại rất mạnh trong các workflow kỹ thuật tổng thể. Ví dụ:

• Terminal‑Bench 2.0 đánh giá khả năng tự động hóa command line và phối hợp công cụ
• GPT‑5.5 đạt 82.7%, dẫn đầu benchmark này.

Gemini 3.5 Flash đạt 55.1% trên SWE‑Bench Pro — không cao bằng Opus 4.7 nhưng đáng chú ý với một mô hình thiên về tốc độ.

Với Grok 4.3, các benchmark coding công khai ít chuẩn hóa hơn. Một số số liệu được báo cáo gồm:

• 81% trên IFBench
• 98% trên τ²‑Bench (telecom tasks)

Tuy nhiên các bài kiểm tra này đo các năng lực hẹp hơn nên khó so sánh trực tiếp với SWE‑Bench hoặc Terminal‑Bench.

Đối với DeepSeek V4, benchmark coding được xác minh độc lập vẫn còn hạn chế. Một số con số xuất phát từ thử nghiệm nội bộ hoặc rò rỉ và chưa được tái lập bởi cộng đồng nghiên cứu.

Workflow agent và sử dụng công cụ

Các benchmark hiện đại ngày càng chú trọng khả năng điều phối công cụ và hoàn thành nhiệm vụ nhiều bước.

Google báo cáo rằng Gemini 3.5 Flash dẫn đầu trong một số đánh giá tool‑use, bao gồm:

• 83.6% trên MCP Atlas
• 56.5% trên Toolathlon

Đây là các benchmark đo khả năng phối hợp nhiều công cụ trong workflow thực tế.

GPT‑5.5 cũng thể hiện rất mạnh trong các tác vụ tương tự. Benchmark GDPval đo hiệu suất công việc trí tuệ trong nhiều ngành nghề cho thấy GPT‑5.5 đạt 84.9% thắng hoặc hòa so với các mô hình khác.

Claude Opus 4.7 cũng đạt kết quả tốt trong các bài kiểm tra sử dụng máy tính. Điểm 78.0% trên OSWorld‑Verified cho thấy khả năng điều khiển giao diện desktop và tương tác phần mềm khá mạnh.

Context dài, tốc độ và chi phí

Benchmark không phản ánh toàn bộ đặc tính triển khai của mô hình.

Grok 4.3 tập trung vào xử lý context rất dài và chi phí thấp. Tài liệu xAI cho biết:

• Context window: khoảng 1 triệu token
• Giá API: khoảng 1.25 USD / triệu token input và 2.50 USD / triệu token output

Điều này khiến Grok trở thành lựa chọn hấp dẫn cho các workload phân tích văn bản dài.

Gemini 3.5 Flash được thiết kế cho suy luận tốc độ cao, thường được mô tả nhanh hơn đáng kể so với nhiều mô hình frontier nhưng vẫn giữ hiệu năng cạnh tranh.

Các mô hình DeepSeek thường tập trung vào triển khai open‑weight hoặc chi phí thấp, giúp doanh nghiệp có thể chạy mô hình trên hạ tầng riêng.

Đánh giá độc lập về DeepSeek V4

Một đánh giá đáng chú ý đến từ CAISI của Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ (NIST).

Theo đánh giá này, DeepSeek V4 là mô hình AI Trung Quốc mạnh nhất được thử nghiệm trên nhiều lĩnh vực như:

• kỹ thuật phần mềm
• an ninh mạng
• toán học

Tuy nhiên, báo cáo cho rằng năng lực của nó chậm hơn các mô hình frontier hàng đầu khoảng 8 tháng.

CAISI cũng lưu ý rằng kết quả benchmark nội bộ của DeepSeek thường cao hơn so với đo lường độc lập, cho thấy tầm quan trọng của các đánh giá trung lập.

Vì sao việc so sánh vẫn chưa hoàn hảo

Ngay cả khi có số liệu công khai, việc so sánh các mô hình vẫn gặp nhiều vấn đề:

• Benchmark thường có nhiều phiên bản khác nhau (ví dụ Terminal‑Bench 2.0 vs 2.1).
• Một số kết quả là vendor‑reported chứ không phải đánh giá độc lập.
• Các hệ thống Elo hoặc index tổng hợp không thể so sánh trực tiếp với benchmark dạng phần trăm.

Vì vậy, bất kỳ bảng xếp hạng tuyệt đối nào cũng cần được hiểu một cách thận trọng.

Kết luận từ dữ liệu hiện có

Từ các benchmark công khai đáng tin cậy nhất hiện nay:

• GPT‑5.5 có vẻ là mô hình toàn diện nhất cho reasoning, knowledge work và agent tasks.
• Claude Opus 4.7 có lợi thế rõ ràng nhất trong benchmark lập trình thực tế như SWE‑Bench.
• Gemini 3.5 Flash là một trong những mô hình fast inference mạnh nhất, tiệm cận hiệu năng flagship trong nhiều bài test.
• Grok 4.3 có lợi thế về context dài và chi phí, nhưng benchmark chuẩn hóa còn ít.
• DeepSeek V4 là mô hình mạnh nhất của Trung Quốc trong đánh giá độc lập nhưng vẫn kém nhóm frontier một khoảng thời gian.

Trong thực tế, mô hình “tốt nhất” phụ thuộc rất nhiều vào workload: coding agents, trợ lý nghiên cứu, phân tích tài liệu dài hoặc suy luận chi phí thấp có thể dẫn đến lựa chọn khác nhau dù benchmark headline tương tự.

Tuy nhiên, Claude Opus 4.7 lại nổi bật trong các benchmark kỹ thuật phần mềm thực tế. Theo Anthropic, mô hình đạt:

• 64.3% trên SWE‑Bench Pro
• 87.6% trên SWE‑Bench Verified

Hai benchmark này kiểm tra khả năng sửa lỗi thực trong các repository mã nguồn mở trên GitHub.

Trong khi đó, Gemini 3.5 Flash gây chú ý vì hiệu năng gần ngang flagship dù thuộc nhóm suy luận nhanh (fast inference). Trong bảng benchmark do Google công bố:

• Terminal‑Bench 2.1: 76.2% cho Gemini 3.5 Flash
• GPT‑5.5: 78.2%
• Claude Opus 4.7: 66.1%

Khoảng cách khá nhỏ so với mô hình mạnh nhất.

Với Grok 4.3 và DeepSeek V4, việc xếp hạng khó hơn do khác biệt trong phương pháp đánh giá và mức độ minh bạch dữ liệu.

Benchmark lập trình

Lập trình là lĩnh vực dễ thấy sự khác biệt nhất giữa các mô hình.

Claude Opus 4.7 hiện có tín hiệu mạnh nhất trong benchmark coding công khai. Mức 64.3% trên SWE‑Bench Pro cho thấy khả năng xử lý lỗi GitHub thực tế tốt hơn các thế hệ trước.

GPT‑5.5 thấp hơn một chút trên benchmark này với 58.6%, nhưng lại rất mạnh trong các workflow kỹ thuật tổng thể. Ví dụ:

• Terminal‑Bench 2.0 đánh giá khả năng tự động hóa command line và phối hợp công cụ
• GPT‑5.5 đạt 82.7%, dẫn đầu benchmark này.

Gemini 3.5 Flash đạt 55.1% trên SWE‑Bench Pro — không cao bằng Opus 4.7 nhưng đáng chú ý với một mô hình thiên về tốc độ.

Với Grok 4.3, các benchmark coding công khai ít chuẩn hóa hơn. Một số số liệu được báo cáo gồm:

• 81% trên IFBench
• 98% trên τ²‑Bench (telecom tasks)

Tuy nhiên các bài kiểm tra này đo các năng lực hẹp hơn nên khó so sánh trực tiếp với SWE‑Bench hoặc Terminal‑Bench.

Đối với DeepSeek V4, benchmark coding được xác minh độc lập vẫn còn hạn chế. Một số con số xuất phát từ thử nghiệm nội bộ hoặc rò rỉ và chưa được tái lập bởi cộng đồng nghiên cứu.

Workflow agent và sử dụng công cụ

Các benchmark hiện đại ngày càng chú trọng khả năng điều phối công cụ và hoàn thành nhiệm vụ nhiều bước.

Google báo cáo rằng Gemini 3.5 Flash dẫn đầu trong một số đánh giá tool‑use, bao gồm:

• 83.6% trên MCP Atlas
• 56.5% trên Toolathlon

Đây là các benchmark đo khả năng phối hợp nhiều công cụ trong workflow thực tế.

GPT‑5.5 cũng thể hiện rất mạnh trong các tác vụ tương tự. Benchmark GDPval đo hiệu suất công việc trí tuệ trong nhiều ngành nghề cho thấy GPT‑5.5 đạt 84.9% thắng hoặc hòa so với các mô hình khác.

Claude Opus 4.7 cũng đạt kết quả tốt trong các bài kiểm tra sử dụng máy tính. Điểm 78.0% trên OSWorld‑Verified cho thấy khả năng điều khiển giao diện desktop và tương tác phần mềm khá mạnh.

Context dài, tốc độ và chi phí

Benchmark không phản ánh toàn bộ đặc tính triển khai của mô hình.

Grok 4.3 tập trung vào xử lý context rất dài và chi phí thấp. Tài liệu xAI cho biết:

• Context window: khoảng 1 triệu token
• Giá API: khoảng 1.25 USD / triệu token input và 2.50 USD / triệu token output

Điều này khiến Grok trở thành lựa chọn hấp dẫn cho các workload phân tích văn bản dài.

Gemini 3.5 Flash được thiết kế cho suy luận tốc độ cao, thường được mô tả nhanh hơn đáng kể so với nhiều mô hình frontier nhưng vẫn giữ hiệu năng cạnh tranh.

Các mô hình DeepSeek thường tập trung vào triển khai open‑weight hoặc chi phí thấp, giúp doanh nghiệp có thể chạy mô hình trên hạ tầng riêng.

Đánh giá độc lập về DeepSeek V4

Một đánh giá đáng chú ý đến từ CAISI của Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ (NIST).

Theo đánh giá này, DeepSeek V4 là mô hình AI Trung Quốc mạnh nhất được thử nghiệm trên nhiều lĩnh vực như:

• kỹ thuật phần mềm
• an ninh mạng
• toán học

Tuy nhiên, báo cáo cho rằng năng lực của nó chậm hơn các mô hình frontier hàng đầu khoảng 8 tháng.

CAISI cũng lưu ý rằng kết quả benchmark nội bộ của DeepSeek thường cao hơn so với đo lường độc lập, cho thấy tầm quan trọng của các đánh giá trung lập.

Vì sao việc so sánh vẫn chưa hoàn hảo

Ngay cả khi có số liệu công khai, việc so sánh các mô hình vẫn gặp nhiều vấn đề:

• Benchmark thường có nhiều phiên bản khác nhau (ví dụ Terminal‑Bench 2.0 vs 2.1).
• Một số kết quả là vendor‑reported chứ không phải đánh giá độc lập.
• Các hệ thống Elo hoặc index tổng hợp không thể so sánh trực tiếp với benchmark dạng phần trăm.

Vì vậy, bất kỳ bảng xếp hạng tuyệt đối nào cũng cần được hiểu một cách thận trọng.

Kết luận từ dữ liệu hiện có

Từ các benchmark công khai đáng tin cậy nhất hiện nay:

• GPT‑5.5 có vẻ là mô hình toàn diện nhất cho reasoning, knowledge work và agent tasks.
• Claude Opus 4.7 có lợi thế rõ ràng nhất trong benchmark lập trình thực tế như SWE‑Bench.
• Gemini 3.5 Flash là một trong những mô hình fast inference mạnh nhất, tiệm cận hiệu năng flagship trong nhiều bài test.
• Grok 4.3 có lợi thế về context dài và chi phí, nhưng benchmark chuẩn hóa còn ít.
• DeepSeek V4 là mô hình mạnh nhất của Trung Quốc trong đánh giá độc lập nhưng vẫn kém nhóm frontier một khoảng thời gian.

Trong thực tế, mô hình “tốt nhất” phụ thuộc rất nhiều vào workload: coding agents, trợ lý nghiên cứu, phân tích tài liệu dài hoặc suy luận chi phí thấp có thể dẫn đến lựa chọn khác nhau dù benchmark headline tương tự.