Hạng 2: Những chuyên gia và cỗ máy tốc độ

Claude Opus 4.8 (Anthropic)

Trước khi Fable 5 xuất hiện, Opus 4.8 là nhà vua không thể tranh cãi. Được phát hành vào cuối tháng 5 năm 2026, giờ đây nó là 'phó tướng' quyền lực tại Anthropic và vẫn là một mô hình hàng đầu theo đúng nghĩa của nó .

• Tổng quan & Tác tử: Đây là mô hình đầu tiên dẫn đầu Chỉ số Trí tuệ của Artificial Analysis với số điểm 61.4 và đứng đầu bảng xếp hạng GDPval-AA ở mức 1890 Elo, trước khi bị Fable 5 vượt qua .
• Lập trình: Nó đạt 69.2% trên SWE-bench Pro và 88.6% trên SWE-bench Verified .
• Toán học: Nó đã thể hiện một bước nhảy vọt lịch sử 27 điểm trên bài kiểm tra toán cạnh tranh USAMO 2026, từ 69.3% lên 96.7% chỉ trong 41 ngày .
• Độ trung thực: Mô hình này có tỷ lệ "ảo giác" (hallucination) thực tế thấp nhất trong số các mô hình cùng loại, chủ yếu bằng cách trả lời "không biết" khi không chắc chắn thay vì phỏng đoán . Bạn có thể hình dung nó giống như một chuyên gia cực kỳ thận trọng, chỉ đưa ra câu trả lời khi thực sự nắm vững vấn đề.

GPT-5.5 (OpenAI)

GPT-5.5, ra mắt vào cuối tháng 4 năm 2026, là mô hình đầu tiên trong thế hệ này giành lại vị trí dẫn đầu về hiệu suất tổng thể cho OpenAI, nhưng với một bộ kỹ năng chuyên biệt hơn .

• Suy luận Toán học: Đây là 'vua toán', đạt 51.7% trên FrontierMath Cấp 1-3 và 35.4% ở Cấp 4 cực kỳ khó — dẫn đầu rõ ràng so với phần còn lại .
• Tự động hóa dòng lệnh: Nó cũng dẫn đầu về Terminal-Bench 2.0, đạt 82.7% cho các tác vụ dòng lệnh phức tạp, so với 69.4% của Claude Opus 4.7 . Điều này có nghĩa là nó cực kỳ xuất sắc trong việc tự mình thao tác với máy tính qua các câu lệnh như một lập trình viên thực thụ.
• Ngữ cảnh dài: GPT-5.5 có một bước nhảy vọt tới 37 điểm trong việc truy xuất thông tin ở ngữ cảnh dài (MRCR v2), đạt 74.0% ở ngữ cảnh 1 triệu token, bỏ xa con số 36.6% của người tiền nhiệm .
• Lưu ý về Lập trình: Dù là một mô hình toàn năng mạnh mẽ, điểm số SWE-Bench Pro 58.6% của nó hiện đã thua kém đáng kể so với các mô hình của Anthropic .

Gemini 3.5 Flash (Google)

Ra mắt tại Google I/O 2026, mô hình này thuộc dòng 'Flash', nghĩa là nó được thiết kế cho tốc độ và hiệu quả chi phí mà không làm mất đi khả năng cạnh tranh với các 'đàn anh' .

• Tốc độ và Giá trị: Nó được báo cáo là nhanh gấp 4 lần so với Gemini 3.1 Pro cho các tác vụ tác tử và lập trình, với mức giá cạnh tranh . Nếu bạn cần một trợ lý AI phản hồi nhanh như chớp mà không cần độ chính xác tuyệt đối của các mô hình đầu bảng, đây là một ứng viên sáng giá.
• Tác tử & Sử dụng công cụ: Nó đạt điểm số cao 83.6% trên MCP Atlas, một bài kiểm tra sử dụng công cụ đa bước .
• Lập trình & Thị giác: Trên SWE-Bench Pro, số điểm 55.1% của nó nhỉnh hơn một chút so với người tiền nhiệm lớn hơn là Gemini 3.1 Pro, và nó đạt 84.2% trên bài kiểm tra suy luận hình ảnh CharXiv .
• Sự thật về Lập trình: Dữ liệu độc lập từ Artificial Analysis cho thấy điểm lập trình của nó thấp hơn đáng kể so với những gì Google so sánh, vì vậy hiệu quả thực tế của nó đối với các nhà phát triển vẫn đang được kiểm chứng .

Grok 4.3 (xAI)

Được ra mắt một cách lặng lẽ vào cuối tháng 4 năm 2026, Grok 4.3 là một 'chiến binh' về hiệu quả chi phí và tốc độ, vượt trội ở một số lĩnh vực chuyên biệt .

• Vị thế tổng quan: Nó đạt điểm 53 trên Chỉ số Trí tuệ của Artificial Analysis. Điều này đặt nó lên trên các mô hình tầm trung như Claude Sonnet 4.6 nhưng thấp hơn hẳn các mô hình hàng đầu như GPT-5.5, Claude Opus 4.7 và Gemini 3.1 Pro .
• Vua làm theo hướng dẫn: Nó đứng số 1 trên IFBench với số điểm 81%, đánh bại GPT-5.5, Gemini 3.1 Pro và Claude Opus 4.7 . Nói một cách đơn giản, đây là mô hình 'nghe lời' và thực thi chính xác yêu cầu của bạn tốt nhất.
• Bùng nổ về tác tử: Grok 4.3 cho thấy một cú nhảy vọt tới +321 điểm Elo trên bài kiểm tra tác tử GDPval-AA so với người tiền nhiệm, đạt điểm 1500 . Nó cũng đạt điểm số dẫn đầu là 98% trên bài kiểm tra τ²-Bench Telecom .
• Cỗ máy tốc độ: Các báo cáo ban đầu cho thấy tốc độ của nó là 159 token mỗi giây, với các bài kiểm tra khác cho thấy tốc độ từ 78.4 đến 196 token/s .
• Giá cả & Giới hạn: Với mức giá cạnh tranh ước tính $1.25/$2.50 cho mỗi triệu token (đầu vào/đầu ra), đây là một lựa chọn có giá trị lớn cho các lĩnh vực cụ thể nhưng không phải là đối thủ cạnh tranh về trí tuệ tổng quát .

Ứng viên Mã nguồn Mở: DeepSeek V4 Pro (DeepSeek AI)

Ra mắt vào tháng 4 năm 2026, DeepSeek V4 Pro là 'kẻ thách thức' mã nguồn mở mạnh mẽ nhất, mang đến giá trị lập trình đáng kinh ngạc nhưng đi kèm một lưu ý quan trọng từ đánh giá độc lập.

• Dẫn đầu về giá trị lập trình: Nó đạt số điểm ấn tượng 80.6% trên SWE-bench Verified và 93.5% trên LiveCodeBench, tiệm cận sát nút Claude Opus 4.6 về lập trình nhưng với chi phí chỉ bằng một phần nhỏ (ước tính ~$3.48 cho mỗi triệu token đầu ra) .
• Phán quyết từ CAISI: Một đánh giá độc lập của CAISI thuộc chính phủ Mỹ đã chỉ ra rằng năng lực của DeepSeek V4 thua kém các mô hình tiên tiến nhất khoảng 8 tháng. Trong khi dữ liệu tự công bố của DeepSeek so sánh nó với GPT-5.4, thì CAISI cho rằng hiệu suất của nó chỉ tương đương với GPT-5 từ tháng 8 năm 2025 . Điều này giống như việc một hãng xe tự tin tuyên bố mẫu xe mới của họ ngang tầm các đối thủ đời mới nhất, nhưng bài kiểm tra độc lập lại cho thấy nó chỉ ngang với mẫu xe đời trước đó.
• Xếp hạng tổng quan: Nó thua kém về kiến thức tổng quát và các tác vụ suy luận phức tạp so với các 'gã khổng lồ' độc quyền, xếp hạng 39 trong số 123 mô hình trên một bảng xếp hạng rộng hơn .

An toàn & Các đánh giá độc lập

Việc kiểm tra an toàn một cách độc lập và được tiêu chuẩn hóa vẫn còn hiếm và thường không được công bố rộng rãi.

• DeepSeek V4 Pro (CAISI/NIST): Đánh giá của chính phủ Mỹ vẫn là tín hiệu an toàn đáng chú ý nhất, kết luận rằng năng lực của nó chậm hơn khoảng 8 tháng so với các mô hình tiên tiến nhất .
• GPT-5.5 (Viện An ninh AI): Viện An ninh AI của Anh đã báo cáo GPT-5.5 có tỷ lệ vượt qua 71.4% trong các bài kiểm tra an ninh mạng cấp chuyên gia, lưu ý rằng nó "có thể là mô hình mạnh nhất mà chúng tôi từng kiểm tra" ở tiêu chí này .

Cách nhìn nhận những kết quả này

Thật hấp dẫn khi chỉ muốn tìm ra một người chiến thắng duy nhất, nhưng dữ liệu vẽ nên một bức tranh thực tế hơn:

• Nếu bạn cần khả năng lập trình thuần túy và các tác vụ tác tử, Claude Fable 5 đang ở một đẳng cấp hoàn toàn khác.
• Nếu trọng tâm là suy luận toán học hàn lâm và các tác vụ dòng lệnh tự động, GPT-5.5 mới là công cụ bạn cần.
• Nếu cần một mô hình cân bằng, tiết kiệm chi phí, vừa nhanh vừa đáng tin cậy, Gemini 3.5 Flash là một lựa chọn hấp dẫn, dù bạn nên tự mình kiểm chứng khả năng lập trình của nó cho trường hợp sử dụng cụ thể của bạn.
• Nếu cần một chuyên gia về suy luận pháp lý, tài chính, hoặc làm theo hướng dẫn với giá rẻ, Grok 4.3 là một lựa chọn mạnh mẽ đáng ngạc nhiên.
• Nếu bạn đang xây dựng sản phẩm với ngân sách hạn chế và cần lập trình ở đẳng cấp cao với giấy phép mã nguồn mở, DeepSeek V4 Pro là vô đối về giá trị, nhưng độ tinh vi trong thế giới thực của nó có thể không sánh kịp những cái tên xuất sắc nhất.

Hãy luôn nhớ rằng các điều kiện của bài kiểm tra là khác nhau (cách đặt câu hỏi, việc sử dụng công cụ, nỗ lực suy luận) và không phải là thước đo hoàn hảo để dự đoán hiệu suất cho ứng dụng cụ thể của bạn.

Hạng 2: Những chuyên gia và cỗ máy tốc độ

Claude Opus 4.8 (Anthropic)

Trước khi Fable 5 xuất hiện, Opus 4.8 là nhà vua không thể tranh cãi. Được phát hành vào cuối tháng 5 năm 2026, giờ đây nó là 'phó tướng' quyền lực tại Anthropic và vẫn là một mô hình hàng đầu theo đúng nghĩa của nó .

• Tổng quan & Tác tử: Đây là mô hình đầu tiên dẫn đầu Chỉ số Trí tuệ của Artificial Analysis với số điểm 61.4 và đứng đầu bảng xếp hạng GDPval-AA ở mức 1890 Elo, trước khi bị Fable 5 vượt qua .
• Lập trình: Nó đạt 69.2% trên SWE-bench Pro và 88.6% trên SWE-bench Verified .
• Toán học: Nó đã thể hiện một bước nhảy vọt lịch sử 27 điểm trên bài kiểm tra toán cạnh tranh USAMO 2026, từ 69.3% lên 96.7% chỉ trong 41 ngày .
• Độ trung thực: Mô hình này có tỷ lệ "ảo giác" (hallucination) thực tế thấp nhất trong số các mô hình cùng loại, chủ yếu bằng cách trả lời "không biết" khi không chắc chắn thay vì phỏng đoán . Bạn có thể hình dung nó giống như một chuyên gia cực kỳ thận trọng, chỉ đưa ra câu trả lời khi thực sự nắm vững vấn đề.

GPT-5.5 (OpenAI)

GPT-5.5, ra mắt vào cuối tháng 4 năm 2026, là mô hình đầu tiên trong thế hệ này giành lại vị trí dẫn đầu về hiệu suất tổng thể cho OpenAI, nhưng với một bộ kỹ năng chuyên biệt hơn .

• Suy luận Toán học: Đây là 'vua toán', đạt 51.7% trên FrontierMath Cấp 1-3 và 35.4% ở Cấp 4 cực kỳ khó — dẫn đầu rõ ràng so với phần còn lại .
• Tự động hóa dòng lệnh: Nó cũng dẫn đầu về Terminal-Bench 2.0, đạt 82.7% cho các tác vụ dòng lệnh phức tạp, so với 69.4% của Claude Opus 4.7 . Điều này có nghĩa là nó cực kỳ xuất sắc trong việc tự mình thao tác với máy tính qua các câu lệnh như một lập trình viên thực thụ.
• Ngữ cảnh dài: GPT-5.5 có một bước nhảy vọt tới 37 điểm trong việc truy xuất thông tin ở ngữ cảnh dài (MRCR v2), đạt 74.0% ở ngữ cảnh 1 triệu token, bỏ xa con số 36.6% của người tiền nhiệm .
• Lưu ý về Lập trình: Dù là một mô hình toàn năng mạnh mẽ, điểm số SWE-Bench Pro 58.6% của nó hiện đã thua kém đáng kể so với các mô hình của Anthropic .

Gemini 3.5 Flash (Google)

Ra mắt tại Google I/O 2026, mô hình này thuộc dòng 'Flash', nghĩa là nó được thiết kế cho tốc độ và hiệu quả chi phí mà không làm mất đi khả năng cạnh tranh với các 'đàn anh' .

• Tốc độ và Giá trị: Nó được báo cáo là nhanh gấp 4 lần so với Gemini 3.1 Pro cho các tác vụ tác tử và lập trình, với mức giá cạnh tranh . Nếu bạn cần một trợ lý AI phản hồi nhanh như chớp mà không cần độ chính xác tuyệt đối của các mô hình đầu bảng, đây là một ứng viên sáng giá.
• Tác tử & Sử dụng công cụ: Nó đạt điểm số cao 83.6% trên MCP Atlas, một bài kiểm tra sử dụng công cụ đa bước .
• Lập trình & Thị giác: Trên SWE-Bench Pro, số điểm 55.1% của nó nhỉnh hơn một chút so với người tiền nhiệm lớn hơn là Gemini 3.1 Pro, và nó đạt 84.2% trên bài kiểm tra suy luận hình ảnh CharXiv .
• Sự thật về Lập trình: Dữ liệu độc lập từ Artificial Analysis cho thấy điểm lập trình của nó thấp hơn đáng kể so với những gì Google so sánh, vì vậy hiệu quả thực tế của nó đối với các nhà phát triển vẫn đang được kiểm chứng .

Grok 4.3 (xAI)

Được ra mắt một cách lặng lẽ vào cuối tháng 4 năm 2026, Grok 4.3 là một 'chiến binh' về hiệu quả chi phí và tốc độ, vượt trội ở một số lĩnh vực chuyên biệt .

• Vị thế tổng quan: Nó đạt điểm 53 trên Chỉ số Trí tuệ của Artificial Analysis. Điều này đặt nó lên trên các mô hình tầm trung như Claude Sonnet 4.6 nhưng thấp hơn hẳn các mô hình hàng đầu như GPT-5.5, Claude Opus 4.7 và Gemini 3.1 Pro .
• Vua làm theo hướng dẫn: Nó đứng số 1 trên IFBench với số điểm 81%, đánh bại GPT-5.5, Gemini 3.1 Pro và Claude Opus 4.7 . Nói một cách đơn giản, đây là mô hình 'nghe lời' và thực thi chính xác yêu cầu của bạn tốt nhất.
• Bùng nổ về tác tử: Grok 4.3 cho thấy một cú nhảy vọt tới +321 điểm Elo trên bài kiểm tra tác tử GDPval-AA so với người tiền nhiệm, đạt điểm 1500 . Nó cũng đạt điểm số dẫn đầu là 98% trên bài kiểm tra τ²-Bench Telecom .
• Cỗ máy tốc độ: Các báo cáo ban đầu cho thấy tốc độ của nó là 159 token mỗi giây, với các bài kiểm tra khác cho thấy tốc độ từ 78.4 đến 196 token/s .
• Giá cả & Giới hạn: Với mức giá cạnh tranh ước tính $1.25/$2.50 cho mỗi triệu token (đầu vào/đầu ra), đây là một lựa chọn có giá trị lớn cho các lĩnh vực cụ thể nhưng không phải là đối thủ cạnh tranh về trí tuệ tổng quát .

Ứng viên Mã nguồn Mở: DeepSeek V4 Pro (DeepSeek AI)

Ra mắt vào tháng 4 năm 2026, DeepSeek V4 Pro là 'kẻ thách thức' mã nguồn mở mạnh mẽ nhất, mang đến giá trị lập trình đáng kinh ngạc nhưng đi kèm một lưu ý quan trọng từ đánh giá độc lập.

• Dẫn đầu về giá trị lập trình: Nó đạt số điểm ấn tượng 80.6% trên SWE-bench Verified và 93.5% trên LiveCodeBench, tiệm cận sát nút Claude Opus 4.6 về lập trình nhưng với chi phí chỉ bằng một phần nhỏ (ước tính ~$3.48 cho mỗi triệu token đầu ra) .
• Phán quyết từ CAISI: Một đánh giá độc lập của CAISI thuộc chính phủ Mỹ đã chỉ ra rằng năng lực của DeepSeek V4 thua kém các mô hình tiên tiến nhất khoảng 8 tháng. Trong khi dữ liệu tự công bố của DeepSeek so sánh nó với GPT-5.4, thì CAISI cho rằng hiệu suất của nó chỉ tương đương với GPT-5 từ tháng 8 năm 2025 . Điều này giống như việc một hãng xe tự tin tuyên bố mẫu xe mới của họ ngang tầm các đối thủ đời mới nhất, nhưng bài kiểm tra độc lập lại cho thấy nó chỉ ngang với mẫu xe đời trước đó.
• Xếp hạng tổng quan: Nó thua kém về kiến thức tổng quát và các tác vụ suy luận phức tạp so với các 'gã khổng lồ' độc quyền, xếp hạng 39 trong số 123 mô hình trên một bảng xếp hạng rộng hơn .

An toàn & Các đánh giá độc lập

Việc kiểm tra an toàn một cách độc lập và được tiêu chuẩn hóa vẫn còn hiếm và thường không được công bố rộng rãi.

• DeepSeek V4 Pro (CAISI/NIST): Đánh giá của chính phủ Mỹ vẫn là tín hiệu an toàn đáng chú ý nhất, kết luận rằng năng lực của nó chậm hơn khoảng 8 tháng so với các mô hình tiên tiến nhất .
• GPT-5.5 (Viện An ninh AI): Viện An ninh AI của Anh đã báo cáo GPT-5.5 có tỷ lệ vượt qua 71.4% trong các bài kiểm tra an ninh mạng cấp chuyên gia, lưu ý rằng nó "có thể là mô hình mạnh nhất mà chúng tôi từng kiểm tra" ở tiêu chí này .

Cách nhìn nhận những kết quả này

Thật hấp dẫn khi chỉ muốn tìm ra một người chiến thắng duy nhất, nhưng dữ liệu vẽ nên một bức tranh thực tế hơn:

• Nếu bạn cần khả năng lập trình thuần túy và các tác vụ tác tử, Claude Fable 5 đang ở một đẳng cấp hoàn toàn khác.
• Nếu trọng tâm là suy luận toán học hàn lâm và các tác vụ dòng lệnh tự động, GPT-5.5 mới là công cụ bạn cần.
• Nếu cần một mô hình cân bằng, tiết kiệm chi phí, vừa nhanh vừa đáng tin cậy, Gemini 3.5 Flash là một lựa chọn hấp dẫn, dù bạn nên tự mình kiểm chứng khả năng lập trình của nó cho trường hợp sử dụng cụ thể của bạn.
• Nếu cần một chuyên gia về suy luận pháp lý, tài chính, hoặc làm theo hướng dẫn với giá rẻ, Grok 4.3 là một lựa chọn mạnh mẽ đáng ngạc nhiên.
• Nếu bạn đang xây dựng sản phẩm với ngân sách hạn chế và cần lập trình ở đẳng cấp cao với giấy phép mã nguồn mở, DeepSeek V4 Pro là vô đối về giá trị, nhưng độ tinh vi trong thế giới thực của nó có thể không sánh kịp những cái tên xuất sắc nhất.

Hãy luôn nhớ rằng các điều kiện của bài kiểm tra là khác nhau (cách đặt câu hỏi, việc sử dụng công cụ, nỗ lực suy luận) và không phải là thước đo hoàn hảo để dự đoán hiệu suất cho ứng dụng cụ thể của bạn.