Gemini 4 Argon, GPT-6.1 Sol, Claude Sonnet 5.5: cùng giá niêm yết $2/$10, chi phí mỗi việc chênh nhau gần bảy lần

Giả sử bạn đang chọn mô hình AI cho trợ lý nội bộ của công ty vào giữa tháng 10/2026. Bạn mở trang giá của ba hãng lớn và thấy một điều hiếm gặp: ba mô hình tầm trung mới nhất có giá niêm yết giống hệt nhau — 2 USD cho mỗi triệu token đầu vào, 10 USD cho mỗi triệu token đầu ra.

(Token là đơn vị mà mô hình dùng để đọc và viết chữ — đại khái một từ tiếng Anh ngắn là một token. Giá mô hình AI được tính theo số token đi vào và đi ra.)

Cùng giá thì chọn cái nào mạnh nhất? Câu hỏi nghe hợp lý, nhưng các con số độc lập công bố trong tuần này cho thấy nó đặt sai chỗ. Ba mô hình cùng giá trên mỗi token, nhưng chi phí để làm xong một việc chênh nhau gần bảy lần. Hai bảng xếp hạng độc lập lớn không đồng ý ai đứng đầu. Và một trong ba mức giá chỉ là giá khuyến mãi.

Ba mô hình, một mức giá

• Claude Sonnet 5.5 (Anthropic), ra mắt 28/9. Giá $2/$10, giữ nguyên giá của Sonnet 5. Ngữ cảnh tối đa 1 triệu token.
• GPT-6.1 Sol (OpenAI), ra mắt 29/9, một tuần sau GPT-6 Sol. Giá $2/$10, bằng khoảng một phần năm GPT-6 Astra ($10/$50).
• Gemini 4 Argon (Google), công bố 30/9 và mở rộng cho người dùng trả phí từ 13/10. Giá khuyến mãi $2/$10 tới hết ngày 30/11, sau đó tăng lên $4/$20 — bằng giá Claude Opus 5.5. Tài khoản miễn phí chưa dùng được.

Cần nói rõ: Argon là mô hình mạnh nhất của Google, trong khi Sonnet và Sol là hạng giữa của Anthropic và OpenAI — hai hãng này còn có Opus 5.5 ($4/$20) và Astra ($10/$50) ở trên. Ba mô hình chỉ gặp nhau ở cùng mức giá trong khoảng thời gian khuyến mãi của Google.

Hai bảng xếp hạng, hai người thắng

Có hai bảng đo độc lập được trích dẫn nhiều nhất hiện nay, và chúng cho kết quả khác nhau.

Chỉ số trí tuệ của Artificial Analysis (bản 4.3) tổng hợp khoảng mười bài kiểm tra về suy luận, kiến thức, lập trình và tác vụ tự động. Trên bảng này:

• Claude Opus 5.5: 58
• Claude Sonnet 5.5: 56
• Gemini 4 Argon (mức suy luận cao): 53, ngang GPT-6 Astra
• GPT-6.1 Sol: 52

Chỉ số Vals của Vals AI tập trung vào các việc chuyên môn như tài chính, pháp lý và lập trình, có ghi kèm chi phí thực tế để chạy hết bộ đo. Bảng ngày 16/10:

• Gemini 4 Argon: 68,9% — đứng đầu
• Claude Sonnet 5.5: 67,04%
• Claude Opus 5.5: 66,97%
• GPT-6.1 Sol: 61,15% — hạng 9

Argon đứng đầu bảng này nhưng kém Opus 5.5 năm điểm ở bảng kia. Sonnet 5.5 đứng thứ hai ở cả hai bảng. Không bảng nào sai — chúng đo những việc khác nhau. Đây là lý do thứ nhất để không chọn mô hình theo một con số xếp hạng duy nhất: câu trả lời phụ thuộc vào việc bạn định giao cho nó.

Cùng giá mỗi token, chênh gần bảy lần mỗi việc

Con số đáng chú ý nhất không nằm ở cột điểm mà ở cột chi phí. Vals ghi lại số tiền thực tế để chạy mỗi bài trong bộ đo:

• GPT-6.1 Sol: $3,24 mỗi bài
• Gemini 4 Argon: $15,68 mỗi bài (tính theo giá chuẩn $4/$20; theo giá khuyến mãi, con số này giảm còn khoảng một nửa)
• Claude Sonnet 5.5: $21,34 mỗi bài
• Claude Opus 5.5: $32,14 mỗi bài

Sonnet 5.5 và GPT-6.1 Sol có cùng giá niêm yết, nhưng trên cùng bộ bài, Sonnet tốn gấp khoảng 6,6 lần — đổi lại được gần 6 điểm phần trăm chính xác hơn. Đáng hay không tuỳ việc: với một bài phân tích hợp đồng mà sai thì phải thuê luật sư xem lại, 6 điểm có thể rất đáng tiền. Với việc phân loại email, gần như chắc chắn là không.

Vì sao cùng giá mà chênh nhiều như vậy? Vì giá niêm yết chỉ là một nửa phép tính. Nửa còn lại là số token mỗi mô hình dùng để làm xong việc, và con số này khác nhau rất nhiều:

• Các mô hình hiện nay đều "suy nghĩ" trước khi trả lời — viết ra một chuỗi lập luận nội bộ mà người dùng thường không thấy. Những token suy nghĩ này được tính tiền như token đầu ra.
• Với việc nhiều bước (gọi công cụ, đọc tài liệu, sửa mã), một mô hình có thể cần ít lượt hơn mô hình khác. Mỗi lượt thêm là đọc lại toàn bộ ngữ cảnh — tốn thêm token đầu vào.
• Mức suy luận (effort) do bạn chọn khi gọi API có thể làm số token đầu ra thay đổi vài lần trên cùng một mô hình.

Một phép tính nhỏ để thấy cơ chế: một việc cần đọc 30.000 token tài liệu. Mô hình A viết 2.000 token (gồm cả suy nghĩ), mô hình B viết 8.000 token. Cùng giá $2/$10:

• A: 30.000 × $2 / 1 triệu + 2.000 × $10 / 1 triệu = $0,06 + $0,02 = $0,08
• B: $0,06 + 8.000 × $10 / 1 triệu = $0,06 + $0,08 = $0,14

Cùng giá niêm yết, B đắt hơn 75% cho mỗi việc. Nhân lên mười nghìn việc mỗi tháng, đó là chênh lệch giữa 800 và 1.400 USD.

Giá khuyến mãi có hạn

Google nói rõ giá $2/$10 của Argon là giá giới thiệu, kéo dài tới hết ngày 30/11. Từ tháng 12, giá tăng lên $4/$20 — gấp đôi. Artificial Analysis đo chi phí mỗi bài trên chỉ số của họ: $1,99 theo giá khuyến mãi và $3,98 theo giá chuẩn. Theo giá khuyến mãi, Argon ngang điểm Astra với khoảng 60% chi phí; theo giá chuẩn, lợi thế chi phí đó không còn.

Gemini 3.8 Flash, mô hình nhỏ hơn của Google, cũng đang ở giá khuyến mãi $0,75/$3,75 và sẽ lên $1,50/$7,50 từ ngày 1/1/2027.

Giá giới thiệu không có gì sai — đó là cách hợp lý để thu hút người dùng thử. Nhưng nếu bạn tính ngân sách năm 2027 hoặc ký hợp đồng với khách hàng dựa trên chi phí AI, hãy tính theo giá chuẩn. Một hệ thống được chọn vì rẻ nhất trong tháng 11 có thể không còn rẻ nhất trong tháng 12.

Một chiều ít được nói tới: khi mô hình không biết

Artificial Analysis đo thêm một chỉ số mà các bảng điểm tổng hợp thường không thể hiện: khi gặp câu hỏi mà mô hình không biết câu trả lời, nó nói "không biết" hay bịa ra một câu trả lời nghe hợp lý? Trên bài đo này, Argon trả lời sai thay vì từ chối ở khoảng 15% số trường hợp đó, so với 51% của GPT-6 Astra — dù hai mô hình ngang điểm tổng.

Với một trợ lý nội bộ trả lời câu hỏi về chính sách công ty, hay một công cụ trích số liệu từ báo cáo tài chính, chỉ số này có thể quan trọng hơn vài điểm chênh trên bảng tổng. Một câu trả lời "không tìm thấy thông tin" thì người dùng biết phải hỏi lại. Một con số bịa trông giống hệt con số thật.

Đây là số đo của một bên độc lập trên một bộ câu hỏi cụ thể, không phải đảm bảo cho mọi tình huống. Nhưng nó gợi ý một việc nên làm khi tự thử: đưa vào bộ thử vài câu mà câu trả lời đúng là "không có trong tài liệu", và xem mô hình nào chịu nói như vậy.

Bốn bước để chọn bằng con số của chính bạn

Một — chọn 30 việc thật. Lấy khoảng 30 yêu cầu từ công việc hằng ngày mà bạn định giao cho AI, gồm cả việc dễ, việc khó, và vài câu mà câu trả lời đúng là "không biết". Ghi trước tiêu chí đạt cho từng việc. Ba mươi việc không đủ để phân biệt hai mô hình chênh nhau vài điểm phần trăm, nhưng đủ để thấy chênh lệch lớn về chi phí và các lỗi rõ ràng.

Hai — chạy và ghi số token. Mỗi phản hồi API đều kèm số token thực tế đã dùng. Với Anthropic và OpenAI, đó là trường usage (gồm input_tokens và output_tokens). Với Gemini, đó là usageMetadata, trong đó token suy nghĩ được ghi riêng ở thoughtsTokenCount — nhớ cộng vào phần đầu ra. Lưu các con số này cùng kết quả đạt hay không.

Ba — tính chi phí theo giá chuẩn. Chi phí mỗi việc = token đầu vào × giá đầu vào + token đầu ra × giá đầu ra. Dùng giá sau khuyến mãi. Nếu dùng bộ nhớ đệm (cache) cho phần tài liệu lặp lại, tính riêng phần token đọc từ cache theo giá cache.

Bốn — chia cho số việc đạt. Tổng chi phí chia cho số việc đạt cho ra chi phí của một kết quả dùng được — con số duy nhất thực sự so sánh được giữa các mô hình. Một mô hình rẻ mà làm hỏng một phần ba số việc có thể đắt hơn một mô hình đắt mà làm đúng gần hết, khi tính cả công người kiểm tra và làm lại.

Cuối cùng, viết hệ thống sao cho tên mô hình là một dòng cấu hình, không rải rác trong mã. Trong ba tuần từ 22/9 tới 13/10, ba hãng ra mắt tổng cộng ít nhất sáu mô hình mới. Mô hình tốt nhất cho bạn hôm nay gần như chắc chắn không phải mô hình tốt nhất sau ba tháng.

Kết

Ba mô hình cùng giá $2/$10 là một sự trùng hợp tạm thời, không phải một cuộc so sánh công bằng: một bên là mô hình đầu bảng đang khuyến mãi, hai bên là hạng giữa ở giá chuẩn. Và chính sự trùng hợp này cho thấy rõ một điều mà bảng giá che đi: giá mỗi token không phải giá mỗi việc.

Nếu phải tóm tắt bằng số liệu hiện có: Sonnet 5.5 ổn định ở nhóm đầu trên cả hai bảng nhưng tốn nhiều token nhất trong ba; GPT-6.1 Sol rẻ hơn rất nhiều cho mỗi việc với điểm thấp hơn; Argon dẫn đầu ở các việc chuyên môn và ít bịa nhất, nhưng lợi thế chi phí của nó có hạn tới 30/11. Không có người thắng chung — chỉ có mô hình phù hợp với một loại việc, ở một mức chi phí bạn chấp nhận được.

Bài sau trong loạt này nói về hạng mô hình nhỏ, nơi chênh lệch chi phí còn lớn hơn, và vì sao phần lớn việc của doanh nghiệp có thể không cần tới mô hình hạng giữa. Nếu bạn muốn chạy thử các mô hình trên chính dữ liệu và quy trình của mình trước khi cam kết, liên hệ với chúng tôi hoặc xem năng lực AI & ML của KonexForge.