Claude Mythos 5 so với Grok 4.7: Ba con số độc lập không khớp nhau

Artificial Analysis đã chấm điểm Grok 4.7 ba lần trong cùng một buổi chiều và nhận về ba câu trả lời chỉ về những hướng khác nhau: 46 trên Intelligence Index — cao hơn Grok 4.6 hai điểm — 56 trên Coding Agent Index, vượt trội chín điểm, và 1.657 Elo trên AA-Briefcase, vượt trội 111 điểm. Khoảng cách đó là điều thú vị nhất về bản phát hành ngày 21 tháng 9 năm 2026 của S​paceXAI, và cũng là lý do cuộc so tài này với C​laude M​ythos 5 đáng để viết ra thay vì gật đầu cho qua. Grok 4.7 là một mô hình đa dụng đã trở thành chuyên gia: những tiến bộ của nó tập trung vào lập trình agentic (tác tử) theo tầm dài hạn và công việc tri thức, còn gần như vô hình trên chỉ số tổng hợp. C​laude M​ythos 5 đã là một chuyên gia ngay từ ngày ra mắt 9 tháng 6 năm 2026 — mô hình chủ lực của A​nthropic cho lĩnh vực mạng và sinh học bị hạn chế, xếp loại ASL-3, được làm mới thành C​laude M​ythos 5.1 vào ngày 1 tháng 9, với mức giá theo bậc M​ythos là 10,00 USD đầu vào / 50,00 USD đầu ra cho mỗi triệu token, và chỉ có thể tiếp cận qua một chương trình xác minh thay vì một bảng giá công khai. Một trong hai mô hình này thì bạn có thể mua. Mô hình còn lại thì bạn phải xin cấp quyền. Mọi thứ khác trong so sánh này đều bắt nguồn từ câu đó.

Mỗi mô hình là gì, và ai sẽ cho phép bạn gọi nó

Grok 4.7 là mẫu flagship hiện tại của S​paceXAI cho lập trình, các tác vụ agentic và công việc tri thức, kế nhiệm Grok 4.6 với mức giá y hệt và cửa sổ ngữ cảnh y hệt. Nhà cung cấp viết tên mình là S​paceXAI trên cả tài liệu dành cho nhà phát triển lẫn trang tin, trong khi API vẫn được phục vụ từ api.x.ai và các định danh vẫn là các định danh grok — điều đáng biết vì việc tìm kiếm bằng tên nào trong hai tên cũng dẫn đến cùng một sản phẩm. Nó đang có mặt trực tiếp trong Cursor và trong G​rok Build, tác nhân terminal của chính công ty, và nhà cung cấp định vị nó là khuyến nghị mặc định cho mọi thứ ngoại trừ công việc về âm thanh, hình ảnh và video. Tuyên bố mà nhà cung cấp đưa ra hẹp hơn và cụ thể hơn so với một lời chào mời đa dụng: nó mạnh về kỹ thuật phần mềm chạy dài hạn và về việc tự xác minh công việc của chính mình.

Claude Mythos 5 là SKU hạn chế thuộc thế hệ tiên phong ngày 9 tháng 6 của Anthropic, chia sẻ trọng số nền tảng với Claude Fable 5 công khai và chỉ khác ở mức độ bảo vệ — các bộ phân loại an ninh mạng và sinh học vẫn được bật trong mô hình Fable. Anthropic xếp nó vào ASL-3, bậc mà hãng dành cho những năng lực có thể nâng cao đáng kể khả năng tấn công mạng, và phân bổ quyền truy cập theo hạn mức tương ứng. Danh tiếng của nó dựa trên các phát hiện từ red-team chứ không phải một bảng đánh giá chuẩn được công bố: một lỗi OpenBSD chưa được phát hiện suốt khoảng 27 năm, một lỗ hổng FFmpeg đã tồn tại khoảng 16 năm và sống sót qua năm triệu lượt quét tự động, một khai thác trình duyệt chuỗi bốn lỗ hổng để thoát khỏi cả sandbox của trình kết xuất lẫn sandbox hệ điều hành, và một lỗ hổng leo thang đặc quyền trong nhân Linux.

• Ngữ cảnh và đầu ra — 500.000 token với tối đa 450.000 đầu ra cho Grok 4.7 so với 1M token với đầu ra tối đa 128K cho C​laude M​ythos 5.

• Giá mỗi triệu token — $2.00 cho đầu vào / $6.00 cho đầu ra khi dưới 200.000 token đầu vào đối với Grok 4.7, tăng lên $4.00 / $12.00 khi vượt ngưỡng đó, so với mức cố định $10.00 / $50.00 của gói M​ythos.

• Đọc bộ đệm — $0,50 mỗi triệu đối với Grok 4.7, tăng gấp đôi lên $1,00 khi vượt ngưỡng 200.000 token, so với $1,00 mỗi triệu ở thế hệ Mythos tháng Sáu và $0,25 sau đợt làm mới tháng Chín.

• Phương thức — đầu vào văn bản, hình ảnh và tệp, với đầu ra văn bản cho cả hai.

• Kiểm soát khả năng suy luận — mức nỗ lực có thể cấu hình trên bốn cấp độ cho Grok 4.7 so với tư duy thích ứng không thể bị vô hiệu hóa đối với C​laude M​ythos 5.

• Quyền truy cập — một khóa tự phục vụ cùng với các ứng dụng của chính nhà cung cấp so với một đơn đăng ký thông qua Cyber Verification Program hoặc Life Sciences Verification Program, với yêu cầu lưu trữ dữ liệu 30 ngày.

Hai dòng giá đó chính là chỗ cách đọc thông thường đi sai. Trên bảng giá niêm yết, Grok 4.7 chỉ bằng một phần năm mức giá của M​ythos. Với một prompt dài, nó chỉ nhỉnh hơn một phần ba, vì ranh giới bậc nằm ở mốc 200.000 token và đây là một mô hình được bán với cửa sổ 500.000 token.

Ba con số độc lập, được đọc cho đúng.

Hãy bắt đầu với mục nhận được ít sự chú ý nhất, vì nó là mục lớn nhất. Trên AA-Briefcase, bảng xếp hạng của đơn vị đánh giá dành cho công việc tri thức dài hạn, Grok 4.7 đứng thứ tư chung cuộc, sau ba mục Claude và trên Claude Opus 5 ở mức nỗ lực xhigh — với chi phí mỗi tác vụ chỉ bằng khoảng một nửa so với Claude Opus 5. Dù còn điều gì khác đúng về bản phát hành này, đó là một kết quả về giá-hiệu năng chứ không phải khoảng cách về năng lực, và đây là lần đầu tiên một mô hình Grok tạo ra được một kết quả như vậy trên bảng đó.

Con số của Coding Agent Index thuộc cùng một câu chuyện. Chín điểm cao hơn Grok 4.6 trên trục coding-agent so với hai điểm trên chỉ số tổng quát không phải là nhiễu; nó cho thấy công việc huấn luyện đã tập trung cụ thể vào hành vi agentic và lập trình, và rằng bất cứ thứ gì được cải thiện đều không chuyển sang một tổ hợp rộng gồm mười đánh giá. Chỉ số tổng quát là con số mà bảng xếp hạng in ra. Con số coding-agent là con số mà một nhóm vận hành các vòng lặp công cụ dài thực sự trải nghiệm.

Rồi có sự bất đồng giữa nhà cung cấp và bên đánh giá trên cùng một benchmark, và đây chính là phần đáng ghi nhớ mỗi khi bạn đọc một bảng ra mắt. Con số Terminal-Bench 4.0 của chính SpaceXAI dành cho Grok 4.7 là 38%. Lần chạy độc lập cùng benchmark đó của Artificial Analysis đặt nó ở mức 33%. Năm điểm, cùng một hướng, trên một trục, cho một mô hình — và không bên nào nói dối. Các benchmark agentic đo một mô hình cộng với một scaffold, cấu hình harness khác nhau, và các lần chạy lặp lại thì có xê dịch. Đó là dáng vẻ của một khoảng cách năm điểm khi không ai gian lận. Hãy đặt nó bên cạnh bất kỳ con số đơn lẻ nào từ nhà cung cấp mà bạn thấy, kể cả của Anthropic.

Điều này đưa vấn đề sang phía Mythos và là lý do khiến không thể hoàn tất việc so sánh. Anthropic không công bố bảng benchmark nào cho Claude Mythos 5. Những con số được lan truyền gắn với cái tên này không phải đều đến từ nhà cung cấp:

• ExploitBench, 78.0% — con số công bố hồi tháng 6 của chính Anthropic, gần gấp đôi mức 40% mà họ viện dẫn cho Claude Opus 4.8. Do nhà cung cấp báo cáo, chưa được tái lập.

• CyberGym Level 1, 83.8% — con số thường được in bên cạnh mô hình này nhất, và nó không bắt nguồn từ Anthropic. Nó xuất hiện trong tài liệu so sánh của đối thủ, với lợi ích riêng về cách định khung.

• Terminal-Bench 4.0 — 42,0% cho thế hệ tháng Sáu và 60,9% cho Claude Mythos 5.1, theo tài liệu cập nhật tháng Chín của Anthropic.

Hãy để ý xem hàng thứ ba đó tác động thế nào đến cặp đối đầu. Trên benchmark duy nhất mà cả hai track đều có số liệu, 60,9% của C​laude M​ythos 5.1 cao hơn hẳn 33% được đo độc lập của Grok 4.7. Những con số đó vẫn không thể trừ cho nhau: một cái là con số của nhà cung cấp trên bộ kiểm thử của chính nhà cung cấp, cái kia là của bên thứ ba, và chúng được chạy vào những thời điểm khác nhau trên những cấu hình khác nhau. Nhưng khoảng cách đủ lớn để khó có thể hoàn toàn là một hiện tượng giả tạo, và đó là một lời cảnh báo xác đáng rằng một mô hình với micrô đa dụng không cạnh tranh trên trục mà hạng M​ythos tồn tại để hướng tới.

Sự dài dòng là dòng chi phí không ai in ra.

Bảng giá của Grok 4.7 là điểm rẻ nhất của nó, còn tính dài dòng là điểm đắt nhất. Artificial Analysis đo được mức tăng 113% về việc dùng token suy luận so với Grok 4.6, với khoảng 81.000 token đầu ra được tiêu thụ cho mỗi tác vụ agentic. Đem điều đó đặt cạnh một mô hình đọc lại ngữ cảnh thay vì một mô hình tự suy diễn lại ngữ cảnh, thì hai cấu trúc chi phí chẳng còn giống nhau chút nào: Grok 4.7 rẻ trên mỗi token và đắt trên mỗi tác vụ trong công việc agentic kéo dài, trong khi hạng Mythos đắt trên mỗi token và tính kinh tế của nó phụ thuộc hoàn toàn vào hành vi bộ nhớ đệm, đó là lý do bản làm mới tháng 9 của Anthropic đã cắt giá đọc bộ nhớ đệm từ $1,00 xuống $0,25 và định vị nó là rẻ hơn tới khoảng 45% trên các khối lượng công việc có tính agentic cao.

Một đầu ra 81.000 token ở mức 6,00 đô la một triệu token là khoảng 49 xu tiền đầu ra cho một tác vụ. Trên cửa sổ 500.000 token mà mô hình này bán, một prompt vượt quá 200.000 token sẽ tăng gấp đôi mức giá đầu vào và kéo theo đó cũng tăng gấp đôi mức giá cho phần được lưu đệm. Không con số nào là lỗi — suy nghĩ lâu hơn là cách các mô hình suy luận trở nên tốt hơn — nhưng bảng giá là giá trên mỗi token còn hóa đơn của bạn là giá trên mỗi tác vụ, và hệ số nhân giữa hai thứ đó khác nhau nhiều hơn mức chênh lệch giá.

Ngày 6 tháng 10 đã thay đổi điều gì, và điều gì thì không

Vào ngày 6 tháng 10 năm 2026, Anthropic đã tái cấu trúc Cyber Verification Program thành ba bậc dựa trên đơn đăng ký, gộp Project Glasswing vào bậc cao nhất, và chuyển Claude Mythos 5.1 từ phân bổ chỉ dành cho đối tác thành quyền truy cập mà bất kỳ tổ chức an ninh đủ điều kiện nào cũng có thể đăng ký. Claude Opus 5.5 và Claude Sonnet 5.5 đã tham gia mọi bậc cùng lúc. Các đơn Defense Access được trả lời trong vòng vài ngày theo Anthropic, Red Team Access mất vài tuần, và bản thân quyền truy cập Mythos đến sau khi được phê duyệt khoảng năm ngày làm việc. Tất cả đều do nhà cung cấp công bố và chưa được xác nhận độc lập, và rào cản vẫn là tiêu chuẩn xác minh chứ không phải mức giá.

Điều đó có ý nghĩa gì khi đối chiếu riêng với Grok 4.7 thì khá hẹp. Đối với một đội bảo mật được uỷ quyền, đây là lần đầu tiên nhánh M​ythos có một cửa vào chính thức, và sự so sánh lần đầu tiên trở nên thực chất trong lịch sử của mô hình này. Với mọi người khác — lập trình, công việc tri thức, những vòng lặp công cụ dài, công việc mà Grok 4.7 được xây dựng để làm — phía A​nthropic trong cuộc đối đầu này vẫn đóng kín, và cách hiểu công bằng là đó chưa bao giờ là phép so sánh đúng đắn để thực hiện. Thế hệ ngày 9 tháng 6 đã bị đình chỉ trên toàn cầu hai ngày sau khi ra mắt theo lệnh của Bộ Thương mại Hoa Kỳ và chỉ được khôi phục cho một nhóm hạn chế các tổ chức Hoa Kỳ đã qua thẩm định vào khoảng đầu tháng Bảy; toàn bộ sự tồn tại của mô hình đã được định hình bởi ràng buộc đó, và dù có đọc bao nhiêu kết quả đánh giá chuẩn cũng không thay đổi ai được phép đi qua.

Câu trả lời định tuyến, thứ duy nhất hiện có hôm nay

Grok 4.7 có mặt trong danh mục của OrcaRouter với đúng mức giá của SpaceXAI — $2.00 cho đầu vào và $6.00 cho đầu ra trên mỗi triệu token, $0.50 cho phần đã lưu đệm, cùng ranh giới bậc 200.000 token và mức tăng lên $4.00 / $12.00 được giữ nguyên chính xác như nhà cung cấp công bố — áp dụng mức chênh 0%, nên khi giá thay đổi, tại đây sẽ được cập nhật ngay trong ngày công bố. Độ chính xác đó quan trọng hơn ở mô hình này so với hầu hết các mô hình khác, bởi vì cú nhảy bậc tại 200.000 token là điểm gián đoạn về giá lớn nhất trong phép so sánh này, và một router làm phẳng nó thành mức trung bình sẽ khiến bạn hiểu sai về hóa đơn của chính mình.

Điều thứ hai mà lớp định tuyến làm là biến vấn đề dài dòng thành thứ rẻ để kiểm chứng thay vì đắt đỏ để phỏng đoán. Mức đầu ra trung bình 81.000 token chỉ là một con số trung bình, và lưu lượng của bạn có thể nằm hẳn về một phía nào đó của nó. Chạy Grok 4.7 với chính khối lượng công việc của bạn là phép đo duy nhất trả lời được liệu nó rẻ hay đắt đối với bạn, và làm điều đó mà không cần tích hợp thêm nghĩa là câu trả lời chỉ tốn một buổi chiều. Chuyển đổi dự phòng tự động giữa các nhà cung cấpbao trùm nửa còn lại — một mô hình suy luận nghĩ lâu hơn khi chịu tải là mô hình dễ vượt quá thời gian chờ nhất, và một tuyến chuyển yêu cầu sang backend khác thay vì trả về lỗi thì ở đây có giá trị hơn là trên một mô hình nhanh.

Nếu năng lực bạn muốn có từ Claude Mythos 5 là lớp Mythos chứ không phải mức bảo vệ bị giảm, thì mô hình bị hạn chế truy cập không thể được định tuyến tới công chúng và không nền tảng nào thay đổi được điều đó. Bản sinh đôi không bị hạn chế của nó thì có thể: Claude Fable 5.1 có cùng trọng số nền tảng với các biện pháp bảo vệ vẫn được bật, nằm trong cùng danh mục với mức giá niêm yết của Anthropic là $10.00 / $50.00 cùng mức đọc bộ nhớ đệm $0.25 của bản làm mới tháng Chín, và việc chuyển đổi giữa nó với Grok 4.7 chỉ là thay đổi chuỗi mô hình.

Phán quyết hẹp hơn tiêu đề gợi ý, và điều đó đáng nói thẳng. Đối với công việc agentic nói chung, Grok 4.7 là mô hình duy nhất trong hai mô hình này mà bạn có thể dùng, và bằng chứng độc lập cho thấy lợi thế của nó so với phiên bản tiền nhiệm tập trung đúng vào nơi bạn sẽ dùng nó — đó là dấu hiệu tốt hơn so với việc chỉ số tăng hai điểm trên diện rộng. C​laude M​ythos 5 là mô hình mạnh hơn trên trục duy nhất mà người ta đã đo lường nó, và trục đó là công việc bảo mật bên trong một chương trình đã được thẩm định. Nếu công việc của bạn không phải như vậy, câu hỏi thú vị không phải là M​ythos so với G​rok; mà là liệu chi phí trên mỗi tác vụ của Grok 4.7 trên lưu lượng của chính bạn có thấp hơn mô hình bạn đang chạy hiện nay hay không.

Không có gì trong số đó là giả thuyết: các lỗi AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này đều được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.