Thẻ tiêu đề được tạo cho Claude Opus 5.5 so với Grok 4.8, với ba chip ghi "Grok 4.8: không công bố ID mô hình", "trong học tăng cường, 10 tháng 11 năm 2026" và "có thể gọi gần nhất: Grok 4.7", cùng phần chân trang ghi chú rằng tài liệu dành cho nhà phát triển của SpaceXSI đã được kiểm tra vào ngày 19 tháng 11 năm 2026. Logo OrcaRouter ở góc dưới bên phải.
Guides & Insights

Claude Opus 5.5 vs Grok 4.8: Một mô hình bạn có thể gọi, còn một lời hứa thì không.

Tác giả

Gideon Frost

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Giám đốc điều hành của công ty đang phát triển Grok 4.8 đã được hỏi thẳng rằng nó so sánh thế nào với Claude Opus 5.5. Câu trả lời của ông, trên X vào ngày 10 tháng 11 năm 2026, là điều hữu ích nhất mà bất kỳ ai đã công bố về cuộc đối đầu này: "Không tốt bằng. Opus 5.5 là một kiệt tác. Nhưng Grok 5 sẽ vượt Opus 5.5 và có lẽ điều đó sẽ xảy ra trong 2 hoặc 3 tháng tới, với đà tăng tốc tiếp diễn sau đó." Đó là Elon Musk thừa nhận thất thế trong phép so sánh, và mười hai ngày sau, đó cũng chính là toàn bộ hồ sơ công khai về năng lực của Grok 4.8.

Vì Grok 4.8 không phải là một mô hình mà bạn có thể gọi. Tài liệu dành cho nhà phát triển của chính SpaceXSI — danh sách mô hình, trang giá và ghi chú phát hành, tất cả được đọc vào ngày 19 tháng 11 năm 2026 — có grok-4.7 là mục mới nhất và hoàn toàn không có grok-4.8 dòng nào: không có mã định danh, không có bảng giá, không có cửa sổ ngữ cảnh, không có đánh giá nào được công bố. Artificial Analysis không có trang nào cho nó; yêu cầu trả về 404. Ngược lại, Claude Opus 5.5 đã được cung cấp rộng rãi kể từ ngày 22 tháng 9 năm 2026 với một ID mô hình, một bảng giá và tám tuần đo lường độc lập.

Headless capture of SpaceXSI's Grok models and pricing documentation, showing the left-hand navigation listing 'Grok 4.7' as the latest model and the models and pricing pages, with no grok-4.8 entry in the model list.

Vậy phiên bản hữu ích của trang này không phải là so sánh hai bảng thông số kỹ thuật. Mà là so sánh một mô hình đã ra mắt với một lịch trình đã nêu, cộng thêm một điều mà lời thừa nhận của Musk thực sự giải quyết dứt điểm: hôm nay nên chạy cái gì.

Sự nhượng bộ này có giá trị hơn vẻ bề ngoài của nó.

Các nhà cung cấp không nhượng bộ về phương diện benchmark đối với mô hình chưa phát hành của chính họ, và lời rào đón đi kèm — Grok 5 sẽ vượt Opus 5.5 trong hai hoặc ba tháng nữa — là một tuyên bố về một mô hình khác với mô hình trong tiêu đề bài viết này. Cả hai phát biểu đều không đi kèm benchmark, tên bài kiểm tra hay ngày tháng. Đọc như một lịch trình thay vì một đặc tả, nó cho nhà phát triển biết hai điều: Grok 4.8 sẽ không phải là mô hình thu hẹp khoảng cách, và kỳ vọng của chính công ty là khoảng cách đó vẫn còn đến hết quý I năm 2027.

Đó là một sự thừa nhận đáng kể đối với bất kỳ ai hiện đang xây dựng trên Grok 4.7 và tự hỏi liệu có nên chờ đợi. Câu trả lời từ chính người đứng đầu nhà cung cấp là việc chờ đợi là đặt cược vào Grok 5, chứ không phải Grok 4.8.

Tại sao Grok 4.8 lại bị tụt lại

Các bài đăng ngày 10 tháng 11 của Musk đưa ra lời giải thích cụ thể hơn bất kỳ ghi chú phát hành nào. Quá trình tiền huấn luyện Grok 4.8 đã hoàn tất. Nhóm đang ở giai đoạn học tăng cường và đã phải làm lại dữ liệu dùng cho tinh chỉnh có giám sát. Một nguyên nhân được nêu cho sự chậm trễ là việc xây dựng lại hạ tầng: SpaceXSI đã chuyển khỏi JAX và SGLang sang hệ thống RL riêng và ngăn xếp suy luận riêng của mình. Việc xây dựng lại nền tảng huấn luyện và phục vụ vào giữa giai đoạn RL của một mô hình là kiểu quyết định thể hiện trên lịch trình chứ không phải trong nhật ký thay đổi, và đó là lời giải thích hợp lý nhất được đưa ra cho một mô hình đã "sắp ra mắt" kể từ tháng 9.

Việc so sánh cần hướng tới không phải màn ra mắt của Claude Opus 5.5, vốn diễn ra êm ả và đúng lịch, mà là những gì sự êm ả đó mang lại: tám tuần với các mã định danh ổn định, giá được công bố và điểm số từ bên thứ ba, trong khi mô hình đối thủ đang trong quá trình viết lại toàn bộ ngăn xếp. Tính ổn định là một tính năng, và đó chính là thứ mà Grok 4.8 chưa thể tung ra.

Điều bạn thực sự có thể chạy: Grok 4.7 đối đầu với Opus 5.5

Grok 4.7 là mô hình mà SpaceXSI sẽ bán cho bạn trong lúc 4.8 đang hoàn thiện. Nó được phát hành vào ngày 21 tháng 9 năm 2026 — một ngày trước Opus 5.5 — với cửa sổ ngữ cảnh 500.000 token và giá niêm yết $2,00 mỗi triệu token đầu vào và $6,00 mỗi triệu token đầu ra. Do đó, xét theo ngày phát hành, cả hai mô hình thuộc cùng một thế hệ, điều này khiến các con số độc lập trở thành cách đánh giá công bằng nhất hiện có về những gì Grok 4.8 phải vượt qua và một bản phát hành Grok còn cách ranh giới tiên phong bao xa.

• Chỉ số Trí tuệ — Claude Opus 5.5 đạt 59,1 so với Grok 4.7 đạt 35,5, khoảng cách 23,6 điểm.

• Chi phí mỗi tác vụ Index — 10,04 USD so với 7,77 USD, vì vậy Grok 4.7 chỉ rẻ hơn 23% cho mỗi tác vụ hoàn thành dù giá niêm yết rẻ hơn 70%.

• Terminal-Bench 4.0 — 59,6% so với 25,8%. Opus 5.5 đạt hơn gấp đôi Grok 4.7 trong công việc terminal dạng tác tử.

• Terminal-Bench-Science 0.1 — 59,0% so với 11,4%.

• FrontierCode-AA 2.0 — 46,4% so với 28,7%.

• HLE-Diamond — 67,9% so với 23,2%.

• GDPval-AA v2.1 — 1866 Elo so với 1717, khoảng cách hẹp nhất ở đây là 149 điểm.

• AnalystAgent — 56,3% so với 52,5%, mức chuẩn sát nhất trong bộ.

• AA-Omniscience — 48.1 với tỷ lệ ảo giác 50.3% so với 31.2 ở 20.0%.

• Ngữ cảnh và tốc độ — 1M token ở 117 tok/s so với 500K token ở 71 tok/s.

Generated two-column scoreboard titled 'Claude Opus 5.5 vs Grok 4.7 - the scoreboard'. Left column Claude Opus 5.5 rows: Intelligence Index 59.1, cost per task $10.04, Terminal-Bench 4.0 59.6%, HLE-Diamond 67.9%, context 1M tokens, price $4 / $20. Right column Grok 4.7 rows: Intelligence Index 35.5, cost per task $7.77, Terminal-Bench 4.0 25.8%, HLE-Diamond 23.2%, context 500K tokens, price $2 / $6. Footer: both per Artificial Analysis index v5.0.1, Grok 4.8 is unscored. OrcaRouter logo bottom-right.

Phần phân bố mới là phần thú vị. Grok 4.7 không phải kém hơn 24 điểm ở mọi nơi: trên GDPval, bảng giá trị kinh tế, mức chênh chỉ trong vòng 8%, và trên AnalystAgent là trong vòng 4%. Đó là những benchmark thưởng cho độ rộng của đầu ra chuyên môn hơn là độ sâu khi thực thi. Ở những nơi nhiệm vụ đòi hỏi thực thi một chuỗi dài một cách chính xác — công việc terminal, công việc terminal khoa học, lập trình agentic — khoảng cách là rộng nhất trên bảng. Điểm tổng hợp 23,6 điểm thực chất là mô tả một điểm yếu cụ thể đang cộng dồn qua toàn bộ bộ benchmark.

Chi phí trên mỗi tác vụ là con số tố cáo cách định giá của Grok.

Giá niêm yết $2/$6 so với $4/$20 trông giống như lợi thế 2,5× về giá đầu ra. Artificial Analysis đo được $7,77 so với $10,04 mỗi tác vụ — 23%. Lý do là Grok 4.7 tạo ra 148M token đầu ra trên toàn bộ bộ Index so với 218M của Opus 5.5, chỉ là lợi thế 1,5×, và nó tạo ra chúng ở tốc độ 71 tok/s so với 117.

Ghép những điều đó lại, Grok 4.7 vừa dài dòng hơn so với mức giá của nó, vừa chậm hơn tính theo thời gian thực, với 24,4 phút mỗi tác vụ Index so với 24,6. Độ trễ gần như y hệt nhưng kém hơn 24 điểm index về năng lực và tiết kiệm 23% — đó không phải là một đề xuất giá trị, mà là một khoản chiết khấu cho một sản phẩm tệ hơn. Bất kỳ ai chọn Grok 4.7 dựa trên bảng giá của nó đều đang phải trả tiền cho “đặc quyền” đó.

Claude Opus 5.5 cũng không hề rẻ: 10,04 USD mỗi tác vụ đưa nó vào nhóm đắt đỏ nhất trên bảng xếp hạng, và thời gian xử lý tác vụ 24,6 phút của nó thực sự chậm. Nhưng ít nhất nó cũng mua được thứ gì đó bằng số tiền đó. Cách so sánh đúng về hiệu quả chi phí trên bảng này không phải là hai cấu hình này — mà là GPT-6.2 Sol với 1,01 USD mỗi tác vụ cho chỉ số 57,3, đây là cấu hình khiến cả hai đều trông có giá quá đắt.

Điều gì sẽ phải đúng để Grok 4.8 thay đổi điều này?

Đây là phần đáng đọc nếu bạn đang lên kế hoạch chuyển đổi chứ không phải mua sắm. Một mô hình bước ra từ RL với quá trình tinh chỉnh có giám sát được làm lại có thể thay đổi rất nhiều theo cả hai hướng, và những benchmark cụ thể mà Grok 4.7 trượt chính là những benchmark mà RL trên các tác vụ có thể kiểm chứng có xu hướng khắc phục trước tiên. Công việc trên terminal, lập trình agentic và thực thi khoa học đều có phần thưởng có thể kiểm tra bằng máy, đúng điều mà một giai đoạn RL tối ưu hóa. Nếu Grok 4.8 đạt mức tăng lớn trên Terminal-Bench so với 25,8% của 4.7, thì đó là dấu hiệu cho thấy lần chạy RL đã hiệu quả.

Ba điều sẽ phải xuất hiện trước khi bất kỳ điều nào trong số này trở nên có thể triển khai thực tế. Một grok-4.8 định danh trong tài liệu của SpaceXSI. Một bảng giá — và lưu ý rằng một ngăn xếp suy luận mới là lý do hợp lý cho việc thay đổi giá theo cả hai chiều. Và một đánh giá được công bố, bởi vì những phát biểu của chính Musk trong tháng này đã thẳng thừng xem nhẹ điểm chuẩn như một thước đo chất lượng, nghĩa là tài liệu của chính nhà cung cấp về 4.8 khó có thể xuất hiện dưới dạng một bảng số.

Cho đến khi những thứ đó tồn tại, ước tính trung thực là Grok 4.8 nằm đâu đó giữa Grok 4.7 và Opus 5.5, và không ai ngoài SpaceXSI biết chính xác là ở đâu. Bất kỳ trang nào hôm nay cung cấp cho bạn cửa sổ ngữ cảnh, giá hoặc điểm số của Grok 4.8 đều là bịa đặt.

Chọn hôm nay

Grok 4.8 không nằm trong quyết định. Claude Opus 5.5 thì có, cùng với Grok 4.7 và những mô hình thực sự cạnh tranh cho cùng vị trí đó.

Nếu công việc của bạn là thực thi dạng tác tử tầm xa — tác nhân lập trình, tự động hóa terminal, nghiên cứu nhiều bước — thì Claude Opus 5.5 thắng trên mọi benchmark thực thi với khoảng cách mà không lượng prompt engineering nào thu hẹp được, và để làm việc đó, nó tốn khoảng 29% chi phí mỗi tác vụ nhiều hơn Grok 4.7. Đó là một đánh đổi hợp lý và là lựa chọn dễ dàng.

Nếu công việc của bạn thiên về bề rộng chuyên môn — phân tích, soạn thảo, các tác vụ giá trị kinh tế — thì hai lựa chọn này đủ sát nhau đến mức khoản tiết kiệm 23% có thể biện minh cho Grok 4.7, với điều kiện bạn chấp nhận được cửa sổ ngữ cảnh 500K thay vì 1M và khả năng hồi tưởng thấp hơn ngụ ý bởi chỉ số tổng hợp Omniscience 31 so với 48.

Nếu bạn xây dựng trên Grok và muốn phòng ngừa đúng kiểu sơ suất này, cách làm thực tế là giữ việc lựa chọn mô hình ra ngoài mã của bạn. Cả hai đều có thể truy cập qua một khóa OrcaRouter — anthropic/claude-opus-5.5 và grok/grok-4.7 — với mức cộng thêm 0% so với giá niêm yết của nhà cung cấp, vì vậy mức giá dòng Grok 4.7 chính là mức giá của nhà cung cấp và thay đổi giá SpaceXSI trên 4.8 sẽ có hiệu lực vào ngày được công bố thay vì ngày bạn nhận ra. Đặt quy tắc định tuyến để ưu tiên mô hình mà đánh giá của bạn cho là mạnh hơn và để tự động chuyển đổi dự phòng xử lý nhà cung cấp ngừng phản hồi giữa chừng. Khi Grok 4.8 xuất hiện, việc thêm nó chỉ là một mục định tuyến, không phải một cuộc di trú.

Headless capture of OrcaRouter's model page for grok/grok-4.7, showing the model name and its sections for code samples, pricing, performance and public benchmarks.

Điểm mấu chốt, dù nó chẳng được là bao.

Musk nói Grok 4.8 không tốt bằng Claude Opus 5.5, rồi nói Grok 5 có thể sẽ tốt bằng, trong hai hoặc ba tháng nữa. Nếu hiểu theo đúng nghĩa đen, đó là một cửa sổ hai quý trong đó mô hình tiên phong cho thực thi tác tử là mô hình đã ra mắt vào tháng Chín. Hãy lập kế hoạch dựa trên điều đó, và coi bất kỳ thông báo nào về Grok 4.8 là lý do để chạy lại đánh giá của bạn chứ không phải lý do để viết lại tích hợp của bạn.

So sánh trong bài viết này1

Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày