Claude Sonnet 5.5 về Extra Effort: Vì sao tuyên bố “Mô hình Claude tiếp theo” thất bại ở cả hai bài kiểm tra của chính nó

Lúc 12:44 UTC ngày 5 tháng 11, một tài khoản X có tên @chetaslua đã đăng một câu đã lan truyền dưới nhiều dạng khác nhau kể từ tháng 10: "Sonnet 5.5 Extra trông giống như đang định tuyến đến mô hình Claude tiếp theo." Đến sáng hôm sau, bài đăng đã có 20.900 lượt xem, 384 lượt thích và 38 câu trả lời. Mô hình mà nó nhắc đến là mô hình bạn có thể gọi ngay hôm nay — Claude Sonnet 5.5, ra mắt ngày 28 tháng 9 với giá 2 USD và 10 USD mỗi triệu token. Từ "Extra" không phải là một mô hình thứ hai. Đó là nấc cao thứ hai trên menu nỗ lực của Claude, mà Anthropic gọi là Extra high và API gọi là xhigh.

Hai bài kiểm tra được đưa ra làm bằng chứng: một câu hỏi về việc Andrej Karpathy đã đi đâu vào năm 2026, và một con bồ nông đi xe đạp được vẽ hoàn toàn bằng SVG. Cả hai bài kiểm tra đều vượt qua trên mô hình mà Anthropic phát hành vào tháng Chín. Đó chính là toàn bộ khó khăn của tuyên bố này. Một bài kiểm tra kiểm tra một sự kiện rơi vào một tháng nằm trong Claude Sonnet 5.5, cửa sổ huấn luyện của chính nó. Bài còn lại đo một đại lượng mà cài đặt Extra tồn tại để làm tăng. Cả hai đều không thể phân biệt "một mô hình tốt hơn đã trả lời" với "cài đặt tôi đã chọn đã làm đúng như tài liệu của nó nói."

Điều đó không làm cho bài viết trở nên vô giá trị. Nó khiến bài viết trở thành một mẫu rõ ràng của một phép thử tưởng chừng mang tính quyết định nhưng thực ra không phải vậy — và hai động thái mà bài viết sử dụng, một phép dò kiến thức và một phép so sánh kích thước đầu ra, cũng chính là hai động thái đằng sau hầu hết các tuyên bố về định tuyến trong mùa thu này. Việc xem xét từng bước của chúng hữu ích hơn là thêm một vòng đoán mò về những gì Anthropic chưa công bố.

Những gì thực sự đã được đăng

Bài đăng mô tả một phiên trò chuyện duy nhất và hai lời nhắc. Lời nhắc đầu tiên hỏi Karpathy đã chuyển đến đâu vào năm 2026 và chỉ thị cho mô hình không được dùng web; câu trả lời nói rằng ông đã gia nhập Anthropic vào tháng 5 năm 2026 trong nhóm pretraining. Lời nhắc thứ hai yêu cầu “bồ nông đi xe đạp chân thực nhất có thể chỉ bằng mã”, và kết quả được mô tả là 26.599 phần tử SVG, khoảng 6.500 nét lông, không có hình ảnh nhúng, URI dữ liệu hay script, và 1.860 dòng Python. Từ hai lượt trao đổi đó, người đăng kết luận rằng nhãn đang phục vụ một thứ gì đó mới hơn mô hình mà nó nêu tên.

Không có gì đi kèm. Không có mã nhận dạng mô hình, không có bảng giá, không có thẻ hệ thống, không có tuyên bố nào từ Anthropic. Mô hình kế nhiệm mà nó ám chỉ đã lưu hành dưới nhiều tên kể từ tháng 10, không tên nào là của Anthropic và không tên nào có thể gọi được. Danh sách mô hình của chính Anthropic, đọc hôm nay, có bốn mô hình hiện hành: Claude Fable 5.1, Claude Opus 5.5, Claude Sonnet 5.5 và Claude Haiku 5.5. Không có hàng thứ năm, và không có mã nhận dạng nào ở bất kỳ đâu trong bài đăng mà người đọc có thể kiểm tra.

“Extra” là gì, trước khi nó trở thành một bí ẩn

Menu effort trong các ứng dụng của Claude liệt kê năm mức — Low, Medium, High, Extra high (xhigh) và Max — với mức được mô hình đề xuất được đánh dấu là Default. “Extra” là cách mọi người rút gọn mức thứ tư. Tài liệu tham chiếu của chính Anthropic mô tả xhigh là năng lực mở rộng cho công việc dài hạn, nhắm đến “các tác vụ agentic và lập trình chạy dài (trên 30 phút) với ngân sách token lên đến hàng triệu.” Đó là việc nhà cung cấp nói trước với bạn rằng mức này được thiết kế để tiêu tốn nhiều hơn đáng kể so với mức bên dưới.

Nấc này cũng được hiệu chuẩn theo từng mô hình, không phải trên phạm vi toàn cục. Ghi chú chuyển đổi của Anthropic cho thế hệ này nói thẳng rằng các mức nỗ lực của Claude Sonnet 5.5 đã được hiệu chuẩn lại — một mức "không tạo ra lượng suy nghĩ như khi nó ở trên Claude Sonnet 5" — và bảo các nhà phát triển chạy lại đợt quét mức nỗ lực của họ thay vì mang một thiết lập sang. Kéo theo hai hệ quả, đều nhàm chán và đều chí mạng đối với suy luận đó. Một yêu cầu ở mức Extra trên Sonnet 5.5 không phải là cùng một yêu cầu như Extra trên phiên bản tiền nhiệm, vì vậy việc "nó có cảm giác khác với những gì tôi nhớ" là điều dự kiến. Và việc xoay nút từ High sang Extra là một chỉ dẫn chi nhiều token hơn, vì vậy một bản vẽ dài hơn, đặc hơn, công phu hơn chính là kết quả được yêu cầu.

Còn một chi tiết bề mặt nữa đáng để xác định rõ, vì đây là chỗ các nhãn không còn khớp. Mức effort mặc định của Claude API cho mô hình này là high; mặc định của Claude Code cho cùng mô hình là medium. Phản hồi từ ứng dụng ở mức Extra, phản hồi từ API ở mặc định của nó và phản hồi từ Claude Code ở mặc định của nó là ba cấu hình khác nhau của cùng một mô hình. So sánh bất kỳ hai trong số đó rồi kết luận rằng một mô hình mới đã xuất hiện là đang so sánh các mặc định, chứ không phải các checkpoint.

Bài kiểm tra một: một dữ kiện tháng Năm được đối chiếu với mốc cắt tháng Sáu

Câu hỏi Karpathy là phép thử mạnh hơn trong hai phép thử, vì khác với hầu hết các bài kiểm tra này, câu trả lời của nó có thể được đối chiếu với hồ sơ công khai. Điều đó khớp. Karpathy đã thông báo trên X vào ngày 19 tháng 5 năm 2026 rằng ông đã gia nhập Anthropic; ông bắt đầu làm việc vào tuần đó trong nhóm tiền huấn luyện, báo cáo cho Nick Joseph, và cho biết ông sẽ xây dựng một nhóm tập trung vào việc sử dụng Claude để tăng tốc nghiên cứu tiền huấn luyện. Câu trả lời mà bài đăng mô tả — đã gia nhập Anthropic, tháng 5 năm 2026, nhóm tiền huấn luyện — là chính xác.

Vấn đề nằm ở độ chính xác. Mốc kiến thức đáng tin cậy của Claude Sonnet 5.5 là tháng 6 năm 2026, và mốc dữ liệu huấn luyện của nó cũng vậy. Việc tuyển dụng xảy ra khoảng một tháng trước mốc đó. Một Claude Sonnet 5.5 đã được phát hành, khi được hỏi câu này trong lúc web bị tắt, lẽ ra phải trả lời được câu đó, và việc trả lời chính là điều tài liệu của nó dự đoán. Phép thử đã tạo ra kết quả null và kết quả đó được đọc như là phát hiện.

Cần nói chính xác về những gì một phép thử kiến thức có thể và không thể làm, vì đây chính là chỗ mà hầu hết những tuyên bố này đi sai.

• Một câu trả lời đúng về một sự kiện xảy ra trước thời điểm cắt là không mang lại thông tin. Mọi mô hình trong cùng dòng đều đã được huấn luyện về sự kiện đó.

Một câu trả lời sai lẽ ra sẽ hữu ích — theo hướng ngược lại. Nếu một mô hình lẽ ra phải biết về một người được tuyển dụng vào tháng 5 năm 2026 lại phủ nhận điều đó, thì đó là bằng chứng về một checkpoint khác, yếu hơn, chứ không phải một checkpoint mạnh hơn chưa được công bố.

• Chỉ một sự thật sau điểm cắt mới phân biệt được. Một sự thật được công bố sau tháng 6 năm 2026, mà không mô hình nào trong dòng hiện tại có thể đã được huấn luyện trên đó, chính là dạng câu hỏi duy nhất tách được một checkpoint mới khỏi một checkpoint cũ. Karpathy đã đăng một bài viết mô tả quy trình trên blog của riêng ông vào ngày 2 tháng 11. Hỏi về nội dung của nó khi tắt web sẽ là một phép thử thực sự. Còn hỏi anh ấy đã đi đâu vào tháng 5 thì không phải.

Bài kiểm tra hai: một phép đếm bồ nồng nhằm đo độ dài dòng.

Prompt con bồ nông là bài đánh giá ad-hoc lâu năm của Simon Willison, và ông đã chạy nó với Claude Sonnet 5.5 vào ngày 28 tháng 9, đúng ngày mô hình được phát hành. Các kết quả đã công bố của ông là đường cơ sở hữu ích ở đây, vì chúng có ghi ngày, có ghi nguồn và được đo đạc thay vì đếm bằng mắt.

• Ở mức nỗ lực tối đa — cao hơn một bậc so với mức mà bài đăng đã sử dụng — mô hình đã tiêu tốn 128.000 token đầu ra, chạm mức giới hạn, tốn 1,28 đô la, và hoàn toàn không tạo ra được SVG nào.

• Ở xhigh — bậc mà bài viết gọi là Extra — cùng mô hình đó đã tạo ra một con bồ nông trong 41 giây với giá 5,74 xu.

Đọc hai dòng đó cùng nhau thì bài kiểm tra thứ hai của bài đăng sụp đổ. Mô hình đã phát hành ở Extra vốn đã vẽ ra con chim — đó là lần chạy 41 giây, 5,74 cent — nên một con chim ở Extra không phải là bất thường. Mô hình đã phát hành ở một bậc trên Extra không vẽ ra gì cả, vậy nên trong tác vụ này, núm nỗ lực là biến chi phối với khoảng cách áp đảo, và núm nỗ lực chính là thứ duy nhất mà bài đăng đã thay đổi. Một kết quả thay đổi theo thiết lập mà bạn đã xoay chính là bằng chứng về thiết lập đó.

Số lượng phần tử xứng đáng có một phép tính riêng, vì đây là con số dễ bị lặp lại nhất. Anthropic nêu rằng 1M token tương đương khoảng 2.5M ký tự trên tokenizer hiện tại. Nếu 26,599 phần tử có độ dài trung bình 40 ký tự mỗi phần tử — một con số thận trọng khi đã tính cả dữ liệu đường dẫn và thuộc tính — thì bản vẽ sẽ vào khoảng 1.06M ký tự, tức khoảng 424,000 token. Con số đó nhiều hơn ba lần giới hạn đầu ra đồng bộ 128,000 token, và cũng vượt giới hạn batch 300,000 token. Nếu các phần tử có độ dài trung bình bảy ký tự, cùng số lượng đó sẽ vừa vặn thoải mái trong khoảng 74,000 token.

Vậy là số lượng bị giới hạn bởi mật độ đánh dấu, không phải bởi độ mạnh của mô hình, và một mô hình ngắn gọn hơn lại đăng một con số lớn hơn. Mô tả của chính bài đăng chỉ ra cách hiểu khả dĩ hơn: 1.860 dòng Python xuất hiện trong cùng cuộc trò chuyện, và một script lặp qua các lông chim có thể phát ra 26.599 phần tử mà không cần mô hình viết 26.599 phần tử. Bài đăng không nói liệu mã đó đã vẽ con bồ nông hay là một tạo tác riêng, mà đó chính xác là chi tiết người đọc sẽ cần. Điều có thể nói mà không cần tệp là số lượng phần tử là thước đo độ dài dòng trên một bậc thang mà nhiệm vụ được ghi rõ của nó là tạo ra nhiều hơn.

Dòng thực sự đáng chú ý trong phần mô tả là dòng phủ định: không có ảnh nhúng, không có data URI, không có script. Một con bồ nông ở mức chi tiết đó mà chỉ được dựng từ các primitive vector thì quả là một kết quả đáng ghi nhận. Tuy nhiên, đó là kết quả về chất lượng đầu ra, mà chất lượng đầu ra ở một thiết lập nỗ lực cao hơn lại là điều ít gây ngạc nhiên nhất mà một mô hình có thể mang lại.

Cách duy nhất được ghi nhận mà một Claude khác trả lời

Không có điều nào trong số này chứng minh rằng Anthropic sẽ không bao giờ phục vụ một yêu cầu dưới một nhãn với các trọng số khác nhau. Nhưng nó có nghĩa là tuyên bố đó phải giải thích các cơ chế mà Anthropic có tài liệu hóa, và cả hai cơ chế đều chỉ theo hướng ngược lại.

Đầu tiên là fallback khi bị từ chối. Một yêu cầu bị từ chối sẽ trả về HTTP 200 với stop_reason: "refusal" và một đối tượng stop_details nêu rõ lĩnh vực chính sách. Fallback phía máy chủ, được đặt bằng fallbacks: "default" và đang ở giai đoạn beta trên Claude API, sẽ thử lại các trường hợp từ chối cyber và frontier_llm trên Claude Sonnet 5 — mô hình cũ hơn, rẻ hơn. Đó là một trường hợp được ghi nhận trong tài liệu về việc một yêu cầu gửi tới Sonnet 5.5 được một thứ khác trả lời, và đó là một sự hạ cấp tự thông báo về mình trong phản hồi.

Cơ chế thứ hai là ràng buộc khối suy nghĩ. Các khối suy nghĩ ghi lại mô hình nào đã tạo ra chúng, và khi một cuộc hội thoại chuyển sang một mô hình không thể đọc chúng, API sẽ loại bỏ chúng trước khi mô hình nhìn thấy yêu cầu, đồng thời báo cáo việc loại bỏ trong input_transformations khi beta header được đặt. Đó là API cho bạn biết mô hình phục vụ đã thay đổi. Không có gì trong cả hai cơ chế nâng cấp một yêu cầu claude-sonnet-5-5 thành một mô hình mạnh hơn chưa được công bố dưới cùng chuỗi đó.

Việc thiếu một cơ chế không phải bằng chứng rằng không có gì đang xảy ra. Tuy nhiên, đó là tiêu chuẩn mà tuyên bố đó phải đáp ứng: một câu chuyện định tuyến chỉ luôn mô tả một cải thiện thì phải giải thích tại sao con đường duy nhất mà Anthropic công bố lại chạy xuống dốc và để lại biên lai.

Thứ gần nhất với một kiểm tra từ bên ngoài là chỉ số mà các đơn vị đánh giá độc lập chạy đối với mô hình mà Anthropic phát hành. Artificial Analysis xếp Claude Sonnet 5.5 ở mức 55 trên Intelligence Index v5.0.1 của mình, đứng thứ chín trong 69 mô hình so với mức trung vị là 37. Đó là một kết quả đọc của chuỗi như được cung cấp hôm nay, và đó là bề mặt mà trên đó một checkpoint mạnh hơn đáng kể ẩn dưới cùng một cái tên sẽ được kỳ vọng cuối cùng sẽ xuất hiện.

Một thử nghiệm có thể giải đáp điều đó sẽ trông như thế nào

Nếu bạn muốn biết liệu nhãn trước mặt mình có đang được một thứ khác phục vụ hay không, thì thí nghiệm này không khó. Chỉ là nó kém vui hơn việc đăng một con bồ nông.

• Ghim định danh, không phải nhãn. Gọi claude-sonnet-5-5 với một giá trị effort rõ ràng, để mỗi lần yêu cầu vẫn là đúng yêu cầu đó. Nhãn trong menu là bề mặt sản phẩm; định danh mới là đích nhắm.

• Lấy mẫu nhiều hơn một lần. Một phản hồi ở một mức là một giai thoại. Mười ở high và mười ở xhigh, cùng system prompt, cùng max_tokens, cho bạn hai phân phối. Effort tạo ra sự dịch chuyển trơn, đơn điệu về độ dài đầu ra. Một checkpoint khác có xu hướng tạo ra sự gián đoạn về nội dung mà độ dài không giải thích được.

• {{1}}Hãy dùng một sự thật sau mốc cắt.{{/1}} Mốc cắt tháng 6 năm 2026 nghĩa là {{2}}mọi thứ được công bố sau tháng 6 đều hợp lệ để dùng{{/2}} và {{3}}mọi thứ trước đó đều vô giá trị như một phép thử{{/3}}. {{4}}Đây là thay đổi duy nhất lẽ ra đã khiến bài kiểm tra ngày 5 tháng 11 đáng để tiến hành.{{/4}}

• Đọc đối tượng phản hồi, rồi hãy xem nó với sự hoài nghi. Các trường model, usage, stop_reason và stop_details đáng được ghi log, và một fallback từ chối hiện rõ ở đó. Nhưng những trường đó chỉ lặp lại điều máy chủ nói rằng nó đã làm. Chúng là một lời khai, không phải một sự kiểm tra — cùng loại bằng chứng với việc yêu cầu một mô hình tự mô tả về chính nó.

• Hãy tính giá trước khi chạy. Với mức $2 và $10 mỗi triệu token, một phản hồi 128.000 token tốn $1,28, đó là con số của Willison và cũng chính là bảng giá. Hai mươi phản hồi được phép chạy đến mức trần tốn khoảng $25.

Extra tính những khoản phí nào trong khi bạn chờ câu trả lời?

Có một câu hỏi thực tiễn nằm bên dưới tin đồn mà không phụ thuộc vào việc giải quyết tin đồn đó. Claude Sonnet 5.5 tính phần suy nghĩ như đầu ra, phần suy nghĩ được tính vào max_tokens, và Extra được ghi trong tài liệu là dành cho ngân sách token ở mức hàng triệu. Một phản hồi duy nhất tiêu tốn một triệu token đầu ra sẽ tốn $10 chỉ riêng ở phía đầu ra, theo một bảng giá mà nhiều nhóm đã chọn chính vì đó là hạng rẻ.

• Cao hơn Extra một bậc, lần chạy pelican được đo đã chạm giới hạn 128.000 token và tốn 1,28 USD mà không tạo ra bản vẽ nào. Chi phí của một yêu cầu thất bại trên mô hình này không phải bằng không.

• Xuống một bậc, cùng tác vụ đó hoàn thành trong 41 giây với chi phí 5,74 xu. Khoảng cách giữa hai bên là hơn hai mươi lần, và nó được quyết định chỉ bằng một menu thả xuống.

• Một nhóm chạy 1.000 yêu cầu Extra mỗi ngày với 30.000 token đầu ra mỗi yêu cầu đang chi 30 triệu token đầu ra mỗi ngày, tức 300 đô la, trước khi tính đến đầu vào.

Đó là phần mà người đọc có thể hành động ngay hôm nay bất kể Anthropic tung ra gì tiếp theo. Nếu Extra là một mô hình khác, món lợi bất ngờ là có thật nhưng không thể lên kế hoạch. Nếu Extra đúng như tên gọi của nó, thì một khối lượng công việc chưa được rà soát đối chiếu với high và medium đang phải trả giá cho mức độ kỹ lưỡng mà không ai đo lường.

OrcaRouter định tuyến Claude Sonnet 5.5 theo đúng mức $2 và $10 của chính nhà cung cấp, không cộng thêm phụ phí, và effort là một tham số theo từng yêu cầu thay vì một hợp đồng riêng, vì vậy việc quét effort qua các bậc chỉ là một vòng lặp trong script. Đó cũng là cách phòng ngừa trung thực trước một tuyên bố như thế này: ghim đúng định danh mô hình mà bạn muốn, chạy cùng một prompt ở từng bậc, và so sánh số token của chính bạn thay vì ảnh chụp màn hình. Khi không thể giải quyết một câu hỏi định tuyến từ bên ngoài, điều tốt nhất tiếp theo là một thiết lập nơi câu trả lời có thể đo được trên lưu lượng của chính bạn — và nơi việc chuyển đổi dự phòng sang mức high hoặc sang một mô hình khác là thay đổi cấu hình chứ không phải di chuyển.

Điều gì sẽ thay đổi trang này

Một mã định danh mô hình, một bảng giá, một thẻ hệ thống, hoặc một câu từ Anthropic nêu tên mô hình kế nhiệm. Chỉ cần một trong số đó là đủ để giải quyết câu hỏi trong một buổi chiều, và hiện nay không có cái nào trong số đó tồn tại. Cho đến khi có một cái, mô tả trung thực về thứ nằm sau nhãn chính là mô tả mà Anthropic công bố: Claude Sonnet 5.5, mốc cắt tháng 6 năm 2026, năm bậc nỗ lực, và một lý do được tài liệu hóa để tin rằng một con bồ nông lớn hơn ở mức cài đặt cao hơn chính là một con bồ nông lớn hơn ở mức cài đặt cao hơn.

Cách chính bài đăng đặt vấn đề đã làm lộ tẩy. Nó so sánh Extra với một kỳ vọng, chứ không phải với một phép đo — cùng bậc trên Sonnet 5, hoặc cùng bậc ở mức tối đa, hoặc một mốc chuẩn đã công bố từ tuần ra mắt. Những so sánh đó có tồn tại và đều rẻ. Cho đến khi có ai chạy chúng, “trông giống như định tuyến” chỉ là mô tả một menu thả xuống đang làm đúng việc của nó.