Gemini 3.6 Flash vs Grok 4.5: Tầng Hiệu suất so với Mô hình Tiên phong

Một sự làm rõ ngay từ đầu, vì nó khiến nhiều độc giả nhầm lẫn: mặc dù đôi khi bị gộp vào các tổng hợp phân khúc giá trị, Grok 4.5 là flagship tiên phong của xAI, không phải là mô hình giá rẻ. Elon Musk gọi nó là "Opus-class," và Artificial Analysis xếp nó vào số những mô hình mạnh nhất mà họ theo dõi. Ngược lại, Gemini 3.6 Flash là phân khúc hiệu suất của Google — được xây dựng cho khối lượng công việc thông lượng cao, độ trễ thấp thay vì đuổi theo vị trí đầu bảng xếp hạng. Vì vậy, đây không phải là cuộc cạnh tranh ngang hàng; đó là một con ngựa thồ hiệu suất đối đầu với một mô hình tiên phong thực thụ, và phần thú vị là các con số vẫn gần nhau đến mức nào.

Đó là lý do khiến nội dung này đáng đọc hơn là chỉ nhìn vào tiêu đề: Mức giá của Grok 4.5 đủ phải chăng để phép tính thông thường "trả gấp ba hay bốn lần cho mô hình thông minh hơn" không còn đúng ở đây nữa, do đó quyết định phụ thuộc vào điều bạn đang tối ưu hóa chứ không phải vào khả năng chi trả. So sánh này sẽ xem xét các thông số kỹ thuật, ý nghĩa thực tế của các con số benchmark, một ví dụ chi phí cụ thể bao gồm các bậc giá dựa trên ngữ cảnh của xAI, cùng với ba tình huống triển khai cụ thể.

Kết luận ngắn gọn. Grok 4.5 là mô hình mạnh hơn, thuộc cấp độ tiên tiến — Chỉ số Artificial Analysis Intelligence Index 54 và kết quả SWE-bench Verified 86,6% độc lập, đáng tin cậy — với mức giá vừa phải $2 / $6 cho mỗi 1 triệu token cho ngữ cảnh dưới 200K (tăng lên $4 / $12 cho trên mức đó). Gemini 3.6 Flash đạt điểm 50, có giá cố định $1,50 / $7,50 bất kể ngữ cảnh, và nhanh hơn nhiều (khoảng 303 tok/s so với khoảng 70) với cửa sổ ngữ cảnh gấp đôi (1M so với 500K). Grok chiến thắng về trí tuệ và lập trình; Flash chiến thắng về tốc độ, ngữ cảnh và khả năng dự đoán giá. Một lưu ý đáng được nêu ra ngay từ đầu: tỷ lệ ảo giác của Grok 4.5 được báo cáo là tăng mạnh ngay cả khi độ chính xác thô của nó được cải thiện.

Những điểm chính rút ra

•  Grok 4.5 là tiên tiến, không phải bình dân. AA Intelligence Index 54 so với 50 của Flash; xAI tiếp thị nó như một sản phẩm chủ lực "Opus-class".

•  Grok là người lập trình mạnh hơn. 86.6% SWE-bench Verified, được báo cáo độc lập qua vals.ai, so với không có con số công bố nào từ Flash.

•  Giá cả gần nhau hơn so với các bậc giá đề xuất. Grok với giá $2 / $6 (ngữ cảnh dưới 200K) thấp hơn giá đầu ra $7.50 của Flash; với ngữ cảnh trên 200K, giá nhảy lên $4 / $12.

• Flash nhanh hơn nhiều với nhiều ngữ cảnh hơn.~303 tok/s và ~1M ngữ cảnh so với ~70 tok/s (TTFT ~10.7s) và 500K ngữ cảnh của Grok.

• Grok có một cảnh báo về ảo giác. Tỷ lệ ảo giác của nó được báo cáo đã tăng mạnh qua từng thế hệ ngay cả khi độ chính xác được cải thiện.

• Độ dài ngữ cảnh thay đổi câu chuyện về chi phí. Giá của Flash là cố định ở mọi độ dài ngữ cảnh; giá của Grok tăng gấp đôi khi một lời gọi vượt quá 200K token.

• Câu trả lời tốt nhất thường là "cả hai." Grok 4.5 như một cấp độ leo thang cho lý luận và lập trình khó, Flash như mặc định nhanh, ngữ cảnh dài.

Chỉ số AA Intelligence Index là độc lập, mặc dù tài liệu của AA cho thấy sự không nhất quán về thứ hạng cho Grok 4.5 (#4 trong một bài viết so với #9 trên trang mô hình) — hãy trích dẫn số liệu thực tế một cách thận trọng. Grok đạt 86.6% SWE-bench Verified được báo cáo độc lập (vals.ai), điều này đáng tin cậy hơn so với tuyên bố chỉ từ nhà cung cấp. Giá của Grok được phân tầng theo độ dài ngữ cảnh, và tỷ lệ ảo giác của nó được báo cáo là đã tăng mạnh giữa các thế hệ. Hãy xác minh tất cả các số liệu này trước khi trích dẫn chúng.

Thông số kỹ thuật và giá, đặt cạnh nhau

• Nhà sản xuất / cấp bậc — Flash: Google (hiệu suất); Grok 4.5: xAI (flagship tiên phong, "Opus-class")

• Chỉ số Thông minh AA — Flash: 50; Grok 4.5: 54

•  Giá (vào/ra trên 1M) — Flash: $1.50 / $7.50 cố định; Grok 4.5: $2 / $6(<200K ngữ cảnh; $4 / $12 ở ≥200K)

• SWE-bench Verified — Flash: chưa có công bố; Grok 4.5: 86.6% (độc lập, vals.ai)

• Tốc độ xuất ra — Flash: ~303 tok/s; Grok 4.5: ~70 tok/s

•  Thời gian đến token đầu tiên — Flash: không được công bố riêng ở đây; Grok 4.5: ~10.7s

• Cửa sổ ngữ cảnh — Flash: ~1 triệu; Grok 4.5: 500 nghìn

•  Phương thức — cả hai: đầu vào đa phương thức (hình ảnh), đầu ra văn bản; Grok 4.5 đã loại bỏ đầu vào video từ phiên bản 4.3

•  Phù hợp nhất với — Flash: khối lượng lớn, độ trễ thấp, ngữ cảnh dài; Grok 4.5: suy luận khó & lập trình

Điểm thú vị là giá: đầu ra của Grok 4.5 thực ra rẻ hơn của Flash đối với các ngữ cảnh dưới 200K, vì vậy bạn không phải trả thêm phí lớn cho trí tuệ tiên phong — bạn đang trả bằng tốc độ (Flash nhanh hơn khoảng 4 lần) và độ dài ngữ cảnh (Flash gấp đôi). Một nơi mà bảng xoay chuyển mạnh là công việc ngữ cảnh dài: giá của Flash không bao giờ thay đổi theo độ dài ngữ cảnh, trong khi giá của Grok tăng gấp đôi ngay khi một cuộc gọi vượt quá 200K token, điều này nằm trong tầm với của một tài liệu lớn hoặc một dấu vết tác nhân dài.

Đi sâu vào điểm chuẩn: các con số thực sự đo lường cái gì

Điểm số tổng quan thì dễ trích dẫn nhưng cũng dễ hiểu sai, vì vậy đây là ý nghĩa thực sự của từng điểm số trước khi bạn xây dựng quyết định định tuyến dựa trên nó.

Chỉ số Trí tuệ Phân tích Nhân tạo (Artificial Analysis Intelligence Index) (Grok 4.5: 54, Flash: 50). Đây là điểm tổng hợp do bên thứ ba trung lập thực hiện, do đó nó làm cơ sở cho sự so sánh này thay vì các con số tiếp thị của từng nhà cung cấp. Khoảng cách 4 điểm là có thật nhưng khiêm tốn — nó thường biểu hiện dưới dạng ít lỗi hơn một chút trong các tác vụ đa bước hoặc mơ hồ, chứ không phải sự khác biệt rõ rệt. Đáng lưu ý: Tài liệu của chính Artificial Analysis không hoàn toàn nhất quán về vị trí của Grok 4.5, với một bài báo xếp nó ở vị trí #4 và trang mô hình của họ hiển thị #9. Sự không nhất quán đó không xóa bỏ khoảng cách 54-vs-50, nhưng đó là lý do chính đáng để bạn tự kiểm tra con số trực tiếp thay vì lặp lại ảnh chụp màn hình vô thời hạn.

SWE-bench Verified (Grok 4.5: 86,6%, Flash: chưa công bố). Chuẩn đánh giá này kiểm tra xem một mô hình có thể giải quyết các vấn đề GitHub thực tế hay không — vá lỗi để bộ kiểm thử của chính dự án vượt qua — điều này khiến nó trở thành một trong những tín hiệu cụ thể hơn về "liệu nó có thực sự có thể xuất xưởng mã" hiện có. Phần đáng yên tâm về con số của Grok là nó được báo cáo độc lập thông qua vals.ai thay vì chỉ là tuyên bố từ nhà cung cấp, vì vậy nó có trọng lượng hơn so với một con số tự báo cáo. Việc Flash không công bố gì ở đây không hẳn là điểm yếu mà là dấu hiệu về vị trí của nó: nó không cố cạnh tranh trên các chuẩn đánh giá mã biên giới, thay vào đó nó được tối ưu hóa cho khối lượng và tốc độ.

Cảnh báo về ảo giác. Các báo cáo cho thấy tỷ lệ ảo giác của Grok 4.5 đã tăng mạnh qua từng thế hệ — gần như tăng gấp đôi — ngay cả khi độ chính xác thô trên các thước đo khác được cải thiện. Sự kết hợp đó đáng được xem xét nghiêm túc thay vì phớt lờ: một mô hình vừa có năng lực cao hơn vừa dễ đưa ra tuyên bố sai một cách tự tin chính là dạng hồ sơ làm xói mòn lòng tin nhanh nhất trong môi trường sản xuất, bởi vì các câu trả lời sai trông cũng trau chuốt như các câu trả lời đúng. Đối với bất cứ điều gì mang tính thực tế quan trọng, điều đó cho thấy cần phải thực hiện một bước xác minh đầu ra của Grok bất kể các điểm số khác của nó có mạnh đến đâu.

Chi phí thực tế

Giá mỗi token là trừu tượng; chi phí mỗi tác vụ mới là thứ hiện trên hóa đơn của bạn. Lấy một cuộc gọi đại diện với 4.000 token đầu vào và 2.000 token đầu ra, và sử dụng mức ngữ cảnh dưới 200K của Grok 4.5 ($2 / $6 mỗi 1M) vì mức này chiếm phần lớn các cuộc gọi hàng ngày. Chi phí của Flash: (4K × $1,50 + 2K × $7,50) / 1M ≈ $0,021. Chi phí của Grok 4.5: (4K × $2 + 2K × $6) / 1M ≈ $0,020 — về cơ bản là ngang nhau, với token đầu ra rẻ hơn của Grok bù đắp cho token đầu vào đắt hơn. Khoảng cách thay đổi về hình dạng, không phải kích thước, khi một cuộc gọi vượt qua ngưỡng ngữ cảnh 200K của xAI: cả hai mức giá đều tăng gấp đôi lên $4 / $12, vì vậy một cuộc gọi với 250K token đầu vào và 5K token đầu ra sẽ khiến Grok tốn khoảng $1,06 so với khoảng $0,41 của Flash ở mức giá cố định không đổi — một sự chênh lệch không liên quan gì đến trí thông minh mà hoàn toàn liên quan đến lượng ngữ cảnh bạn cung cấp.

•  Chi phí mỗi cuộc gọi (4K in / 2K out, <200K tier) — Flash: ~$0.021; Grok 4.5: ~$0.020

•  100K cuộc gọi / tháng — Flash: ~$2,100; Grok 4.5: ~$2,000

•  1M cuộc gọi / tháng — Flash: ~$21,000; Grok 4.5: ~$20,000

• Chi phí tương đối — Flash: 1x baseline; Grok 4.5: ~0.95x (gần như ngang bằng trong hỗn hợp này, dưới ngưỡng 200K)

Không giống như một cặp đôi hiệu suất-vs-flag-ship thông thường, chi phí không thực sự là yếu tố quyết định ở đây — ở các độ dài ngữ cảnh hàng ngày, hai mô hình gần như chênh lệch không đáng kể. Rủi ro ngân sách thực sự nằm ở độ dài ngữ cảnh: nếu đẩy một tỷ lệ lớn các cuộc gọi vượt quá 200K token trên Grok, hóa đơn có thể tăng gấp đôi hoặc hơn, trong khi mức giá cố định của Flash và trần 1M lớn hơn khiến nó trở thành lựa chọn ổn định hơn cho khối lượng công việc lớn với kích thước prompt khó lường hoặc ngày càng tăng.

Ba tình huống thực tế

1. Một nhân viên hỗ trợ có khối lượng công việc lớn và nhạy cảm với độ trễ

Hàng triệu lượt tương tác ngắn, chủ yếu là thông thường, nơi mỗi giây chờ đợi đều được người dùng cảm nhận. Gemini 3.6 Flash là sự lựa chọn rõ ràng: chất lượng index-50 là quá đủ cho việc định tuyến, truy xuất và soạn thảo; lợi thế tốc độ nhanh gấp khoảng 4 lần giúp tương tác luôn nhanh nhạy; và mức giá cố định có nghĩa là sự gia tăng độ dài prompt từ một lịch sử hội thoại dài sẽ không âm thầm làm tăng gấp đôi hóa đơn như có thể xảy ra với Grok. Chỉ chuyển tiếp những yêu cầu hiếm hoi thực sự cần suy luận sâu hơn.

2. Một pipeline suy luận khó hoặc lập trình

Ít lần chạy hơn, nhưng mỗi lần đều quan trọng và một câu trả lời sai sẽ rất đắt đỏ. Grok 4.5 xứng đáng có mặt ở đây: lợi thế 4 điểm trên Chỉ số Thông minh (Intelligence Index) và cụ thể hơn, điểm số 86,6% trên SWE-bench Verified được xác nhận độc lập, chuyển thành đầu ra chính xác ngay lần thử đầu tiên cho những bài toán nhiều bước mà kịch bản này chứa đầy. Khoảng 10,7 giây thời gian đến token đầu tiên và tốc độ sinh chậm hơn là những sự đánh đổi chấp nhận được khi khối lượng thấp và giá trị của việc làm đúng cao — chỉ cần giữ một bước xác minh trong vòng lặp vì cảnh báo về hiện tượng ảo giác.

3. Xử lý tài liệu dài hoặc long-trace ở quy mô lớn

Đây là lúc sự khác biệt về cửa sổ ngữ cảnh và bậc giá không còn là chú thích nhỏ mà bắt đầu chi phối quyết định. Flash với cửa sổ ngữ cảnh khoảng 1M và giá phẳng có nghĩa là chi phí luôn dự đoán được khi tài liệu phát triển. Grok 4.5 có giới hạn cửa sổ ngữ cảnh 500K và giá của nó tăng gấp đôi ngay khi một cuộc gọi vượt quá 200K token, vì vậy xử lý hàng nghìn tài liệu dài trên Grok có thể trở nên đắt đỏ nhanh chóng theo cách không rõ ràng từ mức giá tiêu đề $2 / $6. Nếu bạn đang chạy ở quy mô thực tế, Flash là lựa chọn mặc định an toàn hơn, với Grok dành riêng cho những tài liệu thực sự cần khả năng suy luận bổ sung của nó.

Khi nào không nên sử dụng từng loại

Đừng sử dụng Grok 4.5 trong các sản phẩm tương tác nhạy cảm với độ trễ — với tốc độ khoảng 70 tok/s và thời gian đến token đầu tiên khoảng 10,7 giây, nó sẽ chậm hơn đáng kể so với Flash trong giao diện trò chuyện trực tiếp. Cũng hãy thận trọng khi dùng nó cho các quy trình quan trọng về độ chính xác mà không có bước xác minh: tỷ lệ ảo giác của nó được báo cáo là tăng mạnh qua các thế hệ, ngay cả khi độ chính xác thô được cải thiện — chính xác là đặc điểm tạo ra những câu trả lời sai đầy tự tin. Và nếu khối lượng công việc của bạn thường xuyên cần hơn 500K token ngữ cảnh, Grok đơn giản không thể chứa được, và việc đẩy khối lượng vượt quá ngưỡng giá 200K sẽ làm tăng gấp đôi hóa đơn của bạn mà không có lợi ích về trí tuệ.

Đừng chỉ dựa vào Gemini 3.6 Flash nếu giá trị sản phẩm của bạn phụ thuộc vào khả năng suy luận tiên phong hoặc độ chính xác của mã — khoảng cách 4 điểm trên Chỉ số Trí tuệ và việc thiếu số liệu SWE-bench được công bố đều cho thấy nó không được xây dựng để cạnh tranh ở mức đó. Nếu một bản vá lỗi sai hoặc một chuỗi suy luận nhiều bước bị bỏ lỡ thực sự gây tốn kém, thì đó chính xác là khoảng cách mà Grok 4.5 tồn tại để thu hẹp, ngay cả với thời gian phản hồi chậm hơn một chút.

Chọn cái nào?

Chọn Grok 4.5 khi độ chính xác trong các bài toán suy luận khó hoặc lập trình quan trọng hơn tốc độ thô: điểm dẫn đầu về Intelligence Index, điểm số SWE-bench Verified 86,6% được xác minh độc lập và mức giá dưới 200K vừa phải giúp dễ dàng biện minh cho khối lượng công việc đó — chỉ cần thêm một bước xác minh do lưu ý về ảo giác của nó. Chọn Gemini 3.6 Flash khi thông lượng, độ trễ hoặc độ dài ngữ cảnh chiếm ưu thế: nó nhanh hơn khoảng bốn lần, giữ gấp đôi ngữ cảnh và chi phí mỗi lần gọi ở mức khối lượng thông thường gần như nhau, bao phủ hầu hết lưu lượng sản xuất. Cũng như hầu hết các cặp ngựa thồ và tiên phong, thiết lập mạnh nhất cho nhiều nhóm là cả hai — Flash làm mặc định, Grok 4.5 làm đường leo thang cho các yêu cầu thực sự cần nó.

Câu hỏi thường gặp

Grok 4.5 có tốt hơn Gemini 3.6 Flash không?

Về trí thông minh và lập trình, đúng vậy — AA Index 54 so với 50, và điểm số SWE-bench Verified 86.6% được xác minh độc lập so với việc không có con số công bố nào cho Flash. Flash thắng về tốc độ và độ dài ngữ cảnh, và giá cả đủ gần nhau đến mức không bên nào là lựa chọn ngân sách rõ ràng.

Grok 4.5 có đắt hơn Flash không?

Không nhiều, và đôi khi rẻ hơn: ở dưới ngưỡng 200K ngữ cảnh, giá $2/$6 mỗi 1M của Grok tương đương khoảng $0,020 cho một cuộc gọi 4K đầu vào/2K đầu ra so với ~$0,021 của Flash. Tuy nhiên, vượt qua ngưỡng 200K ngữ cảnh, giá của Grok tăng gấp đôi lên $4/$12, điều này có thể khiến nó đắt hơn đáng kể cho các tác vụ ngữ cảnh dài.

Cái nào nhanh hơn?

Flash, rõ ràng — khoảng 303 tok/s so với ~70 tok/s của Grok 4.5, cộng với thời gian chờ ngắn hơn trước token đầu tiên. Đối với sử dụng tương tác hoặc thông lượng cao, Flash cảm thấy nhanh hơn đáng kể.

Có lo ngại về độ chính xác của Grok 4.5 không?

Các báo cáo chỉ ra rằng tỷ lệ hallucination của nó đã tăng mạnh qua từng thế hệ ngay cả khi độ chính xác thô của nó được cải thiện. Hãy xử lý các đầu ra trong các nhiệm vụ quan trọng về mặt sự thật bằng một bước xác minh.

Mô hình nào có cửa sổ ngữ cảnh lớn hơn?

Flash, với một khoảng cách rất lớn — khoảng 1 triệu token so với 500K của Grok 4.5. Flash cũng giữ giá cố định bất kể độ dài ngữ cảnh, trong khi giá của Grok tăng gấp đôi khi bạn vượt quá 200K token.

Chỉ số Artificial Analysis Intelligence Index có hoàn toàn đáng tin cậy ở đây không?

Nó độc lập, đó là lý do nó làm mốc cho sự so sánh này, nhưng tài liệu của Artificial Analysis cho thấy sự không nhất quán về thứ hạng đối với Grok 4.5 — #4 trong một bài viết so với #9 trên trang mô hình của nó. Xem khoảng cách 54-vs-50 là có tính định hướng thực tế nhưng hãy xác minh số liệu trực tiếp trước khi trích dẫn.

Điểm SWE-bench Verified cho Grok 4.5 có đáng tin cậy không?

Đáng tin cậy hơn hầu hết các con số chỉ từ nhà cung cấp: 86.6% được báo cáo độc lập qua vals.ai chứ không phải tự báo cáo bởi xAI. Flash không công bố con số tương đương, điều này tự nó cho thấy vị trí của nó.

Tôi có thể sử dụng cả hai mô hình cùng nhau không?

Đúng vậy — một mô hình phổ biến là sử dụng Flash làm mặc định cho các tác vụ khối lượng lớn, nhạy cảm với độ trễ hoặc ngữ cảnh dài, với Grok 4.5 làm cấp độ mở rộng cho các yêu cầu suy luận và lập trình khó nhất. Cả hai đều hoạt động trên điểm cuối duy nhất tương thích với OpenAI của OrcaRouter, vì vậy việc chuyển đổi theo từng yêu cầu không yêu cầu các tích hợp riêng biệt.

Kết luận

Gemini 3.6 Flash vs Grok 4.5 là sự đối đầu giữa một mô hình hiệu suất cao và một mô hình tiên phong — nhưng khoảng cách giá thông thường hầu như không xuất hiện ở đây. Chỉ số Thông minh cao hơn của Grok cùng điểm số lập trình được xác minh độc lập là những lợi thế thực sự, và mức giá dưới 200K của nó đủ gần với Flash để chi phí một mình không quyết định nhiều. Điều thực sự phân biệt chúng là tốc độ, độ dài ngữ cảnh và độ tin cậy: Flash nhanh hơn đáng kể với ngữ cảnh gấp đôi và giá cố định ở mọi độ dài, trong khi cảnh báo về hiện tượng ảo giác của Grok và ngưỡng 200K làm tăng gấp đôi giá là những sự đánh đổi đằng sau trí thông minh vượt trội của nó. Hầu hết các nhóm không nên chỉ chọn một — hãy chuyển các tác vụ suy luận khó và lập trình sang Grok 4.5, và gửi các công việc nhanh, ngữ cảnh dài và khối lượng lớn cho Flash. Xem các so sánh bên dưới để đặt Flash cạnh các mô hình khác.