Thẻ tiêu đề được tạo ghi Gemini 4 Neon so với Claude Haiku 5.5, phụ đề Những đầu mút của một chiếc thang, với hai chồng nấc dọc đối diện nhau — một chồng bên dưới mỗi tên mô hình — và dòng Chín cài đặt, một chỉ mục bên dưới chúng.
Engineering & Research

Gemini 4 Neon vs Claude Haiku 5.5: Hai đầu của cùng một chiếc thang

Tác giả

jinhao.song

Ngày đăng

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

Đặt G​emini 4 Neon và Claude H​aiku 5.5 cạnh nhau trên một bảng thông số kỹ thuật, phép so sánh trông như một sự lệch pha: giá đầu vào gấp ba mươi lần, giá đầu ra gấp ba mươi lần, và một mô hình có giá một phần mười xu cho mỗi nghìn token so với mô hình kia có giá ba xu. Rồi bạn nhận ra cả hai mô hình đều được bán dưới dạng những chiếc thang bậc chứ không phải những điểm đơn lẻ. Neon có bốn mức tư duy và mặc định ở mức cao; H​aiku 5.5 có năm mức và mặc định ở mức trung bình. Khi bạn so từng bậc với từng bậc thay vì từng thẻ thông số với nhau, tỷ lệ gấp ba mươi lần không còn là con số thú vị nữa, và hình dạng của hai chiếc thang mới là thứ đáng để tranh luận.

Cả hai mô hình đều là phiên bản hiện hành. Claude H​aiku 5.5 đạt trạng thái khả dụng chung vào ngày 7 tháng 10 năm 2026 với giá 0,10 USD mỗi triệu token đầu vào và 0,50 USD mỗi triệu token đầu ra; G​emini 4 Neon ra mắt vào ngày 18 tháng 11 năm 2026 với giá 3,00 USD và 15,00 USD. Cả hai đều có cửa sổ ngữ cảnh 1 triệu token, đều nhận văn bản và hình ảnh, và đều tính lần lượt 0,01 USD và 0,15 USD cho đầu vào được lưu trong bộ nhớ đệm — cùng mức chiết khấu 95% áp dụng cho những mức giá cơ bản rất khác nhau.

Hai chiếc thang, chín cài đặt

Artificial Analysis chấm điểm từng bậc của cả hai mô hình trên cùng một bộ đánh giá gồm chín phần — AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 và Terminal-Bench-Science 0.1 — đồng thời công bố chi phí cho mỗi tác vụ của từng mô hình. Nhờ vậy, ta có chín điểm so sánh được thay vì hai, và chi phí mỗi tác vụ được đo trực tiếp thay vì suy ra từ bảng giá, nên nó đã tính luôn số token mà mỗi mô hình chọn sử dụng.

• Neon ở mức thấp — 44.1, 0,75 đô-la mỗi nhiệm vụ.

• Neon ở mức trung bình — 54.9, $1.90.

• Neon ở mức cao (mặc định) — 59,6, 3,74 USD.

• Neon ở xhigh — 61,4, $6,44.

• H​aiku 5.5 ở mức thấp — 18.6, $0.044.

• H​aiku 5.5 ở mức medium (mặc định) — 24.6, $0.092.

• Haiku 5.5 ở mức cao — 29.9, $0.159.

• Haiku 5.5 ở mức xhigh — 34.6, $0.248.

• H​aiku 5.5 ở mức tối đa — 36,5, $0,411.

Có hai điều rút ra ngay từ danh sách. Bậc rẻ nhất của Neon có điểm cao hơn bậc đắt nhất của H​aiku 7,6 điểm, và bậc đắt nhất của Neon tốn chi phí gấp 15,7 lần bậc đắt nhất của H​aiku, chứ không phải gấp 30 lần như bảng giá hàm ý. Cả hai điều đó đều không phải là sai lệch do làm tròn; cả hai đều đến từ cùng một nơi, đó là hai mô hình sử dụng token rất khác nhau ở phần cao nhất trong phạm vi của chúng.

Artificial Analysis model page for Claude Haiku 5.5 at Max effort, showing an Intelligence Index of 36, $0.10 input and $0.50 output per million tokens, $0.41 per Intelligence Index task, 298 million output tokens on the index against a 90-million median, 282 tokens per second, 180.94 seconds to first answer token, a default effort of medium and a 1M-token context window.

‘High’ có nghĩa là gì trên mỗi thẻ

Từ vựng là cái bẫy đầu tiên. Trên Neon, high là nấc mà mô hình được phát hành cùng — nấc bạn nhận được nếu không truyền tham số thinking nào. Trên H​aiku 5.5, high là nấc thứ ba trong năm nấc và mặc định là medium. Vì vậy, một phép so sánh được viết là "Neon high so với H​aiku high" là đang so sánh một giá trị mặc định với một giá trị không mặc định, và nó tạo ra khoảng cách 29,7 điểm mà không nhà cung cấp nào nhận ra là con số tiêu đề.

So sánh các mặc định thực tế — Neon ở mức high, Haiku ở mức medium — và khoảng cách nới rộng lên 35.0 điểm, vì mặc định của Haiku nằm thấp hơn một bậc so với tên gọi của nó. So sánh đỉnh của hai thang — xhigh so với max — và khoảng cách thu hẹp còn 24.9 điểm. Đó là mức chênh lệch mười điểm hoàn toàn do bạn quyết định gọi cặp cài đặt nào là phép so sánh, và nó rộng hơn khoảng cách giữa một số mô hình liền kề trên cùng một bảng xếp hạng.

Các bậc thang khớp nhau, và tác dụng của khoảng hở

Sắp xếp các nấc theo tên và khoảng cách chỉ số dịch chuyển trong một dải hẹp, từ 25,5 đến 30,3 điểm, không có xu hướng theo hướng nào:

• Ở mức thấp — Neon 44,1 so với H​aiku 18,6, khoảng cách 25,5 điểm, chi phí mỗi tác vụ gấp 17,0 lần.

• Ở mức trung bình — 54,9 so với 24,6, 30,3 điểm, 20,8x.

• Ở mức cao — 59,6 so với 29,9, 29,7 điểm, 23,6 lần.

• Ở vị trí dẫn đầu — 61,4 so với 34,6, 26,8 điểm, 25,9x.

Khoảng cách về trí tuệ là ổn định. Tỷ lệ chi phí thì không: nó tăng từ 17x lên 26x khi bạn đi lên các bậc thang, vì Neon tính giá cao hơn cho mỗi điểm suy nghĩ tăng thêm so với H​aiku. Đẩy H​aiku từ high lên xhigh mua được 4,7 điểm chỉ số với chi phí cao hơn 56% mỗi tác vụ. Đẩy Neon từ high lên xhigh mua được 1,8 điểm với chi phí cao hơn 72%. Ở biên, mô hình rẻ hơn là mô hình có lợi suất tốt hơn — điều này ngược với những gì tỷ lệ bảng giá gấp ba mươi lần sẽ khiến bạn kỳ vọng.

Bậc thứ năm là nơi lời khẳng định đổ vỡ.

H​aiku 5.5 có một nấc mà Neon không có: max. Đây cũng là nấc có giá trị kém nhất trong số các nấc mà cả hai mô hình cung cấp. Từ xhigh lên max, H​aiku tăng 1,85 điểm chỉ số và chi phí mỗi tác vụ tăng từ $0,248 lên $0,411 — tăng 66 phần trăm để đổi lấy mức cải thiện 5 phần trăm. Trong cùng bước đó, thời gian đo được đến token trả lời đầu tiên tăng vọt từ 46,2 giây lên 180,9 giây, khoảng gấp bốn lần.

Đó không phải là khuyết điểm riêng của H​aiku. Đó là hình ảnh của một tầng suy luận bổ sung khi bộ khung đã hết những thắng lợi dễ dàng: mô hình vẫn tiếp tục suy nghĩ và không còn cải thiện. Nhưng điều đó có nghĩa là bất kỳ ai trích dẫn 36.5 của H​aiku 5.5 cũng đang trích dẫn cấu hình duy nhất của mô hình đó tốn độ trễ gấp bốn lần so với cấu hình bên dưới nó, và bất kỳ ai trích dẫn 61.4 của Neon cũng đang trích dẫn cùng kiểu trần vì cùng kiểu lý do. Cả hai con số nổi bật đều là nấc cao nhất của một nấc thang trở nên dốc ở đoạn cuối.

Generated nine-bar horizontal chart titled Nine settings, one index, with Neon's four bars at 44.1, 54.9, 59.6 and 61.4 followed by Haiku 5.5's five bars at 18.6, 24.6, 29.9, 34.6 and 36.5 on a 0 to 65 AA Index axis, and a dashed reference line at 54.9 labelled Neon medium clears Haiku's ceiling. The footer reads Intelligence Index and thinking levels per Artificial Analysis v5.0.1, 18 November 2026 release.

Các token suy luận là cột ẩn.

Các con số chi phí theo từng tác vụ sẽ trở nên hợp lý khi bạn xem mỗi mô hình tự ghi ra bao nhiêu. Trong các lần chạy chỉ mục, Neon ở xhigh tạo ra khoảng 80,500 token suy luận và 61,100 token trả lời cho mỗi tác vụ. Haiku 5.5 ở max tạo ra khoảng 172,800 token suy luận và 53,200 token trả lời.

Vậy nên mô hình có bảng giá gấp ba mươi lần viết ít hơn một nửa lượng suy luận so với mô hình có bảng giá mười xu, ở đỉnh của cả hai bậc thang. H​aiku bù đắp cho việc là mô hình nhỏ hơn bằng cách suy nghĩ lâu hơn; Neon bù đắp cho mức giá cao hơn bằng cách suy nghĩ ít hơn. Đó là lý do tỷ lệ 15,7x trên mỗi tác vụ nằm thấp hơn nhiều so với 30x mà bảng giá gợi ý, và cũng là lý do tỷ lệ này rộng nhất ở mức cao — nấc mà thói quen dùng token của Neon gần với H​aiku nhất và bảng giá của nó đang gánh toàn bộ phần việc.

Cột còn lại trong cùng bảng là bịa đặt. Trên AA-Omniscience, tỷ lệ ảo giác của Neon ở cấu hình mặc định là 13,9%; của H​aiku 5.5 ở cấu hình mặc định là 40,4%, và 34,2% ở mức tối đa. Đó là mức chênh lệch gấp hai đến ba lần về tần suất mô hình khẳng định điều gì đó mà nguồn không ủng hộ, và không giống chỉ số, nó hầu như không cải thiện khi H​aiku leo lên các bậc cao hơn. Nếu khối lượng công việc của bạn thuộc kiểu mà một thông tin sai rất tốn kém để phát hiện, thì khoảng cách về chỉ số đang nói giảm nhẹ trường hợp dành cho Neon chứ không phải nói quá lên.

Nơi mô hình giá rẻ không còn rẻ nữa

Lợi thế về giá của H​aiku 5.5 là có thật và lớn nhất ở những công việc ngắn. Một lệnh gọi phân loại, một quyết định định tuyến, một lần viết lại một đoạn văn, một lần trích xuất từ biểu mẫu — bất kỳ thứ gì mà đầu ra chỉ vài trăm token — chỉ tốn vài phần trăm của một xu trên H​aiku và gần một xu trên Neon. Ở quy mô đó, tỷ lệ 30x gần như đúng theo nghĩa đen và khoảng cách chỉ số là không đáng kể, vì cả hai mô hình đều dễ dàng vượt qua ngưỡng.

Lợi thế thu hẹp dần khi tác vụ kéo dài, và nó thu hẹp vì hai lý do cộng dồn. Chi phí mỗi tác vụ của Neon chủ yếu đến từ input, đọc cache và ghi cache — trong các lần chạy chỉ mục, phần input chiếm 64 phần trăm hóa đơn ở mức cao — nên một tiền tố dài, ổn định đẩy mức giá hiệu dụng của Neon về phía mức giá cache $0.15 của nó. H​aiku nhận được cùng mức chiết khấu cache 95 phần trăm, nhưng trên mức giá cơ bản vốn đã rất nhỏ, nên có ít hơn để tiết kiệm. Và với công việc cần nhiều bước lập kế hoạch, thang của H​aiku dừng ở mức thấp hơn vị trí mặc định của Neon, nghĩa là dù có bao nhiêu token rẻ đi nữa cũng không mua được câu trả lời.

Có một hiệu ứng thứ ba đáng gọi tên vì dễ bị bỏ sót: Elo briefcase đo được — một bộ khung đánh giá khác, được tính điểm riêng biệt với chỉ số — thực ra lại ưu ái H​aiku ở vị trí dẫn đầu với khoảng cách hẹp hơn chỉ số. Neon xhigh đạt 1699 với khoảng tin cậy 95 phần trăm là 1688 đến 1710; H​aiku max đạt 1572. Ở các mức mặc định, khoảng cách là 1632 so với 1441. Vì vậy, một bộ khung đánh giá thứ hai, độc lập đồng ý về hướng nhưng không đồng ý về độ lớn, đây là tình trạng bình thường và là lý do để kiểm tra hai bảng xếp hạng trước khi chuẩn hóa.

Và có điều thứ tư, là điều mà bảng giá che giấu hoàn toàn. H​aiku 5.5 định giá theo hai bậc: $0.10 và $0.50 mỗi triệu token cho prompt tối đa 100.000 token, sau đó là $0.50 và $2.50 khi vượt ngưỡng, với giá đọc cache tăng từ $0.01 lên $0.05. Ngưỡng này tính toàn bộ đầu vào bao gồm cả đọc và ghi cache, nên một ngữ cảnh dài dễ vượt qua nó. Tại thời điểm đó, giá đầu vào của H​aiku gấp năm lần con số được nêu trong tiêu đề, giá đầu ra cũng gấp năm lần, và tỷ lệ so với mức $3.00 và $15.00 cố định của Neon — vốn không hề thay đổi theo ngưỡng nào — không còn là ba mươi lần nữa mà là sáu lần, hoặc ba lần đối với đầu ra. Bất kỳ ai so sánh hai bảng giá theo mệnh giá đều đang so sánh giá hai bậc với giá một bậc và coi bậc đầu tiên là toàn bộ câu chuyện.

Một quy tắc ra quyết định trụ vững qua các nấc thang

Bốn quy tắc, theo thứ tự quan trọng:

• Nếu tác vụ ngắn và câu trả lời có thể kiểm tra được, hãy dùng H​aiku 5.5 ở mức trung bình hoặc thấp và ngừng đọc. Khoảng cách chỉ mục không gây ràng buộc ở quy mô đó và chênh lệch giá là cực lớn.

• Nếu tác vụ cần lập kế hoạch nhiều bước hoặc thay đổi mã ở cấp độ repo, thì giới hạn trần của H​aiku mới là vấn đề, không phải giá của nó. Bậc tốt nhất của nó đạt 36.5; mức mặc định của Neon đạt 59.6. Lúc đó bạn không còn đánh đổi chi phí lấy chất lượng nữa, mà là đánh đổi một câu trả lời chạy được lấy một câu trả lời rẻ.

• Nếu bạn đã dùng Neon, đừng mặc định chọn xhigh. Bước từ high lên xhigh tốn thêm 72% mỗi tác vụ để đổi lấy 1,8 điểm chỉ số và thêm 16 giây thời gian đến token đầu tiên. Hầu hết pipeline sẽ được phục vụ tốt hơn với medium, mức 54,9 với một nửa giá so với mặc định.

Nếu bạn đang dùng H​aiku, đừng mặc định chọn max. Đây là lựa chọn đáng giá thứ tư trên cả hai bảng xếp hạng, và khoảng cách giữa nó với high là 6,6 điểm chỉ số với chi phí gấp 2,6 lần.

Không mô hình nào trong hai mô hình này nằm trong danh mục của OrcaRouter hiện nay, vì vậy không có nội dung nào ở đây là lời chào mời chuyển một trong hai mô hình sang khóa của chúng tôi. Những gì chúng tôi thực sự phục vụ, theo giá niêm yết của nhà cung cấp mà không cộng thêm, là Claude Haiku 4.5 với giá $1.00 và $5.00 mỗi triệu token và Gemini 4 Carbon với giá $2.00 và $10.00 — những phiên bản tiền nhiệm ở mỗi bên. Nếu cách tính theo bậc ở trên là kiểu điều bạn muốn kiểm thử trên lưu lượng của chính mình thay vì trên bảng xếp hạng, thì động thái hữu ích là chạy bậc rẻ của một mô hình bạn đã có thể gọi để đối chiếu với bậc đắt của mô hình bạn đang cân nhắc, trên cùng một khóa, với cơ chế chuyển đổi dự phòng bên dưới phòng khi bậc rẻ hóa ra không đạt được ngưỡng.

Tóm tắt một cách trung thực là hai mô hình này không thực sự cạnh tranh với nhau. Một bên là mô hình lập kế hoạch ở tầng tiên phong được bán với giá cao, bên kia là mô hình xử lý khối lượng lớn được bán gần mức sàn, và việc thang sản phẩm của chúng trùng nhau về tên gọi chứ không phải về dải chính là điều khiến phép so sánh có cảm giác gần nhau hơn thực tế. So sánh hai đầu — medium của Neon với max của H​aiku — và bạn có 54.9 với $1.90 so với 36.5 với $0.41. Mười tám điểm đổi lấy số tiền gấp bốn lần rưỡi là một quyết định về việc nhiệm vụ đáng giá bao nhiêu, không phải quyết định về việc mô hình nào tốt hơn.

Artificial Analysis model page for Gemini 4 Neon at Xhigh effort, showing an Intelligence Index of 61, $3.00 input and $15.00 output per million tokens, $6.44 per Intelligence Index task, 283 million output tokens on the index against a 65.4-million median, 110 tokens per second, 56.54 seconds to first answer token, a default effort of high and a 1M-token context window.