GPT-5.5 vs Claude Opus 5: Cuộc đua lập trình không ai có thể chấm điểm công bằng

GPT-5.5 và Claude Opus 5 là hai mô hình mà hầu hết các nhóm thực sự muốn nói đến khi họ nói "mô hình lập trình tiên phong", và trên lý thuyết, chúng đủ gần nhau đến mức quyết định thường được đưa ra dựa trên một bảng benchmark. Đó là một sai lầm trong năm nay vì một lý do không liên quan gì đến khả năng của cả hai mô hình: GPT-5.5 sẽ bị ngừng cung cấp trên ChatGPT, ChatGPT Work và Codex vào ngày 14 tháng 10 năm 2026, và Codex là nền tảng mà một phần lớn người dùng lập trình của nó thực sự làm việc. Claude Opus 5 thì không đi đâu cả. Vậy nên câu hỏi đầu tiên trong màn so tài này không phải là mô hình nào viết mã tốt hơn — mà là mô hình nào vẫn trả lời yêu cầu bạn sắp gửi vào tháng 11.

Điều đó định hình lại phép so sánh, nhưng không giải quyết được nó. Nếu bạn gọi GPT-5.5 qua API hoặc qua một phiên Codex được xác thực bằng khóa API của riêng bạn, việc ngừng hỗ trợ không đụng đến bạn, và câu hỏi về năng lực vẫn còn nguyên tính thời sự đúng như hồi tháng Tư. Phần sau đây là phiên bản trung thực của câu hỏi đó, bao gồm phần mà hầu hết các trang so sánh bỏ qua: những con số nổi bật của cả hai mô hình được đo theo những cách có lợi cho bất kỳ ai đang chạy bài kiểm tra.

Câu trả lời một dòng

Nếu bạn cần phiên bản ngắn gọn nhất có thể bảo vệ được: Claude Opus 5 là mặc định an toàn hơn cho công việc lập trình trong môi trường production vào cuối năm 2026, vì nó rẻ hơn ở chi phí đầu ra, được đánh giá độc lập, và không bị ngừng hỗ trợ trong công cụ mà bạn có khả năng đang dùng nó. GPT-5.5 vẫn là lựa chọn mạnh hơn ở một số phương diện cụ thể — công việc agent gốc terminal, truy xuất ngữ cảnh dài, và hiệu quả token trong các tác vụ khó — và trên đường API, nó giữ được tất cả những điểm đó. Mọi thứ dưới đây là lý do đằng sau sự phân chia đó, cùng những lưu ý khiến nó không gọn gàng như nghe có vẻ.

Hai mẫu flagship ra mắt trong hai thế giới khác biệt

GPT-5.5 ra mắt ngày 23 tháng 4 năm 2026 với tư cách là mô hình tiên phong của OpenAI dành cho các khối lượng công việc chuyên môn phức tạp, được xây dựng dựa trên GPT-5.4 với khả năng lập luận mạnh mẽ hơn, độ tin cậy cao hơn và — tuyên bố mà OpenAI nhấn mạnh — hiệu quả token được cải thiện ở những tác vụ khó. Mô hình chấp nhận đầu vào là văn bản, hình ảnh và tệp, phục vụ khoảng 922K token đầu vào và 128K token đầu ra, với mức giá 5,00 USD cho mỗi triệu token đầu vào và 30,00 USD cho mỗi triệu token đầu ra, trong đó lượt đọc từ bộ nhớ đệm có giá 0,50 USD và mức giá cao hơn khi vượt quá 272.000 token đầu vào.

Claude Opus 5 là mẫu chủ lực của Anthropic cho các tác vụ đòi hỏi khả năng suy luận, lập trình và làm việc tác tử trong thời gian dài, và nó được tinh chỉnh cho một điểm yếu cụ thể vốn đeo bám việc lập trình tác tử: giữ được mạch lạc xuyên suốt những phiên làm việc rất dài, gồm nhiều bước và sử dụng công cụ dày đặc. Nó phục vụ ngữ cảnh 1M token với đầu ra lên đến 128K, chấp nhận đầu vào dạng văn bản, hình ảnh và tệp, đồng thời có mức giá $5.00 cho đầu vào và $25.00 cho đầu ra, với lượt đọc từ bộ nhớ đệm cũng ở mức $0.50. Nó thay thế các tham số lấy mẫu như temperature và top_p bằng một núm điều chỉnh mức độ nỗ lực suy luận, đây là khác biệt thực sự trong cách bạn tinh chỉnh nó chứ không phải ở những gì nó có thể làm.

So sánh thông số kỹ thuật

• Giá — GPT-5.5 5,00 USD/30,00 USD mỗi 1 triệu token so với Claude Opus 5 5,00 USD/25,00 USD mỗi 1 triệu; ngang nhau ở chi phí đầu vào, Claude Opus 5 rẻ hơn khoảng 17% ở chi phí đầu ra

• Đầu vào được lưu trong bộ nhớ đệm — cả hai đều $0.50 mỗi 1 triệu token, giảm giá 90% so với mức giá đầu vào

• Ngữ cảnh — GPT-5.5 ~922K đầu vào / 128K đầu ra so với Claude Opus 5 1M đầu vào / 128K đầu ra

• Các phương thức đầu vào — GPT-5.5 văn bản, hình ảnh, tệp so với Claude Opus 5 văn bản, hình ảnh, tệp; hai bên ngang bằng nhau ở điểm này

• Tinh chỉnh — cài đặt nỗ lực suy luận của GPT-5.5 từ none đến xhigh so với suy luận thích ứng của Claude Opus 5 thông qua thang điều chỉnh nỗ lực, không có temperature hay top_p

• Tính sẵn có — GPT-5.5 rời ChatGPT, ChatGPT Work và Codex vào ngày 14 tháng 10 năm 2026, nhưng không rời API, so với Claude Opus 5 trên mọi bề mặt Anthropic mà không có thông báo ngừng hỗ trợ.

Khi các tuyên bố về benchmark không còn có thể so sánh được nữa

Bắt đầu với bức tranh độc lập, vì đó là phần duy nhất trong chuyện này mà bất kỳ ai cũng có thể kiểm chứng. Artificial Analysis cho Claude Opus 5 điểm 51 trên Intelligence Index của mình. Nó cho GPT-5.5 điểm 39 trên chỉ số v4.3 hiện tại — và đáng nói hơn, nó đã gắn cờ GPT-5.5 là không còn được hỗ trợ và thu hẹp đánh giá của mình về lại các tác vụ mặc định 10.000 token. Điều đó đáng để đọc kỹ. Hồ sơ độc lập về GPT-5.5 không chỉ yếu hơn; nó đang khép lại, và một khi nó dừng lại, mọi con số vẫn còn lưu hành cho mô hình đó đều là con số của nhà cung cấp.

Về phía số liệu do nhà cung cấp công bố, các con số của chính OpenAI đặt GPT-5.5 ở mức 82,7% trên Terminal-Bench 2.0, 82,6% trên SWE-bench Verified và 58,6% trên SWE-bench Pro. Các con số của Anthropic dành cho Claude Opus 5 bao gồm 90,2 trên Terminal-Bench 2.1, 74,7 trên SWE-bench Pro và 68,0 trên JobBench. Phản ứng dễ xiêu lòng là đặt chúng cạnh nhau rồi tuyên bố người thắng cuộc. Đừng làm vậy — và hãy để ý rằng hầu hết các trang so sánh vẫn cứ làm thế.

Dòng Terminal-Bench là ví dụ rõ ràng nhất. Con số 82,7% của GPT-5.5 là trên Terminal-Bench 2.0; còn 90,2 của Claude Opus 5 là trên Terminal-Bench 2.1. Đó là những phiên bản benchmark khác nhau với các bộ nhiệm vụ khác nhau, và so sánh xuyên phiên bản thì không phải là một phép so sánh. Các dòng SWE-bench Pro thì ít nhất cũng cùng một bộ kiểm thử, và ở đó con số 74,7 của Claude Opus 5 so với 58,6 của GPT-5.5 là một khoảng cách thực sự và rộng — nhưng cả hai con số đều do nhà cung cấp tự báo cáo ở cả hai phía, và chưa con số nào được tái lập dưới cùng một điều kiện harness giống hệt nhau.

Vấn đề về harness, đó mới là câu chuyện thực sự.

Nếu có một phát hiện đáng rút ra từ cuộc so tài này, thì đó là việc lựa chọn harness tác động đến các mô hình này nhiều hơn khoảng cách giữa chúng. Một đánh giá trên arXiv nhận thấy GPT-5.5 đạt hiệu suất mạnh nhất dưới Claude Code và sau đó giảm 21,8 điểm khi chuyển sang OpenHands, trong khi Claude Opus 4.8 — điểm đối chiếu trong nghiên cứu đó — chỉ giảm 5,5 điểm trước cùng thay đổi ấy. Mức chênh 21 điểm chỉ từ scaffolding thôi đã lớn hơn hầu hết các khác biệt đối đầu trực tiếp đã được công bố giữa hai mô hình flagship.

Có một phiên bản thực tế của điều này mà cách diễn giải của chính OpenAI cũng thừa nhận: GPT-5.5 đạt 83,4% trên Terminal-Bench khi dùng harness Codex CLI gốc của nó, so với 72,1% trên một harness tiêu chuẩn. Nếu đánh giá của bạn chạy GPT-5.5 bên ngoài Codex, thì bạn đang đo một mô hình khác với mô hình trong bảng ra mắt.

Điều này có ý nghĩa với việc ngừng hỗ trợ theo một cách rất dễ bị bỏ sót. Nếu các con số GPT-5.5 của bạn được tạo ra bên trong Codex khi đăng nhập bằng ChatGPT, và đường đi đó đóng lại vào ngày 14 tháng 10, thì bạn không chỉ mất một mô hình — bạn đang mất bộ khung đánh giá mà benchmark của bạn được hiệu chuẩn theo. Hãy thiết lập lại đường cơ sở trên đường API trước khi kết luận bất cứ điều gì về cái giá mà bản kế nhiệm khiến bạn phải trả.

Chi phí cho mỗi tác vụ, không phải chi phí cho mỗi token

So sánh theo từng token thì khá đơn giản và hơi nghiêng về Claude Opus 5: cùng mức $5.00 cho đầu vào, $25.00 so với $30.00 cho đầu ra. Điểm thú vị nằm ở chi phí cho mỗi tác vụ hoàn thành, và ở đó bức tranh lại đảo ngược, bởi vì tuyên bố trọng tâm của OpenAI về GPT-5.5 là hiệu quả token — khoảng 40% ít token hơn trên các tác vụ tương đương, theo lời kể từ một số nhà phát triển. Nếu một mô hình hoàn thành cùng một công việc với ít hơn 40% token đầu ra, mức giá đầu ra $30 có thể tạo ra hóa đơn nhỏ hơn so với mức $25 trên một mô hình dài dòng hơn. Tuyên bố đó được đưa ra từ phía nhà cung cấp và chưa được tái lập độc lập, vì vậy hãy coi đó là một giả thuyết để kiểm chứng trên khối lượng công việc của riêng bạn, chứ không phải một sự thật đã ngã ngũ.

Cả hai mô hình đều nằm trong danh mục của chúng tôi, khiến việc chạy thử nghiệm đó một cách bài bản thay vì chỉ dựa trên giai thoại trở nên rẻ. Cả hai đều nằm sau một key duy nhất theo giá niêm yết của nhà cung cấp với 0% markup, nên một phép A/B trực tiếp trên lưu lượng của chính bạn chỉ là một chuỗi mô hình trong request body, chứ không phải một hợp đồng thứ hai — và mọi đợt điều chỉnh giá từ nhà cung cấp đều được cập nhật về phía chúng tôi ngay trong ngày được công bố. DSL định tuyến mới là phần hữu ích ở đây: chia lưu lượng trực tiếp giữa hai mô hình, giữ tỷ lệ phân chia ở mức mà ngân sách lỗi của bạn chịu được, và để các con số chi phí trên mỗi tác vụ đến từ production thay vì từ một trang benchmark.

Điều này có nghĩa gì trong sáu tuần tới

Với một đội đang đưa ra lựa chọn ở thời điểm hiện tại, quyết định này mang một sự bất đối xứng mà nếu chỉ nhìn thuần vào năng lực thì sẽ không thấy được. Claude Opus 5 là lựa chọn ít rủi ro hơn: được đánh giá độc lập, rẻ hơn ở chi phí đầu ra, và không có kế hoạch bị loại bỏ khỏi các sản phẩm mà nó được bán trong đó. GPT-5.5 không phải là một mô hình tồi — nó là một mô hình mạnh với lợi thế thực sự trong công việc agentic gốc terminal — nhưng chọn nó theo hướng đăng ký nghĩa là chọn một mô hình có ngày hết hạn đã biết chỉ sau sáu tuần nữa, còn theo hướng API nghĩa là chấp nhận một hồ sơ độc lập mỏng hơn và đang thu hẹp dần.

Lập trường có thể biện hộ được là giữ GPT-5.5 ở nơi nó thắng một cách rõ ràng và nơi bạn kiểm soát đường đi — API, một phiên Codex dùng API key — và đặt Claude Opus 5 làm mặc định ở mọi nơi khác. Điều đáng lẽ phải khiến bạn đổi ý theo hướng nào cũng không phải là marketing của cả hai mô hình: mà là lần chạy đối đầu trực tiếp trung lập đầu tiên dưới một khung thử nghiệm cố định duy nhất, và bất cứ điều gì OpenAI công bố về việc liệu đường API cho GPT-5.5 có tồn tại qua thời điểm sản phẩm bị khai tử hay không.

Cả hai phía của màn đối đầu này đều nằm sau một khóa duy nhất: GPT-5.5 và Claude Opus 5 chỉ cách nhau đúng một chuỗi mô hình, với cơ chế tự động chuyển sang dự phòng giữa hai bên.