GPT-6.1 Sol so với Claude Opus 5: Cách nhau một điểm chỉ số, giá cao gấp hai lần rưỡi

Một điểm trên thang điểm một trăm là khoảng cách giữa chúng, và một trong hai có giá đắt gấp hai lần rưỡi. Trên Chỉ số Trí tuệ Artificial Analysis, GPT-6.1 Sol — bản phát hành ngày 2026-09-29 của OpenAI — đạt 51,8. Claude Opus 5, mô hình chủ lực của Anthropic kể từ ngày 2026-07-24, đạt 50,8. Bảng giá là 2,00 USD và 10,00 USD mỗi triệu token đối với GPT-6.1 Sol, so với 5,00 USD và 25,00 USD đối với Claude Opus 5. Đây không phải là phép so sánh giữa một mô hình mạnh và một mô hình rẻ. Đây là hai mô hình mà một đơn vị đánh giá độc lập không thể tách biệt hơn một điểm, được bán với mức giá chênh nhau 2,5 lần — và câu hỏi đáng quan tâm không phải là mô hình nào tốt hơn, mà là chỉ số này đang không phân biệt được mô hình nào trong hai.

Mọi con số dưới đây hoặc là phép đo của Artificial Analysis được ghi trong hồ sơ mô hình của chúng tôi, hoặc là số liệu do chính nhà cung cấp công bố, hoặc là kết quả tính toán trên hai bảng giá. Khi một con số là của riêng nhà cung cấp và chưa có ai bên ngoài tái lập được nó, câu văn sẽ nói rõ như vậy.

Hai thứ đó thực sự là gì

Claude Opus 5 là mô hình đa năng hàng đầu của Anthropic: cửa sổ ngữ cảnh 1.000.000 token, 128.000 token đầu ra, đầu vào văn bản, hình ảnh và tệp, cùng khả năng suy luận thích ứng, trong đó người gọi đặt mức độ nỗ lực thay vì temperature. Đây là mô hình mà công ty định vị cho kỹ thuật phần mềm từ đầu đến cuối, đánh giá mã và các phiên tác nhân nhiều bước kéo dài với việc sử dụng nhiều công cụ.

GPT-6.1 Sol thấp hơn một bậc so với mẫu flagship của chính OpenAI — GPT-6 Astra — trong dòng GPT-6, và nó được phát hành sáu tuần sau mẫu mà nó thay thế, GPT-6 Sol, với cùng mức giá $2.00/$10.00. Nó có cửa sổ ngữ cảnh 1.050.000 token, cùng giới hạn đầu ra 128.000, cùng các dạng đầu vào văn bản, hình ảnh và tệp, và năm mức nỗ lực suy luận từ thấp đến tối đa với mức trung bình là mặc định.

Hãy đọc hai đoạn văn đó cạnh nhau và các hàng thông số kỹ thuật gần như giống hệt nhau. Những khác biệt nằm ở phần chữ nhỏ, và ba trong số đó mới đáng lưu tâm:

• Tham số lấy mẫu — cả hai mô hình đều không chấp nhận temperature hay top_p. Cả hai đều thay thế chúng bằng một núm điều chỉnh effort. Nếu mã của bạn truyền temperature, cả hai sẽ từ chối nó, vì vậy không mô hình nào có thể thay thế trực tiếp cho một tích hợp cũ.

• Giới hạn ngữ cảnh — 1.050.000 token cho GPT-6.1 Sol so với 1.000.000 của Claude Opus 5. Chênh lệch năm phần trăm; không có ý nghĩa trên thực tế, và cũng không phải là yếu tố quyết định cho lựa chọn này.

• Mặc định về mức độ nỗ lực — GPT-6.1 Sol mặc định ở mức trung bình; khả năng suy luận thích ứng của Claude Opus 5 tự phân bổ độ sâu. Mọi thứ trong phần so sánh chỉ số dưới đây đều nhạy cảm với điều này, và đó chính là lưu ý sẽ được đề cập ở phần sau.

Năm trục mà cả hai đều được đo trên đó

Đây là phần mà hầu hết các bài viết về cặp mô hình này làm sai, vì họ trộn một con số từ nhà cung cấp ở một bên với một con số của bên thứ ba ở bên kia. Năm hàng dưới đây đều là Artificial Analysis, đều đến từ cùng một đơn vị đánh giá, cho cả hai mô hình:

• AA Intelligence Index — GLM-6.1 Sol 51,8 (hạng 10, bách phân vị 93,2) so với Claude Opus 5 50,8 (hạng 11, bách phân vị 92,5). Một điểm.

• Humanity's Last Exam — 52,9% so với 54,9%. Claude Opus 5 cách biệt hai điểm.

• SciCode — 54,2% so với 56,4%. Claude Opus 5 dẫn trước 2,2 điểm.

• Khả năng nhớ lại ngữ cảnh dài — 83% so với 79,33%. GPT-6.1 Sol kém 3,7 điểm.

• Terminal-Bench 4.0 — 56,06% so với 48,99%. GPT-6.1 Sol hơn bảy điểm.

Ba trên hai, với cách biệt từ một đến bảy điểm, ở mức giá gấp 2,5 lần. Có một trục thứ sáu mà chỉ riêng Claude Opus 5 nắm giữ — GPQA Diamond ở mức 93,2% — và một trục thứ bảy mà nó cũng nắm giữ một mình theo chiều ngược lại: Artificial Analysis chấm Claude Opus 5 78 điểm trên Coding Index của mình, thuộc phân vị thứ 98,6, xếp hạng 2. GPT-6.1 Sol hoàn toàn không được liệt kê trên trục đó trong hồ sơ của chúng tôi, nên không có con số nào để đặt bên cạnh nó, và bịa ra một con số từ bộ slide của nhà cung cấp chính là kiểu hành động mà blog này không làm.

Nơi mức giá cao vẫn còn có thể biện minh được

Chênh lệch chỉ số một điểm sẽ là một lý do quá mỏng manh để trả gấp 2,5 lần, nếu đó là toàn bộ bức tranh. Nhưng không phải vậy, và có ba trường hợp mà Claude Opus 5 là lựa chọn mua tốt hơn, bất kể chỉ số nói gì.

Đầu tiên là dòng Coding Index ở trên. Xếp hạng 2 trong số 138 mô hình trên chỉ số tổng hợp của chính bên đánh giá, ở phân vị thứ 98,6, là một tuyên bố cụ thể về một loại công việc nhất định, và đó chính là loại công việc mà hầu hết các nhóm mua ở mức giá này đang làm. Trang mô hình OrcaRouter của chúng tôi cho anthropic/claude-opus-5 ghi "Xếp hạng #1" so với benchmark Codex và chi phí trung bình 1,09 USD mỗi tác vụ — dữ liệu phục vụ của chính chúng tôi, không phải tuyên bố của nhà cung cấp, và là lời nhắc rằng giá mỗi token không phải là giá mỗi công việc.

Thứ hai là batch. Claude Opus 5 có mức chiết khấu batch 50 phần trăm, đưa chi phí xuống còn 2,50 đô la cho đầu vào và 12,50 đô la cho đầu ra, đồng thời cho phép 300.000 token đầu ra ở chế độ batch so với 128.000 trên luồng tương tác. Ở mức 2,50/12,50 đô la, nó không còn đắt gấp hai lần rưỡi giá đầu vào của GPT-6.1 Sol nữa — mà chỉ cao hơn 25 phần trăm. Với bất kỳ khối lượng công việc nào chấp nhận được hàng đợi — lập chỉ mục ngoại tuyến, phân loại hàng loạt, tạo bài kiểm tra qua đêm — toàn bộ luận điểm của bài viết này trở nên nhỏ hơn nhiều, và nó nhỏ hơn theo hướng có lợi cho Anthropic.

Thứ ba là hệ số nhân đa phương thức khiêm tốn. Các số liệu do chính Anthropic công bố đặt Claude Opus 5 ở mức 70,6% trên OSWorld 2.0 và 96,0% trên SWE-bench Verified, với 79,2% trên SWE-bench Pro. Đó là những con số do nhà cung cấp báo cáo về một mô hình được công bố vào tháng Bảy, chưa có ai bên ngoài tái lập chúng ở đây, và các trục đánh giá không trùng với các dòng Artificial Analysis ở trên — vì vậy chúng không thể được cộng vào bảng điểm đó. Chúng chỉ đáng để đọc như một dấu hiệu cho thấy Anthropic đang tuyên bố thế mạnh cụ thể về sử dụng máy tính và kỹ thuật quy mô kho mã, đó chính là nhóm người mua mà mô hình này được định giá hướng tới.

Các bảng giá, bao gồm cả hàng mà chỉ một trong số chúng có

Claude Opus 5 tính phí $5.00 và $25.00 cố định trên toàn bộ cửa sổ một triệu token của nó, với đọc bộ nhớ đệm ở mức $0.50 và ghi bộ nhớ đệm ở mức $10.00. GPT-6.1 Sol tính phí $2.00 và $10.00 cho tối đa 272.000 token prompt, sau đó định giá lại toàn bộ yêu cầu ở mức $4.00 và $15.00 khi vượt ngưỡng đó, với đọc bộ nhớ đệm tăng từ $0.10 lên $0.20 và ghi bộ nhớ đệm từ $2.50 lên $5.00. Sự đảo ngược mà điều đó tạo ra là hệ quả thực tiễn của việc mua ngữ cảnh dài từ một trong hai mô hình:

• Một prompt 250.000 token — GPT-6.1 vẫn ở bậc đầu tiên, mức $2.00/$10.00 so với $5.00/$25.00. Đây là yêu cầu ngữ cảnh lớn rẻ nhất trong bảng so sánh.

• Một prompt 300.000 token — GPT-6.1 Sol đã nhích lên $4.00/$15.00, còn Claude Opus 5 vẫn không thay đổi. Khoảng cách thu hẹp từ 2,5× xuống 1,25× ở đầu vào và 1,67× ở đầu ra.

• Đọc bộ nhớ đệm — $0.10 mỗi triệu cho GPT-6.1 Sol, so với $0.50 cho Claude Opus 5, đều nằm trong bậc giá đầu tiên của cả hai mô hình. Trong một phiên tác tử dài phải đọc lại cùng một tiền tố, dòng này tác động đến hóa đơn nhiều hơn cả những mức giá được nêu bật.

• Ghi cache — $2.50 so với $10.00. Cùng hướng, cùng bậc độ lớn.

Đó là một điểm thực tế và không hào nhoáng: con số 2,5× trên tiêu đề chỉ đạt được nhờ những prompt ngắn. Ngay khi một khối lượng công việc vượt mốc 272.000 token, GPT-6.1 Sol cũng được định giá như một mô hình cao cấp, và so sánh trung thực sẽ trở thành “một mô hình cao cấp với bộ nhớ đệm rẻ hơn nhiều” đối đầu với “một mô hình cao cấp với bảng giá cố định”.

Tại sao một điểm không nên tự mình quyết định điều này

Các hàng chỉ số ở trên không được thu thập trong cùng một ngày, và điều đó ở đây quan trọng hơn so với hầu hết các phép so sánh. Bản ghi Artificial Analysis của GPT-6.1 Sol mang ngày đánh giá là 2026-09-28. Còn bản ghi của Claude Opus 5 là 2026-07-23 — sớm hơn chín tuần, trên một harness đã được chỉnh sửa trong suốt khoảng thời gian đó.

Có một dấu hiệu rõ ràng về điều đó trong hồ sơ của chính chúng tôi. Đưa tin trước đó về Claude Opus 5 đặt nó ở mức 61 trên Chỉ số Trí tuệ và đứng đầu bảng xếp hạng. Bản ghi danh mục chúng tôi đọc hôm nay đặt cùng mô hình đó ở mức 50.8, xếp hạng 11. Cả hai đều có thể đúng: chỉ số đã được sửa đổi, và điểm số tổng hợp rất nhạy với mức nỗ lực suy luận mà người đánh giá lựa chọn — Claude Opus 5 đạt mức cao nhất với nỗ lực tối đa, còn bản ghi chúng tôi lưu giữ hoàn toàn không được chú thích bằng cài đặt nỗ lực nào. Con số 51.8 của GPT-6.1 Sol cũng mang cùng sự mơ hồ đó.

Điều đó có ý nghĩa gì đối với một quyết định mua hàng thì hẹp nhưng quan trọng. Khoảng cách một điểm giữa hai mô hình được đánh giá cách nhau chín tuần, trên một chỉ số tổng hợp đang thay đổi, ở các thiết lập nỗ lực không được nêu rõ, không chứng minh được rằng mô hình này thông minh hơn mô hình kia. Điều mà năm hàng đó thực sự xác lập là chúng nằm trong cùng một dải — và một kết quả cùng dải ở mức giá gấp 2,5 lần là một thực tế thu mua, không phải một thực tế hiệu năng.

Cái nào để định tuyến

Hãy lấy mô hình bạn định mua và kiểm tra nó với mô hình kia. Nghe có vẻ như một câu sáo rỗng, nhưng đó là động thái duy nhất mà bằng chứng thực sự ủng hộ ở đây, và cả hai mô hình đều có thể truy cập được từ một endpoint tương thích Open​AI duy nhất — openai/gpt-6.1-sol và anthropic/claude-opus-5 trên OrcaRouter — vì vậy bài kiểm tra chỉ là thay đổi chuỗi mô hình, không phải hợp đồng thứ hai và không phải viết lại. Giá là mức giá niêm yết của nhà cung cấp với 0% markup: $2.00/$10.00 với bậc trên 272K được áp dụng đúng như Open​AI đặt ra, và $5.00/$25.00 với chiết khấu theo lô được áp dụng đúng như Anthrop​ic đặt ra, điều này cũng có nghĩa là thay đổi giá của nhà cung cấp sẽ có hiệu lực ngay bên phía chúng tôi trong cùng ngày thay vì vào kỳ thanh toán tiếp theo. Khi cả hai được định tuyến, failover tự động nằm bên dưới, điều này thật đáng có khi mô hình rẻ hơn trong hai mô hình lại là mô hình đang nắm giữ một đường dẫn production.

Nếu bạn muốn có một mặc định trước khi có số liệu của riêng mình, thì sự phân chia mà bằng chứng ủng hộ là thế này. Chọn GPT-6.1 Sol khi khối lượng công việc có prompt dài, nặng về cache, hoặc có dạng terminal-và-công cụ — các hàng Long-Context Recall và Terminal-Bench 4.0 là hai mức chênh lệch rộng nhất trong so sánh, và mức đọc cache $0.10 là một đòn bẩy lớn đối với các phiên agentic vốn đọc lại một tiền tố. Chọn Claude Opus 5 khi khối lượng công việc là lập trình quy mô kho mã, khi chấp nhận được việc chạy theo lô, hoặc khi prompt vừa trong 128,000 token và chi phí mỗi tác vụ mà sân chơi của chính chúng tôi đo được là $1.09 chính là con số mà đội tài chính của bạn đã phê duyệt.

Phán quyết mà cặp sản phẩm này nhận được thì hẹp hơn mức cả hai nhà cung cấp mong muốn. Xét trên đo lường độc lập, hai sản phẩm này thực tế ngang ngửa nhau; còn về giá thì không, và giá chính là trục mà một trong hai không thể dùng lý lẽ để thoát ra.