GPT-6.1 Sol so với Grok 4.6: Vấn đề Accept-Header, và khoảng cách 35 điểm không có thật

Trong thị trường mô hình hiện nay có một cặp so sánh mà ở đó lựa chọn rẻ hơn thắng thẳng ở bài kiểm tra khoa học khó nhất, vậy mà toàn bộ cuộc so sánh vẫn không nghiêng về phía nó. Grok 4.6, mô hình chủ lực của SpaceXAI kể từ ngày 12/08/2026, đạt 94,9% trên GPQA Diamond — các câu hỏi khoa học ở trình độ sau đại học — so với 42,9% trên Humanity's Last Exam của cùng mô hình đó, và có mức giá 2,00 đô la cho mỗi triệu token đầu vào và 6,00 đô la cho mỗi triệu token đầu ra. GPT-6.1 Sol, bản phát hành ngày 29/09/2026 của OpenAI, đạt 52,9% trên cùng bộ HLE đó và tính phí 10,00 đô la cho mỗi triệu token đầu ra. Vậy Grok 4.6 giỏi hơn ở một việc khó, rẻ hơn ở mọi dòng trong bảng giá, thế nhưng nửa sau của phép so sánh ấy mới là chỗ chứa vấn đề đáng quan tâm: hai mô hình không phải lúc nào cũng được hỏi cùng một câu hỏi.

Những con số dưới đây là các phép đo của Artificial Analysis được ghi trong hồ sơ mô hình của chính chúng tôi cho cả hai mô hình, các số liệu từ nhà cung cấp ở những chỗ được ghi nhãn, và dữ liệu phục vụ của chính chúng tôi. Đơn vị đánh giá và ngày tháng được nêu tên ở bất cứ nơi nào một con số có thể gây nhầm lẫn.

Số phiên bản đang thực hiện công việc

Hãy bắt đầu với những con số trông như một thất bại thảm hại nhưng không phải vậy. Artificial Analysis vận hành hai benchmark tác nhân terminal, và đã chấm điểm cả hai mô hình trên mỗi benchmark:

• Terminal-Bench 2.1 — Grok 4.6 đạt 88.39%; GPT-6.1 Sol không được liệt kê trên phiên bản này.

•Terminal-Bench 4.0 — Grok 4.6 đạt 21,21%; GPT-6.1 Sol đạt 56,06%.

Chỉ đọc hàng thứ hai và Grok 4.6 trông như không thể hoàn thành một tác vụ trong shell. Đọc cả hai thì rõ ràng rằng sự khác biệt nằm ở bộ khung đánh giá, không phải ở mô hình. Terminal-Bench 4.0 là một bản sửa đổi khó hơn của cùng ý tưởng đó, và hai mô hình được chấm điểm trên đó vào những thời điểm khác nhau — hồ sơ Artificial Analysis của GPT-6.1 Sol ghi ngày đánh giá là 2026-09-28, còn của Grok 4.6 ghi 2026-08-12. Khoảng cách 35 điểm giữa hai mô hình được đo cách nhau sáu tuần trên một chuẩn đánh giá đã được sửa đổi trong khoảng thời gian đó không phải là bằng chứng cho thấy một trong hai không thể sử dụng terminal. Đó là bằng chứng cho thấy bạn không nên so sánh hai ô đó.

Phiên bản trung thực của phép so sánh agentic là phiên bản hẹp hơn: Grok 4.6 đạt 88,39% trên Terminal-Bench 2.1, và không có con số GPT-6.1 Sol nào trên phiên bản đó để đặt bên cạnh nó. Đó là một lỗ hổng trong bằng chứng, và phần còn lại của bài viết này coi nó đúng là một lỗ hổng như vậy.

Hai thứ đó là gì

Grok 4.6 là mẫu flagship hiện tại của dòng Gro​k, được liệt kê là "Latest" trong tài liệu dành cho nhà phát triển của chính SpaceXAI, kế nhiệm Grok 4.5 với cùng cửa sổ ngữ cảnh 500.000 token và cùng bề mặt đầu vào văn bản, hình ảnh và tệp. Nó hỗ trợ nỗ lực suy luận có thể cấu hình, gọi công cụ gốc, đầu ra có cấu trúc, và toàn bộ bề mặt lấy mẫu — temperature, top_p, seed, logprobs, penalties — một chi tiết đáng chú ý: không giống như GPT-6.1 Sol, nó chấp nhận temperature.

GPT-6.1 Sol là một snapshot duy nhất — gpt-6.1-sol, không có biến thể gắn ngày — với cửa sổ ngữ cảnh 1.050.000 token, đầu ra tối đa 128.000, cùng bề mặt đầu vào văn bản và tệp, và năm mức effort mặc định là medium. Nó không chấp nhận temperature hoặc top_p; việc lấy mẫu được thay bằng núm effort.

Các hàng thông số kỹ thuật, được đặt cạnh nhau, theo các khía cạnh mà chúng khác biệt:

• Cửa sổ ngữ cảnh — 1.050.000 token cho GPT-6.1 Sol so với 500.000 của Grok 4.6. GPT-6.1 Sol chỉ hơn gấp đôi cửa sổ.

• Đầu ra tối đa — 128.000 token đối với GPT-6.1 Sol; mức trần đầu ra của Grok 4.6 không được công bố trong bản ghi danh mục của chúng tôi dành cho nó, đây là một trường chưa từng được điền giá trị chứ không phải là số không.

• Tham số lấy mẫu — temperature, top_p, seed và các tham số hình phạt hoạt động trên Grok 4.6 và bị GPT-6.1 Sol từ chối.

• Giá cơ bản — 2,00/6,00 USD cho Grok 4.6 so với 2,00/10,00 USD cho GPT-6.1 Sol, nằm trong bậc đầu tiên của cả hai mô hình.

Năm trục, một hướng đi rõ ràng

Hai mô hình chia sẻ đủ phép đo độc lập để được so sánh đúng cách, và hình dạng của kết quả là nhất quán:

• AA Intelligence Index — GPT-6.1 Sol 51,8, xếp hạng 10 trong số 147, phân vị thứ 93,2; Grok 4.6 44,3, xếp hạng 20, phân vị thứ 86,4.

• Kỳ thi cuối cùng của nhân loại — 52,9% so với 42,9%. Mười điểm, GPT-6.1 Sol.

• Khả năng ghi nhớ ngữ cảnh dài — 83% so với 80.33%.

• SciCode — 54,2% so với 56,5%. Grok 4.6 dẫn trước 2,3 điểm, là trục duy nhất trong bốn trục này mà nó dẫn đầu.

• GPQA Diamond — GPT-6.1 Sol không được liệt kê trên trục này trong hồ sơ của chúng tôi; Grok 4.6 đạt 94,9%, con số mạnh nhất trên thẻ điểm của nó.

Hai trong số các trục của Grok 4.6 không được đo ở phía GPT-6.1 Sol, và một trong số các trục của GPT-6.1 Sol không được đo ở phía Grok 4.6. Đó là dạng thức tiêu chuẩn của một so sánh giữa các mô hình được đánh giá theo các lịch trình khác nhau, và cách xử lý là để trống các ô thay vì điền chúng từ một bộ tài liệu ra mắt.

Cần phải đối soát một điểm trên Intelligence Index. Các bài đưa tin trước đây trên blog này xếp Grok 4.6 ở vị trí 61 trên cùng chỉ số đó. Hồ sơ hiện tại của chúng tôi có thêm một dòng mang giá trị đó, bên cạnh con số 44.3 ở trên — chỉ số đã được sửa đổi và chấm điểm lại, và cả hai kết quả đều tồn tại cho cùng một mô hình. Bất kỳ ai trích dẫn vị trí của Grok 4.6 trên chỉ số nên nói rõ họ đang nói đến bản sửa đổi nào, vì khoảng cách giữa 61 và 44.3 còn lớn hơn khoảng cách mà toàn bộ bài viết này đang bàn tới.

Bảng giá, và bước bên trong nó

Grok 4.6 rẻ hơn ở mọi dòng cơ sở và có danh sách dòng dài hơn. Bảng giá của nó:

• Lên đến 200.000 token prompt — $2.00 đầu vào, $6.00 đầu ra, $0.50 đầu vào được lưu trong bộ nhớ đệm.

• Trên 200.000 token prompt — toàn bộ yêu cầu được định giá lại thành $4,00 cho đầu vào, $12,00 cho đầu ra, $1,00 cho đầu vào được lưu trong bộ nhớ đệm.

GPT-6.1 của Sol:

• Lên đến 272.000 token prompt — 2,00 USD đầu vào, 10,00 USD đầu ra, 0,10 USD đầu vào được lưu vào bộ nhớ đệm, 2,50 USD ghi vào bộ nhớ đệm.

• Trên 272.000 token lời nhắc — toàn bộ yêu cầu được định giá lại thành $4,00 cho đầu vào, $15,00 cho đầu ra, $0,20 cho đầu vào được lưu trong bộ nhớ đệm, $5,00 cho ghi vào bộ nhớ đệm.

Cả bước, và cả hai bước đều rơi vào cùng một vùng độ dài prompt — nhưng hãy để ý những gì các bước làm với khoảng cách nổi bật. Bên trong bậc đầu tiên, đầu ra của Grok 4.6 rẻ hơn 40 phần trăm. Phía trên bước, ở mức $12.00 so với $15.00, nó rẻ hơn 20 phần trăm. Và với đầu vào được lưu trong bộ nhớ đệm, thứ tự đảo ngược hoàn toàn: $0.10 mỗi triệu của GPT-6.1 Sol bằng một phần năm mức $0.50 của Grok 4.6 trước bước và bằng một phần mười sau bước đó.

Đối với một khối lượng công việc dạng tác nhân đọc lại một tiền tố cố định dài ở mỗi lượt — một repo, một bộ hợp đồng, một bản ghi dài — hàng cache đó đáng giá hơn mức cơ sở, và nó chỉ theo hướng ngược lại. Đối với một khối lượng công việc tạo ra nhiều đầu ra từ một lời nhắc ngắn, mức 6,00 đô la của Grok 4.6 là ranh giới quyết định điều đó.

Dữ liệu phục vụ của riêng chúng ta, và lý do vì sao nên bỏ qua một phần của nó

Danh mục của OrcaRouter có một bảng phục vụ bảy ngày cho mỗi mô hình, và ở một trong hai mô hình này, đó là một tạo tác chứ không phải một phép đo. Bảng của Grok 4.6 hiển thị độ trễ p50 là 6.250 mili giây và tỷ lệ lỗi là 56,76%, trong một khoảng thời gian mà nó đã phục vụ 1.212.441 token. Bảng của GPT-6.1 Sol hiển thị p50 là 2.442 mili giây, 95,57 token đầu ra mỗi giây, tỷ lệ lỗi 6,36% và 421.752.431 token được phục vụ trong cùng bảy ngày.

Các con số lưu lượng là thứ cần đọc trước tiên, vì chúng giải thích phần còn lại. Một mô hình đã phục vụ 1,2 triệu token trong một tuần có mẫu quá mỏng để tỷ lệ lỗi có ý nghĩa nhiều — ở khối lượng đó, tỷ lệ 56,76% phản ánh vài chục lần thử, chứ không phải chất lượng dịch vụ, và coi đó là bằng chứng rằng Grok 4.6 không đáng tin cậy sẽ là đọc một hiện tượng giả do đo lường như thể đó là một phép đo. Bảng GPT-6.1 Sol của chúng tôi có lượng lưu lượng đằng sau lớn hơn khoảng 350 lần, khiến nó trở thành một con số dùng được về người dùng playground của chúng tôi và vẫn không phải là một thuộc tính của mô hình.

Điều chúng tôi không thể nói với bạn

So sánh này đang thiếu ba điều, và không điều nào trong số đó có thể được bù đắp bằng lý lẽ.

Đầu tiên là điểm terminal-agent cùng phiên bản cho cả hai mô hình. Cho đến khi Artificial Analysis chấm điểm Grok 4.6 trên Terminal-Bench 4.0, hoặc GPT-6.1 Sol trên 2.1, thì so sánh agentic chỉ dựa vào con số của một mô hình và sự im lặng của mô hình kia. Bất kỳ ai nói với bạn rằng mức chênh lệch 56,06% so với 21,21% là khoảng cách năng lực thì đang viện dẫn một khác biệt về bản sửa đổi.

Điều thứ hai là trần đầu ra của Grok 4.6. Trường này chưa được đo trong bản ghi của chúng tôi, nên một khối lượng công việc phụ thuộc vào những phản hồi đơn lẻ rất dài không có con số nào được công bố để lập kế hoạch dựa vào ở phía đó.

Điều thứ ba là chi phí thực tế của cả hai mô hình cho mỗi tác vụ đã hoàn thành. Playground của chúng tôi báo cáo chi phí trung bình mỗi tác vụ cho Claude Opus 5; nó không báo cáo con số đó cho cả hai mô hình này, và mức giá token ở trên là đầu vào tạo nên con số đó chứ không phải chính con số đó. Các số liệu do nhà cung cấp tự công bố của Open​AI cho GPT-6.1 Sol mô tả những cải thiện về chi phí mỗi tác vụ — Terminal-Bench Science 0.1 ở mức 5,47 USD mỗi tác vụ, so với 23,21 USD cho Claude Opus 5.5 và 23,80 USD cho GPT-6 Astra, ở mức nỗ lực tối đa — nhưng đó là các con số của Open​AI trên harness của Open​AI, chưa có ai bên ngoài tái lập được chúng, và chúng không nói lên điều gì về Grok 4.6.

Sự lựa chọn

Cả hai mô hình đều được định tuyến trên OrcaRouter theo giá niêm yết của nhà cung cấp với mức cộng thêm 0% — openai/gpt-6.1-sol ở mức $2.00/$10.00 với $0.10 cho đầu vào đã lưu đệm, và bậc trên 272K được áp dụng đúng như Open​AI đặt ra, và grok/grok-4.6 ở mức $2.00/$6.00 với bậc trên 200K được áp dụng đúng như SpaceXAI đặt ra. Một khóa duy nhất truy cập được cả hai, giá cả bám theo nhà cung cấp ngay trong ngày họ thay đổi thay vì vào chu kỳ thanh toán tiếp theo, và chuyển đổi dự phòng tự động nằm bên dưới để mô hình rẻ hơn có thể giữ một đường mà không phải là thứ duy nhất giữ nó.

Nếu khối lượng công việc có dạng câu hỏi và nặng về đầu ra — truy xuất và trả lời, tạo sinh với khối lượng lớn, bất cứ thứ gì không bao giờ vượt quá 200.000 token lời nhắc — thì Grok 4.6 là lựa chọn đáng mua hơn theo bảng giá, rẻ hơn 40 phần trăm ở hạng mục đó, và chỉ số 94,9% GPQA Diamond của nó là một con số độc lập, không phải một lời tuyên bố.

Nếu khối lượng công việc mang tính agentic, prompt dài hoặc nặng về cache, GPT-6.1 Sol là lựa chọn mặc định an toàn hơn: nó dẫn đầu trên mọi trục độc lập mà cả hai cùng có, ngoại trừ SciCode, chi phí đọc cache của nó chỉ bằng một phần năm của Grok 4.6, và giới hạn đầu ra được công bố của nó là một con số bạn có thể dựa vào để lập kế hoạch. Cửa sổ 500.000 token trên Grok 4.6 là hào phóng và cửa sổ 1.050.000 token trên GPT-6.1 Sol gấp đôi mức đó — nhưng với một prompt thực sự dài thì lúc đó cả hai đều đã bước vào các bậc tăng gấp đôi của mình, và đó là lúc khoảng cách giá thu hẹp còn 20 phần trăm và không còn là lý do để chọn một trong hai.

Phán quyết đứng vững trước bằng chứng: Grok 4.6 là mô hình rẻ hơn và GPT-6.1 Sol là mô hình được đánh giá chừng mực hơn, còn mức chênh lệch 35 điểm trên terminal-benchmark đang được lan truyền thực chất là so sánh hai phiên bản benchmark khác nhau, chứ không phải so sánh hai mô hình.