GPT-6.1 Sol vs Kimi K3.1 Pro: Cùng mức $2/$10, chênh ba điểm chỉ số và khoảng cách 2,9 lần về chi phí mỗi tác vụ

Kimi K3.1 Pro và GPT-6.1 Sol có cùng mức giá niêm yết, và đó là điều ít thú vị nhất về chúng. Moonshot phát hành K3.1 Pro vào ngày 23 tháng 10 năm 2026 với giá $2.00 cho mỗi triệu token đầu vào và $10.00 cho mỗi triệu token đầu ra; OpenAI phát hành Sol vào ngày 29 tháng 9 với mức giá y hệt. Trên Artificial Analysis, K3.1 Pro đạt 55 điểm và đứng thứ tư trong số 221 mô hình; Sol đạt 52 điểm. Hai mô hình cách nhau ba điểm về năng lực và gần gấp ba lần về chi phí để hoàn thành một tác vụ — $2.11 cho K3.1 Pro so với $0.72 cho Sol. Chính sự đảo ngược đó, chứ không phải mức giá niêm yết, mới là yếu tố quyết định.

Các số đo dưới đây đến từ Artificial Analysis, đơn vị chạy cả hai mô hình theo một cấu hình đã công bố và tính đến số token mà mỗi mô hình tiêu thụ, cùng với tài liệu và các tuyên bố khi ra mắt của chính hai nhà cung cấp, được đọc vào ngày 27 tháng 10 năm 2026. Số liệu của nhà cung cấp được dán nhãn đúng như vậy. Sự khác biệt này ở đây quan trọng hơn bình thường, vì hai công ty đang đặt cược theo hướng trái ngược nhau về cách một mô hình nên tiêu token.

Giá thì như nhau. Hóa đơn thì không.

Giá theo từng token là đơn giá, và đơn giá chỉ trở thành hóa đơn khi bạn nhân nó với mức tiêu thụ. Hai mô hình tiêu thụ rất khác nhau. Cách tính chi phí theo từng tác vụ của Artificial Analysis cho thấy K3.1 Pro tốn 2,11 USD để hoàn thành một tác vụ trong Intelligence Index, còn Sol tốn 0,72 USD — chênh lệch 2,9 lần dù mức giá niêm yết giống hệt nhau. Nguyên nhân nằm ở khối lượng đầu ra. K3.1 Pro là mô hình luôn suy luận, tạo ra nhiều token hơn đáng kể cho mỗi câu trả lời, và đầu ra là phần đắt hơn trên bảng giá ở mức 10,00 USD mỗi triệu token.

Tài liệu phát hành của chính Moonshot thừa nhận bản chất của điều này. Mô hình là một phiên bản được huấn luyện hậu kỳ của Kimi K3 với năng lực tính toán học tăng cường được mở rộng mạnh mẽ, và công ty mô tả những cải thiện đến từ việc suy luận lâu hơn, kỹ lưỡng hơn thay vì từ một nền tảng lớn hơn. Suy luận lâu hơn chính là thứ tạo ra nhiều token đầu ra hơn. Lợi ích về năng lực và việc gia tăng chi phí là cùng một sự thật được đo theo hai cách.

• Đầu vào / đầu ra — $2.00 / $10.00 mỗi triệu cho cả hai mô hình.

• Đầu vào đã được lưu trong bộ nhớ đệm — Kimi K3.1 Pro $0.20 với mức giảm giá 90%; GPT-6.1 Sol $0.10 ở mức giảm 95%.

• Chi phí cho mỗi tác vụ chỉ số — $2.11 so với $0.72 trên Artificial Analysis v4.3.2.

• Chỉ số độc lập — 55 so với 52; K3.1 Pro xếp thứ tư trong số 221, Sol bám sát ngay sau.

• Tốc độ đầu ra — 47,9 token mỗi giây so với 69,2, cả hai đều là kết quả đo của Artificial Analysis.

• Giới hạn ngữ cảnh và đầu ra — 1,048,576 đầu vào cho K3.1 Pro; 1,050,000 đầu vào và 128,000 đầu ra cho Sol.

• Kiến trúc — tổng cộng 2,8 nghìn tỷ tham số với 104 tỷ tham số hoạt động đối với K3.1 Pro; OpenAI không công bố số lượng tham số của Sol.

• Trọng số — K3.1 Pro hiện vẫn độc quyền, với việc Moonshot hứa sẽ mở trọng số trước ngày 4 tháng 11; Sol độc quyền và chưa công bố mở.

Ba điểm chỉ số mua được gì

Khoảng cách ba điểm trên một chỉ số tổng hợp là có ý nghĩa nhưng không mang tính quyết định, và điểm của các thành phần chính là nơi thể hiện rõ hình thái của sự khác biệt. Artificial Analysis xếp K3.1 Pro ở mức 67 trên Terminal-Bench 4.0, cao nhất trong số mọi mô hình mà họ đã đo, so với 56,1 của Sol. Trên GDPval-AA, một bài đánh giá công việc chuyên môn, K3.1 Pro đạt 1.846 Elo, đứng thứ ba toàn bảng và cao hơn 312 điểm so với phiên bản tiền nhiệm của chính nó. Trên AutomationBench-AA, mô hình này cải thiện từ 58% lên 73%. Trên Humanity's Last Exam, mô hình tăng từ 47% lên 52%. Tỷ lệ ảo giác trên AA-Omniscience giảm từ 53% xuống 44%.

Đó là những con số độc lập mạnh nhất mà mỗi mô hình có được. Hồ sơ độc lập của Sol phẳng hơn: điểm tổng hợp 52, không có đánh giá đơn lẻ nào mà nó dẫn đầu lĩnh vực, và con số chi phí trên mỗi tác vụ tốt nhất trong dải giá của nó. Cách hiểu trung thực là K3.1 Pro là mô hình có năng lực hơn ở nhiều đánh giá về tác vụ tác tử và công việc chuyên môn, còn Sol là mô hình hiệu quả hơn. Không phát biểu nào trong hai phát biểu trên là một phán quyết, vì năng lực chỉ chuyển thành giá trị ở khối lượng bạn vận hành.

Các tuyên bố công bố của chính Moonshot đi xa hơn bảng đánh giá độc lập, và nên được đọc như những tuyên bố của hãng. Công ty báo cáo điểm cao nhất ở sáu trong mười bốn bài kiểm tra mà họ chạy, bao gồm SWE Marathon đạt 51,7 và HLE-with-tools đạt 70,0. Con số Terminal-Bench 4.0 của họ là 65,7%, thấp hơn một chút so với 67% mà Artificial Analysis đo được — một trường hợp hiếm hoi trong đó con số của nhà cung cấp lại là con số thận trọng hơn, điều đáng lưu ý chính vì nó bất thường. Điểm yếu là Terminal-Bench Science 0.1 ở mức 38,1, so với 68,1 của GPT-6 Astra. K3.1 Pro không phải là mô hình dành cho suy luận khoa học khó, và Moonshot không tuyên bố đó là vậy.

Dự luật về tốc độ và tính dài dòng

Artificial Analysis đo K3.1 Pro ở mức 47,9 token đầu ra mỗi giây và gọi đó là chậm rõ rệt; Sol đạt 69,2. Kết hợp với khác biệt về khối lượng đầu ra, điều đó có nghĩa là một vòng lặp agent dài trên K3.1 Pro vừa mất nhiều thời gian thực hơn vừa tốn nhiều tiền hơn cho mỗi bước. Đối với lập trình tương tác, nơi lập trình viên phải chờ đợi sau mỗi lượt, khác biệt về độ trễ là điều người dùng sẽ phàn nàn đầu tiên. Đối với đánh giá theo lô, nơi không có gì phải chờ, chỉ chi phí là quan trọng.

Có một bậc nhanh hơn. Moonshot bán một biến thể Highspeed với giá đầu vào $4.00 và đầu ra $20.00, trong khi giá khi trúng cache không đổi; biến thể này tăng gấp đôi tốc độ token và cũng tăng gấp đôi giá. Đó chính là sự đánh đổi tương tự mà Sol cung cấp với chế độ Fast ở mức 2x. Trong cả hai trường hợp, bậc nhanh dành cho công việc nhạy cảm với độ trễ, không dành cho khối lượng lớn, và phép tính hiếm khi có lợi cho nó với các tác vụ hàng loạt.

Ngày 4 tháng 11, và điều mà trọng số mở thực sự thay đổi

Moonshot cho biết trọng số đầy đủ sẽ được công bố trước ngày 4 tháng 11 năm 2026. Nếu điều đó xảy ra, K3.1 Pro sẽ trở thành mô hình trọng số mở có điểm cao nhất trên chỉ số Artificial Analysis, thu hẹp khoảng cách giữa mô hình mở tốt nhất và mô hình độc quyền tốt nhất từ khoảng mười hai điểm xuống còn ba. Đó là một sự kiện thực sự đối với bất kỳ ai cần tự lưu trữ, tinh chỉnh hoặc chạy suy luận trong một ranh giới tuân thủ.

Đây không phải là một sự kiện đối với hầu hết những người gọi API. Trọng số mở thay đổi ai có thể chạy mô hình và theo những điều khoản nào; chúng không thay đổi giá dịch vụ lưu trữ, tốc độ hay năng lực. Một nhóm chỉ gọi API và không có ràng buộc về lưu trú dữ liệu không nhận được gì từ việc phát hành trọng số, ngoại trừ một lựa chọn nguồn cung thứ hai và, cuối cùng, nhiều nhà cung cấp hơn cùng cạnh tranh trên một checkpoint. Sự cạnh tranh đó là có thật và thường biểu hiện dưới dạng áp lực giá, nhưng đó là một hiệu ứng kéo dài hàng tháng, không phải chuyện của tháng 11.

Có một lưu ý thứ hai, cụ thể hơn trong bản phát hành của Moonshot. Công ty cho biết họ đã chủ động loại bỏ dữ liệu huấn luyện liên quan đến tấn công mạng và khai thác lỗ hổng để tránh mở rộng biên giới mở của năng lực tấn công mạng, và rằng một checkpoint đạt 90,5% trên xdev-bench-hard đã bị giảm xuống 81% do hệ quả của việc này. Đó là một quyết định an toàn với chi phí năng lực có thể đo lường được, do nhà cung cấp công bố. Nếu công việc của bạn là công cụ bảo mật, thì đây là câu quan trọng nhất trong tài liệu ra mắt — quan trọng hơn cả điểm chỉ số.

Ba khối lượng công việc, ba câu trả lời

• Lập trình hàng loạt khối lượng lớn, không yêu cầu độ trễ — GPT-6.1 Sol. Ở mức $0.72 mỗi tác vụ lập chỉ mục so với $2.11, khoảng cách hiệu quả chi phối chênh lệch năng lực ba điểm, trừ khi tác vụ của bạn cụ thể là loại mà điểm năng lực tác nhân của K3.1 Pro chuyển thành ít lần thử lại hơn. Hãy đo tỷ lệ thử lại trước khi giả định điều đó đúng.

• Công việc tác tử dài hạn, nơi một câu trả lời sai gây tốn kém — Kimi K3.1 Pro. Vị trí dẫn đầu Terminal-Bench 4.0 và thứ hạng GDPval-AA là bằng chứng gần nhất mà mỗi mô hình có về năng lực đa bước bền bỉ, và mức phụ trội cho mỗi tác vụ là nhỏ so với cái giá của một quỹ đạo thất bại.

• Lập trình tương tác nơi con người phải chờ — GPT-6.1 Sol, về tốc độ. 69,2 token mỗi giây so với 47,9 là một khác biệt thấy rõ trong trình soạn thảo, và lợi thế về chi phí chỉ là điểm cộng thêm chứ không phải lý do.

• Suy luận khoa học hoặc toán học — không bên nào đạt mức tiên tiến. Điểm 38.1 của K3.1 Pro trên Terminal-Bench Science 0.1 là một điểm yếu đã được ghi nhận, và điểm 57.0 của Sol trên cùng bộ benchmark là đáng nể nhưng thấp hơn nhiều so với 68.1 mà OpenAI báo cáo cho GPT-6 Astra. Đây là khối lượng công việc duy nhất mà tầng trên của cả hai mô hình là câu trả lời đúng.

Vận hành cả hai vẫn rẻ hơn là chọn sai.

Cả hai mô hình đều có trên OrcaRouter trên một khóa duy nhất với mức markup 0% so với giá niêm yết của từng nhà cung cấp, với Sol ở mức $2.00 và $10.00 và K3.1 Pro ở cùng cặp giá đó, đầu vào đã được lưu trong bộ nhớ đệm được tính chuyển tiếp lần lượt ở mức $0.10 và $0.20. Điều đó khiến quyết định có thể đảo ngược: một khối lượng công việc có thể được đánh giá chuẩn với cả hai trên cùng lưu lượng đã được truy vết, và bên thua bị loại bỏ bằng một thay đổi định tuyến thay vì một cuộc đàm phán hợp đồng.

Hợp nhất mô hình là tính năng duy nhất xứng đáng có mặt trên cặp mô hình cụ thể này, chứ không phải như một tiện ích cắm vào dùng chung. Hai mô hình sai lệch theo những hướng khác nhau — Sol ngắn gọn và nhanh, K3.1 Pro thận trọng và mạnh hơn trên các quỹ đạo tác tử dài — nên một panel hỏi cả hai và dung hòa câu trả lời của chúng là thiết kế hợp lý cho những quyết định rủi ro cao, nơi mức chênh lệch chi phí 2,9 lần là không đáng kể so với cái giá của việc sai. Với mọi thứ còn lại, định tuyến theo khối lượng công việc là mẫu thiết kế rẻ hơn: K3.1 Pro cho luồng tác tử, Sol cho luồng khối lượng cao, một endpoint cho cả hai.

Bảng xếp hạng không phải là chỉ số

Nếu câu hỏi là mô hình nào tốt hơn, K3.1 Pro thắng ba điểm và dẫn đầu ở các đánh giá agentic quan trọng cho công việc dài hơi. Nếu câu hỏi là mô hình nào để đưa vào một luồng sản xuất khối lượng lớn trong tháng này, Sol thắng về chi phí cho mỗi tác vụ hoàn thành với hệ số 2,9 và về tốc độ với hệ số 1,4, và khoảng cách năng lực ba điểm không thu hẹp được lợi thế nào trong hai lợi thế đó.

Ngày duy nhất đáng ghi vào lịch là 4 tháng 11. Nếu trọng số được phát hành đúng hạn, K3.1 Pro sẽ trở thành mô hình mở tham chiếu và cách tính toán dành cho các đội ngũ tự vận hành sẽ thay đổi. Nếu chúng bị trễ — và Moonshot đã đưa ra một ngày cụ thể, điều mà hầu hết không làm được — thì cách tính toán vẫn giữ nguyên như hiện nay: cùng một giá niêm yết, một hóa đơn khác, và một lựa chọn nên được đưa ra dựa trên chi phí tác vụ đo được thay vì con số trong cột giá.