GPT-6.1 Sol vs Laguna S 2.1: Giá đầu ra gấp năm mươi lần cho công việc chưa ai đo lường cạnh nhau

Gấp năm mươi lần. Đó là tỷ lệ giữa mức mà GPT-6.1 Sol thu cho một triệu token đầu ra và mức mà Laguna S 2.1 thu — 10,00 USD so với 0,20 USD — và đây là khoảng cách giá lớn nhất trong toàn bộ loạt so sánh này. GPT-6.1 Sol là bản phát hành ngày 29/09/2026 của OpenAI, một mô hình đa dụng 1.050.000 token với điểm số độc lập đã được công bố. Laguna S 2.1 là bản phát hành ngày 21/07/2026 của Poolside, một trình viết mã tác tử hỗn hợp chuyên gia, trọng số mở, 118 tỷ tham số, với khoảng 8 tỷ tham số hoạt động mỗi token, trọng số gần Apache trên Hugging Face, và một bộ benchmark do chính Poolside tạo ra. Khoảng cách giá là thật và khổng lồ. Liệu đó có phải là khoảng cách đáng để vượt qua hay không phụ thuộc vào một câu hỏi mà cả hai nhà cung cấp đều chưa trả lời: đã có ai đo hai mô hình này trên cùng một tác vụ chưa?

Các số liệu do nhà cung cấp báo cáo được dán nhãn như vậy xuyên suốt. Các số liệu từ Artificial Analysis là những đo lường độc lập được ghi trong hồ sơ mô hình của chúng tôi. Các số liệu phục vụ của chính chúng tôi được nhận diện là của chúng tôi. Nếu một ô trống thì vẫn để trống.

Mỗi bên là gì

Laguna S 2.1 của Poolside là một mô hình chuyên biệt, và thiết kế của nó cũng cho thấy điều đó. Đây là một mô hình mixture-of-experts 118 tỷ tham số với khoảng 8 tỷ tham số hoạt động trên bất kỳ token nào, một công tắc bật/tắt suy nghĩ, và cửa sổ ngữ cảnh lên tới 1.000.000 token. Một mô hình anh em nhỏ hơn, Laguna XS 2.1, có 33 tỷ tham số với khoảng 3 tỷ tham số hoạt động và có giá $0,06 cho đầu vào và $0,12 cho đầu ra mỗi triệu token. Trọng số cho biến thể S được công bố trên Hugging Face tại poolside/Laguna-S-2.1.

Con số 8 tỷ tham số hoạt động là con số vừa giải thích mức giá vừa giới hạn sản phẩm cùng một lúc. Chi phí suy luận bám theo tham số hoạt động, không phải tổng số; một MoE 118B chỉ tiêu tốn 8B mỗi token thì rẻ khi phục vụ theo cách mà một mô hình dense có cùng tổng kích thước sẽ không rẻ như vậy. Nhưng ngân sách 8B hoạt động cũng là một mức trần cứng đối với những gì một lượt lan truyền tiến có thể làm, và chính mức trần đó là lý do chỉ số đa dụng của một đơn vị đánh giá độc lập là thước đo hữu ích hơn cho nó so với điểm số chuyên về lập trình.

GPT-6.1 Sol là kiểu ngược lại. Một định danh ảnh chụp nhanh duy nhất, gpt-6.1-sol, không có biến thể theo ngày, cửa sổ ngữ cảnh 1.050.000 token, đầu ra tối đa 128.000 token, đầu vào văn bản, hình ảnh và tệp, suy luận luôn bật với năm mức nỗ lực và mặc định là trung bình, cùng thời điểm cắt kiến thức là ngày 30 tháng 4 năm 2026. Mô hình này không chấp nhận temperature hay top_p; nút điều chỉnh nỗ lực thay thế chúng. Đây là mô hình đóng, tính phí theo token và không thể tinh chỉnh.

Các khía cạnh mà chúng thực sự khác nhau:

Giá đầu vào — 0,10 USD mỗi triệu cho Laguna S 2.1 so với 2,00 USD cho GPT-6.1 Sol. Gấp hai mươi lần.

• Giá đầu ra — $0,20 so với $10,00. Gấp năm mươi lần.

• Điều khiển suy luận — công tắc bật/tắt tư duy nhị phân trên Laguna S 2.1 so với năm mức nỗ lực được phân cấp trên GPT-6.1 Sol.

• Trọng số — có thể tải xuống và tự lưu trữ đối với Laguna S 2.1; đóng đối với GPT-6.1 Sol.

• Cửa sổ ngữ cảnh — lên đến 1.000.000 token đối với Laguna S 2.1 so với 1.050.000 của GPT-6.1 Sol. Thực tế là ngang nhau.

Các hàng benchmark, với cả hai bộ nhãn đều được gắn kèm

Các con số được Poolside công bố cho Laguna S 2.1, tất cả đều do nhà cung cấp báo cáo và theo như chúng tôi có thể tìm thấy thì không có con số nào được bên thứ ba tái lập:

• SWE-Bench Multilingual — 78,5%.

• Terminal-Bench 2.1 — 70,2%.

• DeepSWE v1.1 — 40,4%, so với 9,0% của DeepSeek-V4-Pro-Max, điều mà Poolside diễn giải là chỉ với khoảng một phần sáu tham số hoạt động nhưng lại tạo ra số điểm cao hơn gấp bốn lần.

Bản ghi độc lập của GPT-6.1 Sol, tất cả đều từ Artificial Analysis:

• Chỉ số AA Intelligence — 51,8, xếp hạng 10 trong số 147, phân vị thứ 93,2.

• Humanity's Last Exam — 52,9%.

• Khả năng gợi nhớ ngữ cảnh dài — 83%.

• SciCode — 54,2%.

• Terminal-Bench 4.0 — 56,06%.

Có một chỗ mà hai danh sách này dường như gặp nhau, và đó là một cái bẫy. Laguna S 2.1 báo cáo 70,2% trên Terminal-Bench 2.1. GPT-6.1 Sol hoàn toàn không được chấm điểm trên Terminal-Bench 2.1 trong hồ sơ của chúng tôi — con số terminal của nó nằm ở phiên bản 4.0, một bản sửa đổi muộn hơn và khó hơn của harness. Đặt 70,2% cạnh 56,06% và gọi đó là chiến thắng mười hai điểm của Laguna sẽ là so sánh hai bài kiểm tra khác nhau, và đó chính xác là sai lầm mà blog này tồn tại để tránh. Hai mô hình không có hàng benchmark chung nào, nghĩa là phần hiệu năng của phép so sánh này, ở thời điểm hiện tại, vẫn chưa được đo lường.

Còn hai khoảng trống nữa đáng được gọi tên. Laguna S 2.1 không có điểm Artificial Analysis Intelligence Index và không có kết quả SWE-bench Verified độc lập. Đối với một mô hình được công bố vào tháng 7, đó là khoảng thời gian dài để không có phép đo lường nào từ bên ngoài, và đây là thiếu sót lớn nhất trong bất cứ điều gì Poolside đã công bố về nó.

Nút bật chế độ suy nghĩ thực sự mang lại điều gì

Chính Poolside đã gắn một con số cho nút bật/tắt này, và đó là điều thú vị nhất ở đây. Bật suy luận giúp DeepSWE v1.1 tăng từ 16,5% lên 40,4% — hệ số khoảng 2,4 lần — và Terminal-Bench 2.1 từ 60,4% lên 70,2%. Cả hai con số đều do nhà cung cấp đưa ra, chưa được tái lập.

Đặt cạnh mức giá, điều đó quan trọng theo một cách mà bảng giá niêm yết không phản ánh được. Chế độ suy nghĩ tiêu thụ token đầu ra, và token đầu ra chính là thứ bạn đang trả tiền. Một khối lượng công việc chạy Laguna S 2.1 với chế độ suy nghĩ bật sẽ tiêu tốn lượng đầu ra nhiều hơn đáng kể so với cùng khối lượng công việc đó khi tắt chế độ này — đúng chính xác như những gì bạn sẽ kỳ vọng từ mức tăng 2,4× trên một bài kiểm chuẩn tác tử khó. Vậy nên, so sánh trung thực với GPT-6.1 Sol không phải là $0,20 so với $10,00 trên đầu ra thô. Mà là chi phí bật suy nghĩ cho mỗi tác vụ hoàn thành so với chi phí định giá theo nỗ lực cho mỗi tác vụ hoàn thành.

So sánh đó vẫn ủng hộ Laguna S 2.1 một cách áp đảo, và đáng để làm phép tính thay vì chỉ khẳng định điều đó. Lấy một khối lượng công việc tạo ra một tỷ token đầu ra mỗi tháng so với ba tỷ token đầu vào:

• GPT-6.1 Sol — 3 tỷ đầu vào ở mức 2,00 đô la một triệu là 6.000 đô la; 1 tỷ đầu ra ở mức 10,00 đô la một triệu là 10.000 đô la. Mười sáu nghìn đô la một tháng.

• Laguna S 2.1, tắt chế độ suy nghĩ — 300 đô cho đầu vào và 200 đô cho đầu ra. Năm trăm đô một tháng.

• Laguna S 2.1, bật chế độ suy nghĩ ở khoảng 2,4× đầu ra — 300 USD đầu vào và khoảng 480 USD đầu ra. Dưới tám trăm đô-la một tháng.

Ngay cả khi tính cả khoản phạt cho việc suy nghĩ, đó vẫn là mức chênh lệch khoảng 15.000 USD mỗi tháng ở khối lượng này. Nếu khối lượng công việc của bạn là thứ mà một Laguna S 2.1 thực sự có thể đảm nhận, thì vấn đề giá cả không còn gì phải bàn, và không một mức chi phí thử lại hợp lý nào có thể bù đắp được khoảng cách đó. Điều này đẩy toàn bộ quyết định sang năng lực — và năng lực chính là nửa còn lại của phép so sánh này mà không có thước đo chung.

Nơi khoảng cách gấp năm mươi lần không còn là vấn đề chính

Có ba điều kéo tỷ lệ này trở lại với thực tế, và mỗi điều đều đáng được nói thẳng, bởi con số ở trên có sức hấp dẫn theo một cách đã khiến các đội phải tốn tiền thật.

Điều đầu tiên là một mô hình lập trình 8 tỷ tham số hoạt động và một mô hình tổng quát tiên tiến không thể thay thế cho nhau. Laguna S 2.1 được xây dựng cho kỹ thuật phần mềm tác tử — chỉnh sửa kho lưu trữ, tác vụ dòng lệnh, mã đa ngôn ngữ — và Poolside tiếp thị nó như vậy. Nó không được định vị cho công việc chuyên nghiệp nặng về tài liệu, sử dụng máy tính, hoặc các tác vụ nhớ lại ngữ cảnh dài, nơi GPT-6.1 Sol có điểm Long-Context Recall độc lập 83% và cửa sổ 1.050.000 token. Trong những tác vụ đó, so sánh trung thực không phải là "mô hình rẻ thắng", mà là "mô hình rẻ không được xây dựng cho việc này". 15.000 đô la một tháng trong ví dụ đã tính chỉ là khoản tiết kiệm nếu đầu ra của mô hình rẻ hơn có thể sử dụng được, và đối với một loại khối lượng công việc, chưa ai chứng minh được điều đó.

Thứ hai là thông lượng và bề mặt vận hành. GPT-6.1 Sol báo cáo độ trễ p50 là 2.442 mili giây và 95,57 token đầu ra mỗi giây trong bảy ngày lưu lượng playground của chính chúng tôi, với tỷ lệ lỗi 6,36%. Chúng tôi không có bảng đo hiệu năng phục vụ tương đương cho Laguna S 2.1 — nó không được định tuyến trên OrcaRouter — nên không có con số nào để đặt bên cạnh nó, và độ trễ của đường self-hosted phụ thuộc vào phần cứng mà bạn mua. Trên tám H100, bạn sẽ không thể đạt được thông lượng của một endpoint frontier được host ở cùng mức đồng thời; bạn sẽ đánh đổi độ trễ để lấy chi phí đơn vị, và kết quả của việc đánh đổi đó ra sao phụ thuộc vào việc khối lượng công việc của bạn có nhạy cảm với độ trễ hay không.

Điều thứ ba là con đường tự host chỉ rẻ khi có khối lượng lớn. Cũng chính mức $0,10 và $0,20 khiến phép tính ở trên trông như phép tính ở trên — đó là lập luận cho việc thuê mô hình mở thay vì mua phần cứng cho nó, ở bất kỳ khối lượng nào chưa đạt đến mức biện minh cho GPU.

Làm thế nào để thực sự thực hiện cuộc gọi

Đây là một cặp hiếm hoi mà ở đó bước tiếp theo đúng đắn không phải là thay đổi định tuyến, bởi vì hai mô hình được tiếp cận theo những cách hoàn toàn khác nhau.

GPT-6.1 Sol đã có trên OrcaRouter với tên openai/gpt-6.1-sol theo đúng giá niêm yết của OpenAI, không cộng thêm 0% — 2,00 USD cho đầu vào, 10,00 USD cho đầu ra, đầu vào được cache ở mức 0,10 USD, và bậc trên 272.000 token được áp dụng đúng như cách OpenAI đặt ra. Vì lớp định tuyến truyền thẳng mức giá của nhà cung cấp thay vì cộng thêm phụ thu, nên khi OpenAI thay đổi giá, mức giá mới có hiệu lực tại đây ngay trong cùng ngày giá có hiệu lực. Ở nơi một tuyến đang hoạt động, cơ chế chuyển đổi dự phòng tự động nằm ngay bên dưới — đây là cách rẻ để biết liệu một mô hình rẻ hơn có thể trụ được một luồng production hay không, vì mô hình đắt tiền chỉ cách một quy tắc định tuyến.

Laguna S 2.1 không có trên OrcaRouter và chúng tôi không tự lưu trữ nó. Có thể truy cập nó thông qua API riêng của Poolside và, vì trọng số đã được công bố, bằng cách tự phục vụ nó — điều mà với mô hình này là lựa chọn thú vị hơn, vì một MoE 118B với 8B hoạt động thực sự đủ nhỏ để chạy trên phần cứng mà một nhóm quy mô vừa có thể sở hữu. Do đó, bước đi đầu tiên đúng đắn với sự kết hợp này hoàn toàn không phải là so sánh giá: hãy lấy hai mươi nhiệm vụ lập trình thực tế của bạn, chạy chúng qua đường GPT-6.1 Sol hiện có của bạn, rồi chạy đúng hai mươi nhiệm vụ đó qua Laguna S 2.1 với chế độ suy nghĩ bật và tắt. Giờ bạn đã có hàng benchmark chung mà cả hai nhà cung cấp đều chưa công bố, trên bộ nhiệm vụ duy nhất thực sự quan trọng, và mức chênh lệch giá gấp năm mươi lần trở thành một con số mà bạn hoặc thu thập, hoặc từ chối kèm bằng chứng.

Phán quyết mà cặp đôi này xứng đáng nhận được, dựa trên bằng chứng hiện có: Laguna S 2.1 là đề xuất chi phí trên năng lực thú vị nhất trong lĩnh vực lập trình tác tử hiện nay, với các con số từ nhà cung cấp lẽ ra sẽ khiến nó trở thành lựa chọn mặc định nếu chúng được xác nhận độc lập, và không có xác nhận độc lập nào cho bất kỳ con số nào trong đó. GPT-6.1 Sol tốn chi phí gấp năm mươi lần cho phần đầu ra và là mô hình duy nhất trong hai mô hình mà bất kỳ ai bên ngoài công ty đã đo lường năng lực của nó trên một công cụ dùng chung. Hãy mua trọng số của mô hình rẻ và kiểm thử chúng, bởi vì khác với hầu hết các bản phát hành mở, bản này đủ nhỏ để kiểm thử đúng cách — và hãy coi con số gấp năm mươi lần đó là lý do để chạy kiểm thử ấy, chứ không phải là câu trả lời cho nó.