GPT-6.1 Sol so với Reflection Beam: Tuyên bố hiệu quả gấp 3–4 lần, và những bảng benchmark làm suy yếu nó

Con số thú vị nhất trong tài liệu ra mắt của Reflection Beam không phải là một điểm số benchmark. Thông báo ngày 2026-10-05 của Reflection cho biết Beam chạy với lượng FLOP suy luận ít hơn khoảng ba đến bốn lần so với GLM 5.2 ở chất lượng tương đương — một tuyên bố về hiệu quả, đưa ra nhắm vào một đối thủ cụ thể được nêu đích danh, trong một thị trường mà chi phí trên mỗi token chính là ràng buộc mà hầu hết các nhóm thực sự phải vận hành. Đó cũng là một tuyên bố mà chính các bảng benchmark trong cùng thông báo ấy càng làm phức tạp thêm thay vì củng cố: trong những bảng đó, Reflection Beam vượt GLM 5.2 trên một số bộ kiểm thử và kém hơn GLM 5.3, Kimi K3 cùng những mô hình khác trên DeepSWE, SWE-Bench Pro v2-Hard, SWE Atlas Codebase QnA, MCP Atlas, AutomationBench, BrowseComp và DeepSearchQA. Đặt điều đó bên cạnh GPT-6.1 Sol, bản phát hành ngày 2026-09-29 của Open​AI, và bạn sẽ có một phép so sánh giữa một mô hình mà hiệu quả chính là luận điểm và một mô hình mà hiệu quả đã được định giá, đo lường và công bố sẵn.

Cả hai mô hình đều là những bản phát hành thuộc tầm tiên phong năm 2026, lần lượt từ tháng 10 và cuối tháng 9, và sự khác biệt về mức độ có thể nói được về từng mô hình chính là nội dung cốt lõi của bài viết này. Mọi thông tin dưới đây đến từ tài liệu ra mắt của Reflection, các trang mô hình và bảng giá của Open​AI, hồ sơ danh mục của chúng tôi và các đo lường độc lập từ Artificial Analysis, đọc vào ngày 2026-10-12. Khi một số liệu do chính nhà cung cấp đưa ra và chưa có ai tái lập được, câu chứa số liệu đó sẽ nói rõ như vậy.

Reflection Beam là gì, theo những gì bất cứ ai bên ngoài Reflection biết

Beam là một mô hình mixture-of-experts 501 tỷ tham số với 23 tỷ tham số hoạt động trên mỗi token. Tỷ lệ đó chính là quyết định thiết kế đáng chú ý trước tiên: một MoE 501B/23B được xây dựng để có chi phí phục vụ thấp, vì chỉ một phần nhỏ của mạng chạy cho bất kỳ token nào. Tuyên bố về hiệu quả trong thông báo không phải là một điểm bất ngờ được gắn thêm vào kiến trúc — đó chính là mục đích được nêu rõ của kiến trúc.

• Tổng số tham số và tham số hoạt động — tổng 501B, 23B hoạt động mỗi token, hỗn hợp chuyên gia.

• Phương thức — chỉ văn bản. Không có thị giác, không có âm thanh, không có đầu vào hình ảnh.

• Ngữ cảnh — 256.000 token trong API beta, với đầu ra tối đa 128.000 token và thời điểm cắt kiến thức là 2026-06-30.

• Trọng số — chưa được phát hành. Reflection đã nói rằng các trọng số sẽ được công bố theo Apache 2.0 vào cuối tháng 10, đây là câu hỏi mở hệ trọng nhất về mô hình này và là lý do việc ra mắt trên thực tế chỉ là một bản xem trước.

• Giá — không có công bố nào. Không có bảng giá nào cho API của Beam, vì vậy không có con số chi phí nào cho nó xuất hiện ở bất kỳ đâu trong bài viết này, và bất kỳ so sánh nào được xây dựng trên phép tính theo từng token đều phải để trống cột của nó.

• Benchmark độc lập — không có. Artificial Analysis không có dòng nào cho Reflection Beam, nên mọi điểm số trong phần bên dưới đều là kết quả tự chạy của Reflection, kèm theo các baseline của chính Reflection.

Các bảng nhà cung cấp, đọc một cách trung thực

Reflection đã công bố một loạt so sánh điểm chuẩn cùng với buổi ra mắt, và cách trung thực để báo cáo chúng là nói những gì chúng thể hiện ở cả hai hướng, bởi vì chúng không chỉ thể hiện một hướng.

• Nơi Beam thắng. Trên các bộ kiểm thử mà Reflection chọn để đưa lên hàng đầu, Beam vượt trội hơn GLM 5.2 — mô hình mà tuyên bố về hiệu quả được đưa ra để so sánh. Nếu nhìn nhận bề ngoài, đó là một kết quả thực sự: đầu ra tốt hơn với chi phí suy luận chỉ khoảng một phần tư đến một phần ba là một vị thế mạnh cho bất kỳ ai phục vụ ở quy mô lớn.

• Nơi Beam thất thế. Cũng chính những bảng đó xếp Beam sau GLM 5.3, Kimi K3 và các mô hình hiện hành khác trên DeepSWE, SWE-Bench Pro v2-Hard, SWE Atlas Codebase QnA, MCP Atlas, AutomationBench, BrowseComp và DeepSearchQA. Đây không phải những bộ kiểm thử ngoại vi; chúng là những benchmark về kỹ thuật phần mềm, sử dụng công cụ và nghiên cứu chuyên sâu quyết định liệu một mô hình có thể dùng được như một tác nhân tự trị hay không.

Đọc cùng nhau, các bảng này nói lên một điều mạch lạc và hẹp hơn "tiên tiến nhất": Beam có vẻ là một bản phát hành mô hình mở mạnh mẽ, đánh bại thế hệ trước trên lựa chọn của Reflection và không đánh bại thế hệ hiện tại trên phương diện agentic. Đó là một điều hoàn toàn hợp lý đối với một mô hình. Nó không đồng nghĩa với việc là mô hình tốt nhất hiện có cho agentic, và cách diễn đạt trong thông báo mời gọi cách hiểu mạnh hơn.

Một điểm mang tính cấu trúc về chính con số hiệu quả, vì nó là điểm nhấn chính. So sánh FLOPs trên mỗi token với một mô hình khác là một thuộc tính của kiến trúc và cấu hình phục vụ, không phải của chất lượng đầu ra — và việc ít hơn 3–4× FLOPs là con số do nhà cung cấp đo, không có tái lập độc lập. Đó là lý do hợp lý để kỳ vọng Beam rẻ khi phục vụ. Đó không phải bằng chứng rằng Beam rẻ để sử dụng, và sự khác biệt giữa hai điều đó chính là toàn bộ cuộc thảo luận về chi phí trên trang này: một mô hình tiêu tốn nhiều token hơn để đưa ra câu trả lời có thể vừa rẻ hơn trên mỗi FLOP vừa đắt hơn trên mỗi tác vụ cùng một lúc.

Vế đã phát hành của phép so sánh

Đây là sự bất cân xứng mà bài viết này ra đời để ghi lại. GPT-6.1 Sol đã ra mắt trên API của Open​AI vào 2026-09-29. Nó có một bảng giá được công bố — $2.00 cho mỗi triệu token đầu vào, $10.00 cho mỗi triệu token đầu ra, $0.10 cho đầu vào được lưu trong bộ nhớ đệm, $2.50 cho ghi bộ nhớ đệm — một cửa sổ ngữ cảnh 1,050,000 token được ghi rõ trong tài liệu, đầu ra tối đa 128,000 token, và một dòng Intelligence Index độc lập là 52 ở mức nỗ lực suy luận tối đa với chi phí chạy là $0.72 mỗi tác vụ.

Con số chi phí đó chính là con số đáng để đặt đối chiếu với tuyên bố về FLOPs của Reflection. $0.72 mỗi tác vụ không phải là số đếm FLOP và cũng không phải là bảng giá; đó là chi phí của công việc khi đã hoàn thành, được đo bởi một bên thứ ba đã chạy mô hình. Đó là con số mà lập luận hiệu quả của Beam sẽ phải vượt qua để có sức nặng như một lập luận mua sắm — và Beam không có con số tương đương, vì Beam không có giá công bố và không có lần chạy độc lập.

Hai khác biệt khác thì cụ thể và có thể kiểm chứng được ngay hôm nay:

• Ngữ cảnh và đầu ra — GPT-6.1 Sol ghi nhận 1.050.000 token ngữ cảnh so với 256.000 token của Beam ở bản beta, và cả hai đều giới hạn đầu ra ở 128.000 token. Đối với công việc ở quy mô kho mã nguồn hoặc tập tài liệu, đó là mức chênh lệch gấp bốn lần về lượng tài liệu có thể vừa trong một lần gọi.

• Phương thức — GPT-6.1 Sol chấp nhận văn bản, hình ảnh và tệp; Beam chỉ hỗ trợ văn bản. Nếu pipeline của bạn đọc ảnh chụp màn hình, bản quét hoặc sơ đồ, thì Beam không phải là lựa chọn bất kể điểm số của nó.

Ở chỗ Beam có một lập luận mà GPT-6.1 Sol về mặt cấu trúc không thể trả lời, thì đó là lập luận về trọng số mở. Nếu trọng số theo Apache 2.0 đến đúng lịch đã hứa, một mô hình 501B/23B với số tham số hoạt động là 23B sẽ trở thành ứng viên tự triển khai theo cách mà một mô hình độc quyền sẽ không bao giờ có thể trở thành. Hai mươi ba tỷ tham số hoạt động là con số mà một đội ngũ được trang bị tốt có thể suy luận; ngữ cảnh 256.000 token trong bản beta và việc không có trọng số được công bố là lý do lập luận đó phải chờ đến bản phát hành thực tế thay vì được giải quyết ngay khi ra mắt.

Ai nên tác động lên mô hình nào, ngay bây giờ?

Câu trả lời thực tế khác nhau tùy vào việc bạn đang mua gì, và sự phân chia đủ rõ ràng để có thể nói thẳng.

Nếu bạn cần một model đưa vào production trong tuần này cho agentic coding, tool use hay xử lý tài liệu ngữ cảnh dài, thì model đã ra mắt là GPT-6.1 Sol và quyết định nằm ở giá của nó, chứ không phải ở việc nó có tồn tại hay không. Mức giá output là thước đo quan trọng, mức giá input đã cache thấp bất thường ở $0.10 mỗi triệu token, và trên 272.000 token input thì toàn bộ request bị tính lại giá cao hơn — một ngưỡng đáng để thiết kế xoay quanh trước khi bạn mở rộng một vòng lặp đọc tiền tố lớn. Nó có trong danh mục của chúng tôi theo giá niêm yết của Open​AI với mức markup 0%, nên mức giá trên bảng giá cũng chính là mức giá trên hóa đơn, và thay đổi giá từ nhà cung cấp sẽ xuất hiện trong danh mục ngay trong cùng ngày thay vì sau chu kỳ cập nhật của nhà bán lại: https://www.orcarouter.ai/models/openai/gpt-6.1-sol.

Nếu mối quan tâm của bạn đến Beam là bản phát hành trọng số mở chứ không phải API beta, thì điều cần để mắt tới là bản công bố Apache 2.0 mà Reflection đã hứa vào cuối tháng này. Cho đến khi các trọng số tồn tại, mọi con số về năng lực trong bài viết này đều là của nhà cung cấp, giá thì chưa biết, và cả kế hoạch tự host lẫn so sánh chi phí đều không thể hoàn tất. Nếu nó ra mắt đúng hạn, Beam lập tức trở nên đáng quan tâm với vai trò tầng hiệu quả trong một thiết lập hai mô hình — và đó là một cấu hình mà chỉ một endpoint với tính năng chuyển đổi dự phòng tự động trên hơn 200 mô hình xử lý mà không cần tích hợp thứ hai, đó là lập luận cho việc thử một mô hình chưa được chứng minh trên một lớp định tuyến thay vì cam kết một lộ trình đưa nó vào production.

Reflection Beam không phải là thứ chúng tôi cung cấp. Khi trọng số và API của nó được mở đúng cách, nó sẽ có mặt, giống như hầu hết các bản phát hành mở, trên nền tảng của chính nhà cung cấp và một số dịch vụ bên thứ ba — và khi đó trang này sẽ đáng để viết lại, bởi vì hai điều mà nó hiện không thể nói — Beam có giá bao nhiêu và nó đạt điểm số thế nào khi được chạy bởi người khác ngoài nhà sản xuất — lại chính là hai điều mà câu trả lời phụ thuộc vào.