GPT-6 Astra so với Grok 4.6: Thế hòa về chỉ số đã bị phá vỡ, và khoảng cách giá phụ thuộc vào gói.

GPT-6 Astra và Grok 4.6 ngang bằng trên bảng điểm độc lập duy nhất xếp hạng cả hai khi trang này lần đầu chạy vào ngày 4 tháng 9 năm 2026. Đó là câu mà trang này phải rút lại. Đối chiếu với Chỉ số Trí tuệ Artificial Analysis ở trạng thái ngày 16 tháng 9 năm 2026 — phiên bản v4.3, mười bài đánh giá — GPT-6 Astra (max) ở mức 53 và Grok 4.6 (high) ở mức 44, nơi từng có một thế hòa. Chỉnh sửa còn lại là chỉnh sửa nằm trong tiêu đề bạn đã bấm vào. Bảng giá của Open​AI, đọc cùng ngày, liệt kê GPT-6 Astra ở mức 10,00 USD mỗi triệu token đầu vào, 1,00 USD mỗi triệu đầu vào được lưu đệm và 50,00 USD mỗi triệu đầu ra; bảng giá của x​AI liệt kê Grok 4.6 ở mức 2,00 USD, 0,50 USD và 6,00 USD. So với đầu vào tiêu chuẩn, đó là gấp năm lần. So với đầu ra, đó là 8,3 lần. So với đầu vào được lưu đệm — dòng mà phần lớn lưu lượng production thực sự được tính phí dựa trên — thì là gấp đôi. Không có một hệ số nhân duy nhất, và phiên bản trang này từng khẳng định có một hệ số nhân đã làm tròn một bảng giá bốn dòng thành một khẩu hiệu. Đây là một bản làm mới, không phải một bản ra mắt: GPT-6 Astra là mẫu chủ lực của Open​AI từ ngày 3 tháng 9 năm 2026 và Grok 4.6 là mẫu chủ lực của x​AI từ ngày 12 tháng 8 năm 2026. Điều đã thay đổi kể từ đó là phép đo, tính khả dụng và phép tính.

Hệ số nhân chưa từng là một con số duy nhất.

Hãy bắt đầu với hai bảng giá đúng như cách các nhà cung cấp công bố chúng vào ngày 16 tháng 9 năm 2026, bởi mọi thứ phía sau đều kế thừa hình dạng các bậc giá của chúng. OpenAI ghi rõ GPT-6 Astra ở mức 10,00 USD cho mỗi 1 triệu token đầu vào, 1,00 USD cho mỗi 1 triệu đầu vào được lưu đệm, 12,50 USD cho mỗi 1 triệu lần ghi bộ đệm và 50,00 USD cho mỗi 1 triệu đầu ra, đồng thời chia bảng giá thành hai cột ngữ cảnh ngắn và ngữ cảnh dài; khi vượt ngưỡng ngữ cảnh dài — 272.000 token đầu vào theo các con số được báo cáo cho bảng giá này — toàn bộ yêu cầu được tính lại giá thành 20,00 USD đầu vào, 2,00 USD được lưu đệm và 75,00 USD đầu ra. Batch và Flex tính bằng một nửa mức giá tiêu chuẩn, chế độ Fast tính gấp đôi. xAI ghi rõ Grok 4.6 ở mức 2,00 USD mỗi 1 triệu đầu vào, 0,50 USD được lưu đệm và 6,00 USD đầu ra với cửa sổ ngữ cảnh 500.000 token, và khi một yêu cầu đạt tới 200.000 token prompt thì toàn bộ yêu cầu được tính ở mức 4,00 USD đầu vào, 1,00 USD được lưu đệm và 12,00 USD đầu ra. Đó là bảng giá của nhà cung cấp, không phải các số đo thực tế.

Đặt chúng cạnh nhau và bội số trên tiêu đề cũ sẽ phân rã. Đầu vào tiêu chuẩn: $10,00 so với $2,00, gấp năm lần. Đầu ra: $50,00 so với $6,00, gấp 8,3 lần. Đầu vào được lưu đệm: $1,00 so với $0,50, gấp hai lần. Đầu vào ngữ cảnh dài: $20,00 so với $4,00, lại gấp năm lần — nhưng đầu ra ngữ cảnh dài là $75,00 so với $12,00, tức gấp 6,25 lần. Số năm trong tiêu đề cũ không phải do bịa ra. Nó là một hàng của một tấm thẻ bốn hàng khoác lên mình bộ áo của một khẩu hiệu, và việc bạn trích dẫn hàng nào sẽ thay đổi câu trả lời theo hệ số bốn. Bất kỳ ai đưa cho bạn một con số duy nhất cho sự so sánh này đều đang chọn một hạng mục và không nói cho bạn biết đó là hạng mục nào.

Có một lý do thứ hai khiến phép tính theo từng token mô tả chưa đầy đủ về cặp đôi này, và nó lại nghiêng theo hướng ngược lại. Hai mô hình không tiêu tốn cùng số lượng token để hoàn thành cùng một khối lượng công việc, và theo thước đo chi phí trên mỗi tác vụ của Artificial Analysis — chi phí trung bình có trọng số để chạy bài đánh giá Intelligence Index của họ — mô hình đắt trên mỗi token lại là mô hình rẻ hơn trên mỗi công việc hoàn thành, một khi bạn đặt cùng thiết lập effort. Theo dữ liệu mô hình của chính AA ngày 16 tháng 9 năm 2026, GPT-6 Astra ở mức high effort đạt $1.72 mỗi tác vụ index, so với Grok 4.6 ở mức high với $1.86. Lý do nằm ở số token trong cùng bản ghi đó: Astra đốt 60M token đầu ra để chạy toàn bộ index, so với 94M của Grok 4.6, và 27k token đầu ra mỗi tác vụ so với 36k. Gấp năm lần giá đầu vào, với mức tiêu thụ token chỉ khoảng hai phần ba, thì vẫn nhỉnh hơn một chút.

Cặp tiêu đề trên chính trang so sánh của AA lại nói một điều khác, và cả hai đều đúng. Trang của AA mở đầu bằng GPT-6 Astra ở max — 3,26 đô-la mỗi tác vụ, 53 trên chỉ số — đặt cạnh Grok 4.6 ở mức high, 1,86 đô-la và 44. Đọc theo cách đó, khoản chênh lệch giá trông như chẳng mua được gì về mặt chi phí. Đọc ở cùng mức nỗ lực high, Astra đạt 51 trên chỉ số so với 44 và rẻ hơn 10 xu mỗi tác vụ. Con số nào thuộc về ngân sách của bạn phụ thuộc hoàn toàn vào việc bạn định chạy Astra ở max hay ở high, và trang của AA không buộc bạn phải chọn. Đó chính là kiểu thất bại giống như hệ số nhân đơn lẻ của tiêu đề cũ, chỉ lùi xuống một cấp.

Sự đồng hạng trên bảng chỉ số đã không còn, và cách đọc trung thực thì hẹp hơn vẻ ngoài của nó.

Khi trang này được viết lần đầu, cả hai mô hình đều đứng ở mức 61 trên Chỉ số Trí tuệ của Artificial Analysis và toàn bộ bài viết xoay quanh giá cả. Phát hiện đó không còn tái lập được nữa. Trên bảng xếp hạng tính đến ngày 16 tháng 9 năm 2026, GPT-6 Astra (max) ở mức 53 và Grok 4.6 (high) ở mức 44. Cả hai mô hình đều công bố một thang mức nỗ lực đầy đủ, và thang này quan trọng hơn hàng đơn lẻ mà AA in trên trang so sánh của mình: theo dữ liệu mô hình của chính AA, GPT-6 Astra đạt 53 (max), 53 (xhigh), 51 (high), 50 (medium), 46 (low), và Grok 4.6 đạt 44 (high), 44 (xhigh), 43 (medium), 35 (low). Ở thiết lập khớp gần nhất, high đối đầu high, khoảng cách là bảy điểm.

Hai lưu ý cần được nói ngay trong cùng một hơi. Thứ nhất, chỉ số đã được cắt lại: phiên bản đang chạy hiện nay là v4.3, được xây dựng từ mười phép đánh giá — AA-Briefcase, GDPval-AA v2, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience và AA-LCR v1.1 — trên một tập hợp mô hình khác với bảng điểm hồi đầu tháng Chín. Một phần của khoảng cách chín điểm xuất hiện ở đây là do việc hiệu chỉnh lại, chứ không phải do phòng lab nào tung ra thứ gì mới, và một độc giả so sánh trang này với trang trước đó là đang so sánh hai cây thước khác nhau. Thứ hai, hai mục này không phải là các thiết lập nỗ lực tương đương: phần so sánh của AA ghép mức max của Astra với mức high của Grok 4.6, mà so sánh max với high thì không phải là so sánh cùng chuẩn. Cách lý giải an toàn cho khoảng cách chín điểm trên một chỉ số gộp mười phép đánh giá là một sự tách biệt thực sự nhưng khiêm tốn, chứ không phải một thất bại thảm hại — nhiều mô hình nằm chụm trong khoảng vài điểm ở cả hai phía của cả hai mô hình này. Điều có thể khẳng định thì ngược lại với điều mà trang này từng nói: trên bảng điểm độc lập, hai mô hình này không còn thay thế được cho nhau nữa, và mô hình đắt hơn đang dẫn trước.

Tốc độ, thứ mà phiên bản trước của trang này từng phải để trống đối với Astra, nay đã được đo — và các số liệu về độ trễ mới là phần đáng chú ý hơn. Artificial Analysis đo GPT-6 Astra (max) ở mức 52,9 token đầu ra mỗi giây, so với Grok 4.6 (high) ở mức 57,7, một khoảng cách bạn có thể cảm nhận được khi sinh văn bản dài và không phải là thứ đáng để định hình lại một quyết định định tuyến. Thời gian đến token đầu tiên lại là câu chuyện khác: 334,04 giây đối với Astra so với 38,63 giây của Grok 4.6, và thời gian phản hồi đầu-cuối là 343,48 giây so với 47,31 giây. Astra suy nghĩ trong nhiều phút trước khi trả lời. Với công việc tác tử theo lô và qua đêm thì điều đó vô hình; với bất cứ thứ gì mang tính tương tác, đó là con số quyết định, và nó không hề xuất hiện trên cả hai bảng giá.

Bảng đánh giá của chính Astra, và ai được phép nói điều gì

Những con số nổi bật của Open​AI cho GPT-6 Astra, tất cả đều do nhà cung cấp báo cáo và không có con số nào trong số đó được tái tạo ở đây: 98% trên FrontierMath Tier 4, 100% trên ExploitBench — so với 78,5% của mô hình chủ lực trước đó của Open​AI, GPT-5.6 Sol — và 99,9% trên ARC-AGI-3. Đây là những con số mà các bài đưa tin ra mắt đã lặp lại, và hai trong số đó đáng bị hoài nghi hơn mức chúng nhận được.

Đầu tiên là ARC-AGI-3. Con số 99,9% đến từ harness adapter nhà cung cấp của Open​AI. ARC Prize, đơn vị vận hành benchmark, đã đo riêng 62,7%cho cùng mô hình theo harness Standard trung lập với nhà cung cấp, với chi phí 26.098 USD cho lần chạy. Ghi chú của chính ARC Prize là adapter giữ nguyên trạng thái suy luận của Open​AI giữa các yêu cầu, nên hai con số đo những thứ khác nhau và không bao giờ nên được trích dẫn như thể chúng là cùng một phép đo. Độ lớn của khác biệt cho thấy rõ điều này hơn bất kỳ lập luận nào: Astra ở chế độ suy luận "none" dưới adapter đạt 96,7%, cao hơn khoảng 34 điểm so với điểm suy luận tối đa của chính nó dưới harness Standard. Con số thứ hai là harness đang làm phần việc mà mô hình không làm.

FrontierMath Tier 4 là cái còn lại. Con số 98% là báo cáo của chính OpenAI về một benchmark mà OpenAI đã tài trợ phát triển; ít nhất một bảng so sánh từ tuần ra mắt ghi 97,6% cho cùng kết quả. Hãy coi cả hai là do nhà cung cấp tự báo cáo và không cái nào là đã ngã ngũ.

Điều gì còn trụ lại sau cuộc tranh luận về harness thì đáng giữ lại. ARC Prize cũng phát hiện rằng Astra dùng ít hành động hơn so với mức trung vị của người được kiểm tra trên 96% số màn mà nó hoàn thành, trung bình ít hơn 51,7% hành động mỗi màn so với đường cơ sở con người được lấy từ khoảng 500 người tham gia — một kết quả về hiệu quả không phụ thuộc vào adapter. Và ARC Prize đã nói thẳng rằng họ không tuyên bố Astra là AGI: các môi trường đều có giới hạn và mang tính tất định, và việc làm bão hòa một benchmark không phải là bằng chứng cho năng lực tổng quát. Về phía lập trình độc lập, DeepSWE v1.1 của Datacurve — 113 tác vụ trải trên 91 kho mã nguồn mở đang hoạt động — xếp GPT-6 Astra ở mức 74,1%. Đó là một kết quả mạnh chứ không phải một kết quả tách biệt hẳn; nhóm dẫn đầu của bảng xếp hạng đó là một cụm, và một bảng xếp hạng mà các mục đứng đầu chỉ cách nhau vài điểm thì cũng nói về sự bất định nhiều như nói về năng lực. Không có con số nào của Grok 4.6 ở một thiết lập tương đương được công bố trên đó vào thời điểm viết bài, nên chiều kích này chỉ có một phía.

Hai cách làm việc, và sự khác biệt thực sự về khả năng kiểm soát

Ngay cả khi điểm số sát nhau, hai mô hình này vẫn không thống nhất về cách bạn điều khiển chúng. Grok 4.6 là một mô hình mạnh duy nhất với một núm điều chỉnh nỗ lực suy luận rõ ràng; bạn quyết định một yêu cầu đáng được suy nghĩ bao nhiêu, và bạn trả một mức giá cố định cho việc đó. GPT-6 Astra tự chạy lâu hơn và được thiết kế để tạm dừng cho việc xem xét trước khi thực hiện. Đây cũng là mô hình Open​AI đầu tiên được công ty xếp loại "nghiêm trọng" theo Khung Sẵn sàng (Preparedness Framework) của mình đối với rủi ro an ninh mạng — một đánh giá tự thân của nhà cung cấp, không phải kết quả từ bên ngoài — và chính Open​AI thừa nhận rằng khả năng giám sát của mô hình đã giảm so với mô hình chủ lực trước đó, đó là lý do những thiết lập thông thoáng nhất bị giới hạn cho các đối tác đã được thẩm định thay vì được bán công khai. Đối với một đội ngũ bảo mật, việc giới hạn đó là một tính năng. Còn với một lập trình viên muốn đầu ra có tính xác định, dễ điều khiển đúng hạn, đó là sự cản trở mà bạn đang trả giá cao để có được.

Bảng điểm, được gắn nhãn

• Trí tuệ (độc lập) — nỗ lực tương đương, cao đối đầu cao: GPT-6 Astra 51, Grok 4.6 44. Như cách trang so sánh của AA ghép cặp chúng, Astra (tối đa) 53 đối đầu Grok 4.6 (cao) 44. Chỉ số Trí tuệ Artificial Analysis v4.3, đọc ngày 16 tháng 9 năm 2026. Không ngang bằng; mức chênh lệch phụ thuộc vào cách ghép cặp.

• Giá niêm yết, bậc tiêu chuẩn (bảng giá nhà cung cấp, đọc ngày 16 tháng 9 năm 2026) — GPT-6 Astra 10,00 USD vào / 50,00 USD ra / 1,00 USD lưu đệm mỗi 1M. Grok 4.6 2,00 USD vào / 6,00 USD ra / 0,50 USD lưu đệm mỗi 1M. Gấp năm lần ở đầu vào, gấp 8,3 lần ở đầu ra, gấp đôi ở đầu vào lưu đệm.

• Giá niêm yết, ngữ cảnh dài (cùng thẻ, cùng ngày) — GPT-6 Astra: toàn bộ yêu cầu được định giá lại khi vượt ngưỡng ngữ cảnh dài ở mức $20.00 / $2.00 / $75.00. Grok 4.6: toàn bộ yêu cầu được định giá lại tại 200K token prompt thành $4.00 / $1.00 / $12.00.

• Chi phí mỗi tác vụ (độc lập) — cùng mức nỗ lực, high đối đầu high: GPT-6 Astra 1,72 USD mỗi tác vụ Intelligence Index, Grok 4.6 1,86 USD. Theo cách trang so sánh của AA ghép cặp chúng, Astra (max) 3,26 USD so với Grok 4.6 (high) 1,86 USD. Artificial Analysis, truy cập ngày 16 tháng 9 năm 2026.

• Độ trễ (độc lập) — GPT-6 Astra: 334,04 giây đến token đầu tiên, 343,48 giây từ đầu đến cuối. Grok 4.6: 38,63 giây và 47,31 giây. Artificial Analysis, đọc ngày 16 tháng 9 năm 2026. Khoảng cách lớn nhất trên trang này. Danh sách niêm yết của chính OrcaRouter cho cùng mô hình ghi nhận p50 thời gian đến token đầu tiên là 6,71 giây và p95 là 10,00 giây trong bảy ngày, vốn đo một điểm khác trong phản hồi và không thể so sánh với con số của AA — đừng đặt hai con số đó vào cùng một câu như thể chúng tương đương với nhau.

• Tốc độ (độc lập) — GPT-6 Astra đạt tối đa 52,9 token đầu ra/giây. Grok 4.6 đạt 57,7 token/giây ở mức cao. Artificial Analysis, đọc ngày 16 tháng 9 năm 2026.

• Lập trình tác tử (độc lập) — GPT-6 Astra đạt 74,1% trên DeepSWE v1.1 của Datacurve. Không có kết quả chạy Grok 4.6 nào tương đương được công bố trên cùng bảng xếp hạng vào thời điểm viết bài, nên khía cạnh này chỉ có một phía.

• An ninh mạng và suy luận (do nhà cung cấp báo cáo) — GPT-6 Astra: FrontierMath Tier 4 98%, ExploitBench 100%, ARC-AGI-3 99,9% trên bộ chuyển đổi nhà cung cấp của OpenAI, so với mức 62,7% do ARC Prize tự đo độc lập trên bộ khung Standard của mình. Do OpenAI báo cáo; không được tái lập ở đây.

• Truy cập ngay hôm nay — cả hai mô hình đều có thể gọi được thông qua OrcaRouter trên cùng một khóa. Mức giá được niêm yết trên router, đọc ngày 16 tháng 9 năm 2026: GPT-6 Astra ở mức $10.00 / $50.00 mỗi 1M với ngữ cảnh 1.05M token, Grok 4.6 ở mức $2.00 / $6.00 mỗi 1M với ngữ cảnh 500K token.

Một lưu ý về đồ họa trên trang này, vì chúng mang các con số mà phần văn bản có kèm lưu ý. Thẻ hero và bảng điểm in cùng một cặp mà Artificial Analysis dẫn đầu — GPT-6 Astra ở thiết lập suy luận tối đa của nó đối đầu với Grok 4.6 ở mức cao — nên hàng trí tuệ của bảng điểm hiển thị điểm ở mức nỗ lực tối đa, còn hàng chi phí của nó hiển thị chi phí ở mức nỗ lực cao. Cả hai con số đều là của AA, cả hai đều hiện hành, và chúng không đến từ cùng một thiết lập nỗ lực. Phần văn bản ở trên đưa ra cặp cùng mức nỗ lực ở những chỗ mà sự khác biệt có ý nghĩa. Phiên bản trước của trang này có bốn đồ họa được xây dựng trên kết quả chỉ số 61 so với 61; chúng đã được thay thế thay vì được chú thích, vì một thẻ hero khẳng định một tuyên bố mà bài viết rút lại thì còn tệ hơn là không có thẻ hero.

Tính khả dụng đã thay đổi, và điều đó làm thay đổi câu trả lời định tuyến

Phiên bản đầu tiên của trang này từng phải báo rằng GPT-6 Astra không có trên OrcaRouter còn Grok 4.6 thì có. Hiện cả hai đều đã có trong danh mục — GPT-6 Astra với mã model openai/gpt-6-astra theo mức giá niêm yết của Open​AI, Grok 4.6 với mã grok/grok-4.6 theo mức giá của x​AI. Mức giá do OrcaRouter niêm yết, đọc ngày 16 tháng 9 năm 2026. Endpoint Astra cũng không phải một mục trong danh mục: cùng danh sách đó ghi nhận 180,7 triệu token lưu lượng trong bảy ngày trước đó, do router niêm yết, đọc cùng ngày.

Điều đó đặc biệt quan trọng đối với sự so sánh này, bởi vì hai thẻ có hình dạng bậc giá khác nhau. Một router tính đúng giá niêm yết của nhà cung cấp với 0% markup sẽ áp dụng bậc giá mà yêu cầu thực sự rơi vào: một lệnh gọi Astra nằm dưới ngưỡng ngữ cảnh dài sẽ không bị phía chúng tôi định giá lại, còn một lệnh gọi Grok 4.6 vượt mốc 200K sẽ được định giá lại theo quy tắc của x​AI chứ không phải của chúng tôi. Mọi mức giá ở phía chúng tôi đều được chuyển tiếp nguyên vẹn với 0% markup — con số của nhà cung cấp chính là con số bạn phải trả, và khi nhà cung cấp thay đổi nó thì thay đổi đó có hiệu lực ngay trên cùng một key trong cùng ngày. Khi cả hai mô hình dùng chung một key, việc chia khối lượng công việc giữa chúng — Astra đảm nhận những tác vụ tự hành khó, Grok 4.6 gánh khối lượng lớn — chỉ là một thay đổi định tuyến chứ không phải một hợp đồng thứ hai; failover tự động nghĩa là giới hạn tốc độ trên một đường dẫn trở thành một sự kiện định tuyến thay vì một lần gián đoạn dịch vụ; và DSL định tuyến cho phép bạn ghép hai mô hình thành một lệnh gọi duy nhất khi bạn muốn mô hình rẻ soạn nháp và mô hình đắt kiểm tra lại.

Ai nên trả phí bảo hiểm?

Hãy mua GPT-6 Astra nếu công việc của bạn nằm trong phân khúc mà nó hiện đang vượt trội một cách có thể đo lường được. Chỉ số độc lập tách nó khỏi Grok 4.6 ở các thiết lập mà AA công bố, kết quả DeepSWE v1.1 của nó là một con số độc lập thực sự, và bảng đánh giá chuẩn của chính nhà cung cấp thực sự đạt mức tiên phong khi đã gắn kèm các lưu ý về harness. Hãy dự trù ngân sách theo từng tác vụ thay vì theo từng token, và để mắt đến ngưỡng ngữ cảnh dài, vì đó là nơi một yêu cầu đơn lẻ không còn là một lệnh gọi đắt đỏ nữa mà trở thành một lệnh gọi cực kỳ đắt đỏ. Hãy mua Grok 4.6 nếu bạn muốn suy luận cận tiên phong ở mức giá có thể trụ được với ngân sách thực tế, cộng với tốc độ đầu ra đo được nhanh hơn trong hai mô hình và cấu trúc định giá chỉ có một ngưỡng nhảy bậc thay vì hai.

Bản tóm tắt đã được chỉnh sửa về màn đối đầu này không phải là khoảng cách gấp năm lần chẳng đem lại được gì, cũng không phải là hai bên ngang nhau. Mà là khoảng cách đó là thật ở mọi tầng, và tỷ lệ phụ thuộc vào tầng bạn đọc; rằng khoảng cách về hiệu năng giờ cũng là thật; và rằng cả hai cùng chỉ về một hướng — điều trái ngược với những gì trang này đã nói vào ngày 4 tháng 9 năm 2026, và là lý do tốt hơn để lựa chọn giữa chúng so với một khẩu hiệu về bội số.