Mistral Large 4 so với GPT-6.1 Sol: Một bản có thể tải xuống, một bản chỉ có thể thuê

Gần như mọi so sánh trên web công khai giữa Mistral Large 4 và GPT-6.1 Sol đều đang trích dẫn những con số đã không còn tồn tại vào ngày 27 tháng 10. Các trang ghi 38 và 52. Artificial Analysis đã xây dựng lại Intelligence Index của mình thành dòng v5 vào ngày đó, chạy lại các mô hình và hiện công bố 26 cho Mistral Large 4 so với 55 cho GPT-6.1 Sol. Đó không phải là sự thay đổi ở một trong hai mô hình — mà là một công cụ khác, với chín đánh giá thay vì bộ cũ và một hỗn hợp khó hơn nhiều — nhưng điều đó có nghĩa là khoảng cách mà bạn có thể đã đọc được, mười bốn điểm, giờ là hai mươi chín trên giấy và không thể so sánh với bất cứ thứ gì từ trước lần tái cấu trúc. So sánh giữa các lần chạy chỉ số là lỗi phổ biến nhất trong lĩnh vực này, và đáng để nắm đúng cặp hiện tại trước khi tranh luận về bất cứ điều gì khác.

Điều khiến cuộc đối đầu này thú vị hơn cả một chênh lệch điểm số là việc hai sản phẩm đã không còn cùng loại với nhau kể từ sáng nay. GPT-6.1 Sol đã là một mô hình đi thuê kể từ khi OpenAI phát hành nó vào ngày 29 tháng 9 năm 2026 với giá 2,00 đô la và 10,00 đô la mỗi triệu token; bạn gọi nó, bạn không thể giữ nó. Mistral Large 4, được giới thiệu trước vào ngày 6 tháng 10 năm 2026, đã công bố trọng số của mình vào ngày 29 tháng 10 năm 2026 lúc 14:51 UTC — 1.060,6 GB ở định dạng FP8 và 610,1 GB ở NVFP4, mở cho phép tải xuống, theo giấy phép MIT sửa đổi. Một trong hai mô hình có chiếc đồng hồ đo không bao giờ dừng. Chiếc đồng hồ của mô hình kia dừng lại vào đúng ngày bạn mua phần cứng. Đó mới là quyết định, và bảng điểm đánh giá chỉ là thứ nằm sau quyết định ấy.

Hai sản phẩm, hai ngày, một trong số đó đã hoàn thành

Sự bất đối xứng này không phải là chuyện vặt về độ chín muồi — nó thay đổi những câu hỏi nào đáng đặt ra. GPT-6.1 Sol là một mô hình đã phát hành, có tài liệu, được đo lường độc lập và có mười nhà cung cấp API được liệt kê cho nó. Bảng giá của nó đã ổn định, ngữ cảnh 1M của nó đã được ghi trong tài liệu, và vị trí của nó trong đội hình của OpenAI nằm dưới mẫu hàng đầu Astra chứ không phải ở vị trí cao nhất. Mistral Large 4 đã trải qua hai mươi ba ngày dưới dạng bản xem trước API, và hôm nay nó đã trở thành một tệp. Bảng giá dịch vụ lưu trữ của nó đã ổn định ở mức $0.70 cho đầu vào và $2.10 cho đầu ra trên mỗi triệu token, và tương lai của nó giờ đây phần nào nằm trong tay bất kỳ ai vận hành nó chứ không phải trong lộ trình của Mistral.

Sáu dòng quan trọng

Cùng các thang đo ở cả hai phía, công cụ hiện tại, được đọc từ hai trang mô hình Artificial Analysis và tài liệu của chính các nhà cung cấp vào ngày 29 tháng 10 năm 2026:

• Intelligence Index — GPT-6.1 Sol 55 (dòng v5, xếp thứ bảy trong số 54 trong nhóm so sánh của nó); Mistral Large 4 26 (xếp thứ tám trong số 19 ở một nhóm khác — hai thứ hạng này không cùng một thang đo).

• Chi phí mỗi tác vụ Index — GPT-6.1 Sol $1.27; Mistral Large 4 $2.06.

• Giá token — GPT-6.1 Sol $2.00 đầu vào / $10.00 đầu ra mỗi triệu token, với mức $4.00 / $15.00 cho trên 272.000 token đầu vào; Mistral Large 4 $0.70 đầu vào / $0.07 bộ nhớ đệm / $2.10 đầu ra.

• Tốc độ đầu ra — GPT-6.1 Sol 79,1 token/giây; Mistral Large 4 161,3.

• Ngữ cảnh — 1M token trên cả hai, có tài liệu trên cả hai.

• Triển khai — {{1}}GPT-6.1 Sol{{/1}}: chỉ qua dịch vụ lưu trữ, không cung cấp trọng số ở bất kỳ mức giá nào. Mistral Large 4: qua dịch vụ lưu trữ hoặc tự lưu trữ, 610.1 GB ở NVFP4, tám GPU cấp Blackwell trong công thức vLLM đã công bố.

Index là một mức trung bình, và các mức trung bình che giấu hình dạng của khoảng cách. Trên các hàng riêng lẻ của Artificial Analysis, sự chênh lệch không đều chứ không phải tệ đồng đều: HLE-Diamond 17% so với 59%, Terminal-Bench-Science 0.1 ở mức 4% so với 58%, FrontierCode 2.0 ở mức 15% so với 41%, Terminal-Bench 4.0 ở mức 25% so với 56%, và GDPpdf ở mức 18% so với 31%. Mistral Large 4 không kém 29 điểm trên mọi tác vụ; nó kém rất nhiều trên các bài đánh giá thưởng cho suy luận nhiều bước kéo dài, và gần như ngang bằng trên công việc một lượt ngắn hơn. Nếu khối lượng công việc của bạn giống loại thứ hai, mức trung bình là con số sai để mua dựa trên đó. Nếu nó giống loại đầu tiên, không có mức giảm giá nào bù đắp được.

Tại sao các con số lại thay đổi, và tại sao đó không phải là một vụ bê bối

Bản dựng lại v5 đã chạy lại toàn bộ nhóm mô hình trên một bộ đánh giá mới, và khoảng 60% trong đó là riêng tư — những câu hỏi chưa từng được công khai trước bản dựng lại. Các mô hình không phải tất cả đều đi theo cùng một hướng: một số giảm mạnh, một số tăng. Mistral Large 4 giảm từ 38 xuống 26 và GPT-6.1 Sol tăng từ 52 lên 55 là hai cách đọc của cùng một sự kiện, và cả hai đều không phải là chuyện một nhà cung cấp có một quý tồi tệ. Quy tắc rút ra rất đơn giản và dễ bị vi phạm do vô tình: đừng bao giờ lấy điểm từ một lần chạy chỉ mục này trừ đi điểm từ một lần chạy khác, và đừng bao giờ trích dẫn một khoảng cách mà hai nửa của nó được đo cách nhau một tuần. Khoảng cách tồn tại hôm nay là hai mươi chín điểm trên một công cụ đo.

Hai mươi chín điểm là con số lớn, và đó cũng chưa phải toàn bộ câu chuyện. Chỉ số 26 mô tả một mô hình có năng lực ở các công việc tổng quát và không có gì nổi bật ở phần khó nhất; chỉ số 55 mô tả một trong những mô hình mạnh nhất hiện có. Nếu khối lượng công việc của bạn là lập trình agentic trên một kho mã lớn, câu trả lời đã được định đoạt và không có lý lẽ nào về giá cả thay đổi được điều đó. Phần còn lại của bài viết này nói về những khối lượng công việc mà ở đó câu trả lời chưa được định đoạt.

Việc đảo ngược vẫn còn sau khi rebase

Phát hiện duy nhất từ giai đoạn xem trước tháng Mười vẫn đứng vững dưới công cụ mới là sự đảo ngược giá trên mỗi tác vụ, và nó vẫn đứng vững với những con số mới. Mistral Large 4 tính phí đầu vào bằng khoảng một phần ba và phí đầu ra bằng một phần năm so với GPT-6.1 Sol, mà vẫn tốn nhiều hơn 62% để hoàn thành cùng một tác vụ đánh giá — $2.06 so với $1.27. Đó không phải là một chiêu trò định giá. Hóa đơn của một mô hình suy luận bị chi phối bởi số lượng token mà nó chọn phát ra, và Mistral Large 4 phát ra rất nhiều: Artificial Analysis ghi nhận 110 triệu token đầu ra trong mẫu độ rườm rà của mình, so với mức trung vị 100 triệu, trong khi GPT-6.1 Sol ở mức 64 triệu, dưới trung vị. Token rẻ hơn nhân với nhiều token hơn không phải là tiết kiệm, và hóa đơn sẽ nói rõ điều đó.

Hệ quả thực tế hẹp hơn so với "mô hình rẻ hóa ra lại đắt". Với những công việc có đầu ra ngắn — phân loại, trích xuất, định tuyến, bất cứ thứ gì kết thúc sau hai trăm token và không bao giờ bước vào vòng lặp suy luận — thì giá token chính là hóa đơn, và mức $0.70 so với $2.00 chính là toàn bộ lập luận. Sự đảo ngược này cắn vào những bài toán suy luận dài hạn, đúng nơi mà khoảng cách hai mươi chín điểm cũng trú ngụ. Hai phép đo khác nhau cùng chỉ về một hướng là lý do để tin vào hướng đó, chứ không phải lý do để khái quát hóa nó cho mọi khối lượng công việc.

Tốc độ đi theo hướng ngược lại, và sự kiên nhẫn cũng vậy.

Mistral Large 4 nhanh hơn gấp đôi về tốc độ đầu ra: 161,3 token mỗi giây so với 79,1. Nó cũng trả về token đầu tiên trong 1,42 giây, tốt hơn một chút so với mức trung vị 1,68 giây của bộ so sánh. Con số công bố của GPT-6.1 Sol về thời gian đến token trả lời đầu tiên là 249,48 giây, so với mức trung vị 3,53 giây, đây là kiểu con số cần được giải thích thay vì chỉ trích dẫn.

249 giây đó gần như chắc chắn không phải độ trễ theo nghĩa mạng. Đó là thời gian mô hình dành để suy luận trước khi phát ra token trả lời đầu tiên, được đo ở mức nỗ lực suy luận tối đa, và đây là cách trung thực để cho thấy ngân sách suy luận dài gây tốn kém gì cho một người dùng đang chờ đợi. Dữ liệu định tuyến của chính chúng tôi làm rõ sự khác biệt này: trong 584,7 triệu token GPT-6.1 Sol được chuyển qua OrcaRouter trong bảy ngày tính đến 29 tháng 10, thời gian p50 đến token được stream đầu tiên là 1,36 giây trong khi p95 là 10 giây. Token đầu tiên đến nhanh; chính câu trả lời đầu tiên mới mất hàng phút, và các cờ trong API quyết định người dùng của bạn trải nghiệm trường hợp nào. Nếu ứng dụng của bạn stream token suy luận, thời gian chờ sẽ được lấp đầy và có thể chịu đựng được. Nếu không — nếu người dùng chỉ nhìn vòng quay chờ cho đến khi câu trả lời đầu tiên đến — thì token đầu tiên mất bốn phút là một ràng buộc sản phẩm mà không điểm benchmark nào bù đắp được, và một mô hình trả lời trong 1,4 giây sẽ cảm giác tốt hơn một mô hình mạnh hơn 29 điểm Index. Đây là trục mà trên đó mô hình rẻ hơn, điểm thấp hơn thường thắng trong các triển khai thực tế, và nó không xuất hiện trong bất kỳ bảng so sánh nào.

Sáng nay có gì thay đổi: đồng hồ kết thúc

Cho đến nay, lập luận về việc tự vận hành Mistral Large 4 vẫn chỉ là một lời hứa, mà lời hứa thì không trụ được qua vòng đánh giá mua sắm. Giờ đây nó đã là một kho mã nguồn. Hai checkpoint, một tệp giấy phép và một công thức phục vụ do nhà cung cấp công bố: vLLM với tensor parallelism 8 cùng FP8 MLA KV cache, SGLang ở tp-size 4, cả hai đều tích hợp sẵn draft head DSpark để giải mã suy đoán thay vì dùng mô hình thứ hai.

Điều mà việc đó mang lại không phải là một token rẻ hơn — mà là sự chấm dứt của token với tư cách là đơn vị chi phí. Trên phần cứng sở hữu riêng, hóa đơn trở thành khấu hao, điện năng, không gian tủ rack và kỹ sư vận hành cụm máy, còn một khối lượng công việc chạy ở mức cao và ổn định sẽ chuyển từ chi phí biến đổi thành chi phí cố định. Đó là lý lẽ dành cho một ngân hàng châu Âu có quy định về lưu trú dữ liệu, một nhà thầu quốc phòng mà quy trình mua sắm cấm suy luận từ nước ngoài, hay một nhà sản xuất nhúng một mô hình vào một dòng sản phẩm trong năm năm. Đó không phải là lý lẽ dành cho một startup có lưu lượng truy cập lúc cao lúc thấp và không có đội vận hành: 610 GB trọng số, tám GPU Blackwell và bộ nhớ đệm KV 1M token là một dự án đầu tư vốn, và mức giá thuê 0,70 đô-la còn rẻ hơn chi phí vốn trong một thời gian rất dài.

Giấy phép là phần mà mọi người thường bỏ qua. Đây là giấy phép MIT đã được sửa đổi với một điều khoản quan trọng: việc chạy các trọng số như một dịch vụ mô hình dưới dạng dịch vụ (model-as-a-service) yêu cầu một giấy phép thương mại riêng từ Mistral. Tuy nhiên, hãy đọc kỹ định nghĩa — định nghĩa này loại trừ các sản phẩm nhúng dành cho người dùng cuối và "việc chỉ chuyển tiếp yêu cầu đến các mô hình do bên khác lưu trữ", vì vậy một gateway chuyển lưu lượng đến suy luận do Mistral lưu trữ được miễn trừ, trong khi một công ty dựng trang trại suy luận của riêng mình và bán lại quyền truy cập thì không. Nếu kế hoạch của bạn là "tải xuống rồi trở thành nhà cung cấp", hãy đọc điều khoản trước khi báo giá phần cứng.

Nơi mà mỗi cái thực sự là câu trả lời đúng

• Lập trình agentic, sử dụng công cụ tầm dài hạn, làm việc với kho mã lớn — GPT-6.1 Sol. Khoảng cách trên Index là rộng nhất đúng ở đây, và phần phụ phí giá chính là cái giá của việc đúng đắn.

• Trích xuất và phân loại khối lượng lớn, đầu ra ngắn — Mistral Large 4 với giá đầu vào $0.70. Trần suy luận không bao giờ được kích hoạt, nên khoảng cách Index không bao giờ áp dụng.

• Triển khai có quản lý, ràng buộc theo khu vực tài phán — Mistral Large 4, và không phải vì nó tốt hơn. GPT-6.1 Sol không thể tự lưu trữ với bất kỳ mức giá nào, điều này chấm dứt mọi so sánh.

• Trợ lý tương tác nơi token đầu tiên chính là sản phẩm — Mistral Large 4 về tốc độ, trừ khi bạn stream phần suy luận và có thể chịu được thời gian chờ.

• Bộ công cụ bảo mật phòng thủ — Mistral Large 4, dựa trên tỷ lệ từ chối 96,6% do nhà cung cấp báo cáo đối với các yêu cầu tấn công mạng độc hại và một bộ chuẩn đánh giá an ninh mạng mà Mistral đã tổ chức xoay quanh buổi ra mắt sản phẩm. Những con số đó là của Mistral, không phải của một phòng thí nghiệm độc lập, và nên được coi là tuyên bố cho đến khi có ai đó chạy lại chúng.

• Bất cứ việc gì mà câu trả lời phải đúng và ngân sách độ trễ rộng rãi — GPT-6.1 Sol. Hai mươi chín điểm không phải là một lỗi làm tròn.

Nếu bạn định chạy cả hai

Các hệ thống hỗn hợp là kết quả thông thường của một so sánh như thế này, và câu hỏi vận hành trở thành làm sao để hai mô hình rất khác nhau cùng nằm dưới một hóa đơn. GPT-6.1 Sol có trên OrcaRouter đúng theo giá niêm yết của OpenAI — $2.00 và $10.00 mỗi triệu token, với bậc trên 272K ở $4.00 và $15.00 — được định tuyến với mức cộng thêm 0%, nên mức giá bạn thấy chính là mức OpenAI thu. Mistral Large 4 không có trong danh mục của chúng tôi: 214 mô hình, không có endpoint Mistral, và nếu bạn muốn gọi nó, bạn đến API riêng của Mistral hoặc bản triển khai vLLM của riêng bạn. Điều nền tảng thực sự có, đối với phần hosted, là DSL định tuyến — trỏ một khối lượng công việc vào một mô hình và chuyển nó mà không cần thay đổi mã — và chuyển đổi dự phòng tự động, chính là thứ khiến việc thử một mô hình mới trên một đường dẫn sản xuất trở nên an toàn. Nối endpoint tự host vào đằng sau cùng một mẫu đó, và hai nửa của so sánh này không còn là một quyết định mà bạn phải đưa ra một lần rồi cố định.

Hai câu hỏi, không phải một.

Các trang so sánh sẽ cho bạn biết GPT-6.1 Sol thắng, và trên công cụ đo lường độc lập duy nhất mà cả hai mô hình cùng chia sẻ, nó thắng — 55 so với 26, với chi phí thấp hơn 62% cho mỗi tác vụ hoàn thành và tốc độ đầu ra chỉ hơn một nửa một chút. Đó là câu trả lời đúng cho câu hỏi "mô hình nào tốt hơn", và nếu đó là câu hỏi duy nhất thì thị trường đã ngã ngũ về chuyện này vào tháng Chín rồi.

Câu hỏi được đặt ra sáng nay thì khác: mô hình nào bạn vẫn có thể tiếp tục vận hành trong ba năm tới, trên phần cứng do bạn kiểm soát, theo một giấy phép mà bạn đã đọc. Với rất nhiều đội nhóm, câu trả lời vẫn sẽ là "không cái nào cả, chúng tôi thuê" — và khi đó GPT-6.1 Sol là lựa chọn thuê tốt hơn. Với những đội mà ràng buộc của họ là quyền sở hữu chứ không phải năng lực, mô hình đạt 26 điểm hôm nay đã không còn là một sự thỏa hiệp nữa mà trở thành lựa chọn duy nhất trên bàn. Hai câu trả lời đều có thể đúng, đó là lý do công việc thú vị không phải là chọn ra người thắng cuộc mà là xác định tổ chức của bạn thực sự đang đặt ra câu hỏi nào.