Mistral Large 4 vs Claude Opus 5.5: Con số đối đầu trực tiếp duy nhất lại đang so với nhầm phiên bản

Cuộc đối đầu trực tiếp mù duy nhất hiện có cho Mistral Large 4 và Claude Opus 5.5đã được đo lường so với phiên bản trước của một trong hai mô hình. Surge AI đã giấu danh tính các mô hình và để những người gán nhãn chuyên nghiệp chấm điểm đầu ra viết mã trên thang điểm 1–5; Mistral Large 4 Preview xếp thứ hai trong số năm mô hình với 3,74, đứng sau Claude Opus 5ở mức 4,22 và đứng trên Kimi K3 ở mức 3,59 cùng GLM-5.3 ở mức 3,60. Claude Opus 5.5 ra mắt ngày 22 tháng 9, nên thứ gần nhất với một so sánh do con người thực hiện được công bố cho cặp đấu này đã cũ hơn ba tuần so với bản phát hành hiện tại của đối thủ, và chưa ai chạy lại nó. Mọi thứ khác đều có thể so sánh được, và tất cả đều chỉ về một hướng: trên Chỉ số Thông minh của Artificial Analysis, Mistral Large 4 Preview đạt 38,4 còn Claude Opus 5.5 đạt 58 — đứng đầu trong số 216 mô hình — trong khi chi phí hoàn thành một tác vụ của chỉ số là 1,13 USD so với 5,98 USD.

Hai sự thật đó chính là toàn bộ cục diện của quyết định. Khoảng cách về năng lực là rất lớn và, tính đến phiên bản này, còn lớn hơn trước. Khoảng cách về chi phí là hơn năm lần một chút, và nó không hề thay đổi khi Anthropic cắt giảm giá.

Claude Opus 5.5 là gì, theo chính lời của Anthropic

Claude Opus 5.5 là sản phẩm chủ lực hiện tại của Anthropic, ra mắt ngày 22 tháng 9 năm 2026 và được định vị cho công việc tác nhân dài hạn: các phiên nhiều bước, sử dụng công cụ nhiều và lập trình. Mức giá niêm yết là 4 USD cho mỗi triệu token đầu vào và 20 USD cho mỗi triệu token đầu ra, với đọc bộ nhớ đệm ở mức 0,20 USD và ghi bộ nhớ đệm ở mức 5 USD — Anthropic mô tả những mức đó thấp hơn 20% so với Opus 5 ở đầu vào và đầu ra, và thấp hơn 60% ở đọc bộ nhớ đệm. Có một chế độ Fast ở mức 8 USD / 40 USD mà công ty nói rằng chạy nhanh hơn tới 2,5 lần trong Claude Code và Claude Platform. Nó có sẵn trên Amazon Web Services, Google Cloud và Microsoft Azure, với tính năng không lưu giữ dữ liệu được cung cấp, và Anthropic cho biết Claude Sonnet 5.5 và Claude Haiku 5.5 sẽ ra mắt trong những tuần tới.

Hai chi tiết trên trang đó quan trọng hơn phần còn lại. Đầu tiên là một ràng buộc chuyển đổi chứ không phải một tính năng: Anthropic nêu rằng Claude Opus 5.5 không còn khả dụng khi chế độ suy nghĩ bị tắt. Nếu pipeline hiện tại của bạn gọi Opus 5 ở chế độ không suy nghĩ cho những lượt rẻ, nhanh, mang tính xác định, thì cấu hình đó không có phiên bản kế nhiệm trực tiếp trong mô hình này. Thứ hai là lưu ý của chính Anthropic, được in bên cạnh điểm số của họ, rằng các khoảng cách trên benchmark đã trở thành một chỉ dẫn kém tin cậy hơn cho những khác biệt trong thế giới thực — một điều bất thường để một nhà cung cấp viết bên cạnh một bảng mà họ đang dẫn đầu, và đáng để chấp nhận đúng như vậy khi bạn đọc những con số bên dưới.

Các số liệu do nhà cung cấp báo cáo từ thông báo của Anthropic là Terminal-Bench 4.0 đạt 66,4%, FrontierCode v1.1 đạt 54,4%, CursorBench 4.0 đạt 57,8%, GDPval-AA v2.1 đạt 1.846 Elo, AutomationBench đạt 40,0%, Humanity's Last Exam đạt 67,7% khi dùng công cụ, Terminal-Bench-Science 0.1 đạt 58,7% và OSWorld 2.1 đạt 81,8% một phần. Tất cả những số liệu đó đều là các lần chạy của chính Anthropic, với điểm của các mô hình so sánh được lấy từ trang của chính các nhà cung cấp, và không có số liệu nào trong đó được tái lập độc lập cho cặp so sánh này hay bất kỳ cặp nào khác.

Mistral Large 4 là gì, tính đến ngày 13 tháng 10

Mistral Large 4 là bản xem trước công khai được công bố vào ngày 6 tháng 10 năm 2026, phiên bản v26.10, và đây là mô hình lớn nhất mà Mistral AI từng phát hành. Công ty mô tả nó là một sparse mixture-of-experts đa phương thức nguyên bản với tổng cộng 1,05 nghìn tỷ tham số và 52 tỷ tham số hoạt động, cộng thêm một bộ mã hóa thị giác 1,6 tỷ tham số, được huấn luyện từ đầu trên 3.800 GPU NVIDIA Grace Blackwell trong các trung tâm dữ liệu châu Âu của chính Mistral, trên dữ liệu trải rộng hơn 160 ngôn ngữ. Artificial Analysis ghi nhận số tham số hoạt động là 49 tỷ thay vì 52 tỷ — một khoảng cách ba tỷ ở một khía cạnh, được ghi chú lại thay vì lấy trung bình. Thẻ mô hình của chính Mistral nêu cửa sổ ngữ cảnh 1M token; Artificial Analysis đọc được 524.288 trên cấu hình mà họ kiểm thử, và mục FAQ của họ ghi 520k, đó là khác biệt giữa mức trần mà nhà cung cấp quảng cáo và cửa sổ mà một triển khai thực sự phục vụ thực tế đưa cho bạn.

Giá là 1,36 đô-la cho mỗi triệu token đầu vào, 0,14 đô-la cho đầu vào được lưu đệm và 4,18 đô-la cho mỗi triệu token đầu ra trên bảng giá, kèm một chương trình khuyến mãi ra mắt hiển thị đúng ba dòng đó bị gạch ngang ở mức 0,68 đô-la, 0,07 đô-la và 2,09 đô-la. Các nhãn trạng thái trên bảng giá ghi là Bản xem trước công khai, Mở và v26.10 — và cái thứ hai trong số đó là cái cần đọc kỹ. Mistral nói rằng trọng số sẽ được phát hành trước cuối tháng, và bài đăng ra mắt nhắc lại cam kết đó hai lần; điều mà nó không làm là nêu tên một giấy phép. Artificial Analysis theo dõi lĩnh vực này một cách độc lập và ghi tên giấy phép là null, đánh dấu mô hình isOpenWeights: false, và phân loại nó là độc quyền. Không ai mâu thuẫn với ai ở đó cả. Một bản xem trước được phục vụ từ cụm của chính nhà cung cấp, không có kho checkpoint và không có văn bản giấy phép, là một mô hình có thể gọi được chứ không phải một bản phát hành trọng số mở, và tuyên bố trọng số mở là một kế hoạch gắn kèm thời hạn chứ không phải một liên kết tải xuống.

Các con số benchmark của chính Mistral, vốn đều do nhà cung cấp tự báo cáo xuyên suốt, là 61,7% trên DeepSWE v1.1, 59,4% trên SWE-Atlas-QnA, 28,3% trên Terminal-Bench 4.0 và Chỉ số Coding Agent tổng hợp là 49,8%; 59,9% trên AutomationBench qua 657 quy trình công việc doanh nghiệp; 1.393 Elo trên AA-Briefcase; 42% trên Dense 200 cho visual grounding; và, trong các đánh giá an ninh mạng của mình, 82% trên một bài kiểm tra reproduce-and-patch mà Mistral mô tả là cao nhất trong số bất kỳ mô hình nào, cùng với 93% trên 40 bài tập thi đấu của Cybench. Công ty cũng đã đặt hàng một nghiên cứu con người mù và công bố nó, đây là một dạng bằng chứng mạnh hơn một benchmark tự chạy và vẫn là một nghiên cứu mà họ kiểm soát việc công bố.

Bản nâng cấp 5.5 đã thay đổi điều gì về quyết định này

Nếu bạn đọc trang Mistral Large 4 so với Claude Opus 5 trên blog này, ba điều ở đây là mới, và chỉ một trong số đó là việc giảm giá.

• Khoảng cách năng lực ngày càng rộng ra, chứ không hề thu hẹp. Claude Opus 5 đạt 50,8 điểm trên Intelligence Index; Claude Opus 5.5 đạt 58. So với 38,4 của Mistral Large 4 Preview, khoảng cách tăng từ 12,4 điểm lên 19,6. Một bản nâng cấp phiên bản giúp thêm bảy điểm cho vị trí dẫn đầu bảng xếp hạng trong khi đối thủ đứng yên lại khiến cho việc lựa chọn ở làn tiên phong trở nên rõ ràng hơn để đầu tư, chứ không mơ hồ hơn.

• Đợt giảm giá đã không đi tới hóa đơn. Anthropic đã giảm 20% giá đầu vào và đầu ra — từ $5 / $25 xuống $4 / $20 — nhưng chi phí để hoàn thành một tác vụ trong chỉ số của Artificial Analysis lại tăng, từ $5.86 đối với Claude Opus 5 lên $5.98 đối với Claude Opus 5.5. Những token rẻ hơn lại bị tiêu tốn bởi một mô hình dùng nhiều token hơn. Đó là con số hữu ích nhất trên trang này, và nó đáng để ta ngồi lại suy ngẫm: giá niêm yết chỉ là một đầu vào của hóa đơn, chứ không phải là dự đoán về hóa đơn.

• Một cấu hình đã biến mất. Không còn có thể tắt chế độ suy nghĩ trong Opus 5.5. Nếu bạn mua Opus 5 một phần vì lối không suy nghĩ giá rẻ, thì mô hình này không thay thế lối đó, và quyết định thay thế giờ đây là quyết định giữa hai mô hình thay vì một lần hoán đổi phiên bản.

Điều không thay đổi: câu chuyện bộ nhớ đệm vẫn nghiêng về Anthropic cho ngữ cảnh lặp lại — $0,20 mỗi triệu cho một lần đọc bộ nhớ đệm, so với mức niêm yết $0,14 và mức khuyến mại $0,07 của Mistral. Trong một vòng lặp agent ngữ cảnh dài với tiền tố ổn định, đó là dòng tác động mạnh nhất đến hóa đơn, và cả hai con số đều cần được soi xét kỹ lưỡng giống như các mức giá tiêu đề vừa được.

Hai mô hình dài dòng nhất trên bảng xếp hạng

Artificial Analysis công bố số lượng token đầu ra cho mỗi lần chạy chỉ số của từng mô hình, và hai mô hình ở đây nằm ở hai thái cực của nó. Claude Opus 5.5 đã tạo ra 260 triệu token đầu ra trong lần chạy đó. Mistral Large 4 Preview tạo ra 200 triệu. Trung vị trên các mô hình được đo là 85 triệu. Cả hai đều tiêu tốn gấp hai đến ba lần so với một mô hình thông thường để trả lời cùng các câu hỏi, và chỉ một trong số chúng tính phí $4 và $20 mỗi triệu token trong khi làm vậy.

Độ rườm rà không phải là một khiếm khuyết, và nó cũng không phải là một tín hiệu chất lượng. Nó là một hệ số nhân trên giá, và nó là lý do khiến đợt giảm giá Opus đã được triển khai mà không đạt được mức chi phí trên mỗi tác vụ. Nếu bạn đang lập ngân sách chỉ dựa trên bảng giá niêm yết, hãy tính luôn cả hệ số nhân: ở mức 20 đô-la mỗi triệu token đầu ra, một mô hình phát ra gấp ba lần mức trung vị có mức giá đầu ra hiệu dụng gần 60 đô-la mỗi triệu so với một mô hình hành xử ở mức trung vị, và 260 triệu token trên một bộ đánh giá không phải là sai số làm tròn.

Bảng tỷ số

• Giá mỗi triệu token, đầu vào / đầu ra — Mistral Large 4 $1.36 / $4.18 theo giá niêm yết, $0.68 / $2.09 theo giá khuyến mại, so với Claude Opus 5.5 $4.00 / $20.00

• Đầu vào đã lưu trong bộ nhớ đệm — giá niêm yết $0,14, giá khuyến mãi $0,07 so với $0,20 mỗi triệu lượt đọc và $5,00 mỗi triệu lượt ghi

• Chi phí cho mỗi tác vụ trên Intelligence Index — 1,13 USD so với 5,98 USD, theo Artificial Analysis

• Intelligence Index — 38.4, hạng 65/216 so với 58, hạng 1/216, theo Artificial Analysis

• Số token đầu ra trong lần chạy chỉ mục đó — 200M so với 260M, so với mức trung vị là 85M

• Cửa sổ ngữ cảnh — 1M theo công bố của Mistral với 524,288 trên cấu hình được thử nghiệm, so với 1M theo cách đọc của Artificial Analysis về Claude Opus 5.5, mà trang công bố của nó lại không nêu con số nào theo cả hai hướng

• Công suất tối đa — không được nhà cung cấp nào công bố

• Tốc độ đo được — không được công bố đối với Mistral Large 4 Preview so với 95,2 token đầu ra mỗi giây, với chế độ Fast $8 / $40 mà Anthropic cho biết đạt tới 2,5x

• Trọng số và giấy phép — được hứa vào cuối tháng 10 với giấy phép chưa được nêu tên, hiện được Artificial Analysis đánh dấu là độc quyền, so với đóng

• Tính khả dụng — API bản xem trước của Mistral và Mistral Studio, được cung cấp trên hạ tầng châu Âu của chính Mistral, so với AWS, Google Cloud, Azure và danh mục OrcaRouter

Khi Mistral Large 4 là lựa chọn phù hợp

Chọn Mistral Large 4 khi công việc có khối lượng lớn, được đặc tả rõ ràng và tốn ít chi phí để kiểm tra. Phân loại, trích xuất, tóm tắt ở quy mô lớn, tạo đầu ra có cấu trúc, đánh giá mã nguồn lần đầu, và phần đuôi dài gồm các tác vụ nội bộ nơi một câu trả lời sai chỉ khiến phải thử lại chứ không gây ra sự cố. Với mức 1,13 USD cho mỗi tác vụ chỉ mục so với 5,98 USD, một pipeline chạy một triệu tác vụ mỗi tháng không cần một lập luận tinh tế để biện minh cho việc dùng mô hình rẻ; nó cần mô hình rẻ đó đủ tốt, và trên AutomationBench — hạng mục mà ở đó mô hình được yêu cầu hoàn thành các quy trình công việc thông thường — con số 59,9% do chính Mistral báo cáo là ngang tầm với con số mà Anthropic báo cáo cho Opus 5.5 trên cùng bộ khung kiểm thử. Các lần chạy khác nhau, nhà cung cấp khác nhau, nên hãy coi đó là một tín hiệu hơn là một kết quả, nhưng đây là hạng mục gần nhất với những gì một đơn vị kinh doanh thực sự yêu cầu mô hình làm.

Mistral Large 4 cũng là bên duy nhất trong cặp này có lộ trình đáng tin cậy để tự triển khai, và điều đó đáng giá hơn một điểm benchmark đối với một số độc giả. Lời hứa về trọng số vào cuối tháng 10 không phải là trọng số, và một giấy phép không được nêu tên không phải là giấy phép, nên đây là lý do để theo dõi chứ không phải lý do để chuyển đổi ngay hôm nay. Nhưng trong hai mô hình ở đây, đây là mô hình duy nhất mà một lập luận về lưu trú dữ liệu hoặc truy cập trong lúc sự cố có thể kết thúc bằng "chúng tôi tự vận hành nó". Câu chuyện huấn luyện và phục vụ ở châu Âu nằm cùng bên của sổ cái đó.

Khi Claude Opus 5.5 là lựa chọn phù hợp

Chọn Claude Opus 5.5 khi tác vụ dài, các bước phụ thuộc lẫn nhau và sai thì tốn kém. Terminal-Bench 4.0 là đường phân chia rõ nét nhất trong so sánh này — Anthropic báo cáo 66,4% cho Opus 5.5 so với 28,3% của Mistral cho mô hình của chính họ trên cùng một bộ đánh giá — và công việc trên terminal là đại diện công khai gần nhất cho lập trình agentic, vốn là phần lớn lý do các đội nhóm mua một mô hình tiên phong. Khoảng cách 19,6 điểm trên Chỉ số Thông minh và khoảng cách Terminal-Bench gần 2,4 lần, nói cách khác: đây không phải là một lựa chọn sát nút ở phân khúc khó, và không lập luận nào về giá có thể bù đắp nếu khối lượng công việc của bạn nằm ở đó. Thêm ngữ cảnh 1M, tốc độ đo được 95,2 token/giây so với con số chưa công bố ở phía bên kia, chế độ Fast cho các luồng nhạy cảm với độ trễ, và khả dụng trên ba đám mây lớn với không lưu trữ dữ liệu, thì khoản phí cao mua được dư địa vận hành thực sự.

Câu hỏi thực tế là liệu bạn có cần trả toàn bộ phần cao cấp cho mọi lần gọi hay không. Hầu hết các đội nhóm chạy một mô hình tiên phong ở quy mô lớn nhận thấy rằng một thiểu số yêu cầu — những yêu cầu có sự mơ hồ đa bước thực sự — tiêu tốn phần lớn năng lực, còn phần còn lại thì không. Đó là một quyết định định tuyến, không phải quyết định về mô hình, và đây chính là trường hợp mà chạy cả hai mới là câu trả lời thực sự. Claude Opus 5.5 nằm trong danh mục OrcaRouter ở mức giá niêm yết của Anthropic với markup 0% trên cùng endpoint tương thích OpenAI như hơn 200 mô hình khác, nên việc thử cả hai chỉ tốn một key thay vì phải có thêm một hợp đồng nhà cung cấp thứ hai. Mistral Large 4 hiện không có trong danh mục của chúng tôi hôm nay — nó được truy cập qua API preview của chính Mistral và qua một số nền tảng bên thứ ba — và điều đó được nêu như một sự thật về danh sách của chúng tôi, không phải một thông báo ra mắt kín đáo.

Đối với một bản xem trước, tính năng xứng đáng có mặt là chuyển đổi dự phòng. Việc gửi một phần lưu lượng đến một mô hình mà giấy phép, trọng số và ngữ cảnh được phục vụ vẫn còn bỏ ngỏ đồng nghĩa với việc kiểu thất bại hữu ích là định tuyến lại thay vì gián đoạn dịch vụ, và bạn học được những kiểu thất bại thực sự của mô hình trên dữ liệu của chính mình thay vì trên bảng xếp hạng của người khác.

Sự thật duy nhất quyết định điều đó

Chưa có ai đánh giá đối đầu trực tiếp Mistral Large 4 và Claude Opus 5.5 ở cùng cấu hình trên một harness có tên — con số đánh giá mù bởi con người duy nhất tồn tại là so với Claude Opus 5, và phiên bản mà bạn đang chọn để so sánh không phải Claude Opus 5 — nên cơ sở trung thực để đưa ra quyết định hôm nay là mô hình rẻ có chi phí bằng một phần năm cho mỗi tác vụ hoàn thành, còn mô hình đắt hơn dẫn trước nó khoảng hai mươi điểm chỉ số và khoảng cách Terminal-Bench gần 2.4 lần, ở mức giá niêm yết mà Anthropic đã cắt giảm mà không cắt giảm chi phí mỗi tác vụ.

Nếu một câu trả lời thất bại trong khối lượng công việc của bạn tốn ít hơn 4,6 lần thử lại, hãy mua Mistral Large 4. Nếu tốn nhiều hơn, hãy mua Claude Opus 5.5 — và nếu bạn vẫn chưa thể trả lời câu hỏi đó về lưu lượng của chính mình, hãy chạy cả hai trên một endpoint và để một tháng yêu cầu thực tế trả lời câu hỏi đó cho bạn.