Muse Spark vs GPT-6.1 Sol: Chi phí mỗi tác vụ nói ngược lại với chi phí mỗi token

Đặt M​use Spark và GPT-6.1 Sol lên cùng một dòng, và mức giá theo token sẽ tự đưa ra quyết định thay bạn: $1.25 so với $2.00 mỗi triệu token đầu vào, $4.25 so với $10.00 mỗi triệu token đầu ra. M​use Spark trông như bên rẻ hơn với khoảng cách rất xa. Rồi bạn nhìn vào khoản phí mà Artificial Analysis tính để thực sự hoàn thành một tác vụ Intelligence Index với mỗi mô hình, và thứ tự đảo ngược — $0.72 cho GPT-6.1 Sol ở thiết lập suy luận tối đa so với $1.60 cho M​use Spark 1.3 ở mức tối đa. Sol tốn chưa bằng một nửa cho mỗi tác vụ hoàn thành mà còn đạt điểm chỉ số cao hơn bốn điểm, và lý do duy nhất là nó kín tiếng: Sol tạo ra 67M token khi chạy chỉ số, còn M​use Spark 1.3 tạo ra 170M. Nếu bạn vẫn đang tính chi phí cho hai mô hình này bằng một bảng tính theo token, thì cặp đấu này là trường hợp rõ ràng nhất trong bối cảnh hiện tại cho thấy bảng tính đó đã sai.

Mỗi thứ trong số này thực sự là gì

GPT-6.1 Sol là nước đi định vị của OpenAI trong dòng GPT-6: ra mắt ngày 29 tháng 9 năm 2026, được định giá rõ ràng thấp hơn mẫu chủ lực GPT-6 Astra — thông báo của OpenAI mô tả nó có trí tuệ ngang với Astra ở các mảng lập trình tác tử, sử dụng máy tính và công việc chuyên môn, với mức giá chỉ bằng khoảng một phần năm giá đầu vào và đầu ra tiêu chuẩn của Astra. Nó đang được cung cấp rộng rãi, không bị ngừng hỗ trợ và được hỗ trợ bởi danh sách mô hình đã công bố của OpenAI.

M​use Spark 1.3 là checkpoint hiện tại của dòng M​use Spark thuộc M​eta Superintelligence Labs, được phát hành ngày 2 tháng 9 năm 2026 và được đặt ở thiết lập suy luận tối đa vào ngày 4 tháng 9. M​use Spark 1.1 và 1.2 ra đời trước nó. Đối với những ai đến từ tài liệu so sánh cũ hơn, "M​use Spark" không kèm số giờ dùng để chỉ chung 1.1, 1.2 và 1.3, và 1.3 là phiên bản được M​eta gắn nhãn hiện hành.

Vậy nên đây là cuộc đối đầu giữa hai mẫu được xây dựng quanh cùng một định vị — năng lực gần ngang flagship ở mức giá cố tình thấp hơn — khiến cho sự khác biệt trong cách chúng mang lại điều đó trở nên thú vị hơn cả điểm số.

Những con số độc lập, và con số quyết định

Cả hai hàng dưới đây đều là các phép đo do chính Artificial Analysis thực hiện trên hệ thống của họ, ở cài đặt suy luận tối đa của từng mô hình. Đây không phải là số liệu từ nhà cung cấp.

• Intelligence Index — GPT-6.1 Sol (Max): 52, xếp hạng 12/217. Muse Spark 1.3 (Max): 48, xếp hạng 24/217.

• Chi phí cho mỗi tác vụ lập chỉ mục — GPT-6.1 Sol: $0,72. Muse Spark 1.3: $1,60. Sol rẻ hơn 2,2 lần cho mỗi tác vụ hoàn thành.

• Token đầu ra trong quá trình lập chỉ mục — GPT-6.1 Sol: 67M, được mô tả là khá súc tích so với mức trung vị 87M. M​use Spark 1.3: 170M, được mô tả là rất dài dòng.

• Tốc độ đầu ra — GPT-6.1 Sol: 53,5 token mỗi giây, xếp hạng 154 trong số 186, được mô tả là chậm một cách đáng chú ý. Muse Spark 1.3: 121,9 token mỗi giây, xếp hạng 43 trong số 186, nhanh một cách đáng chú ý. Muse Spark nhanh hơn 2,3 lần về đầu ra.

• Giá niêm yết như được đo lường — Sol ở mức $2.00 cho đầu vào / $10.00 cho đầu ra với đầu vào được lưu trong bộ nhớ đệm ở mức $0.10; M​use Spark 1.3 ở mức $1.25 cho đầu vào / $4.25 cho đầu ra với đầu vào được lưu trong bộ nhớ đệm ở mức $0.15.

Có một sự đánh đổi thực sự ẩn giấu bên trong năm gạch đầu dòng đó, và nó không phải là điều mà tiêu đề gợi ý. Sol là mô hình rẻ hơn để chạy trọn vẹn một tác vụ, và nó làm được điều đó bằng cách suy nghĩ ít hơn và nói ít hơn — 67M token chỉ bằng khoảng hai phần năm lượng đầu ra của M​use Spark để đổi lấy thêm bốn điểm chỉ số. M​use Spark sẽ đưa ra câu trả lời cho bạn nhanh hơn tính theo thời gian thực một khi nó bắt đầu, nhanh hơn khoảng gấp đôi, nhưng nó sẽ tạo ra lượng văn bản nhiều hơn hẳn để làm được điều đó. Bạn muốn cái nào phụ thuộc vào việc ràng buộc của bạn là hóa đơn vào cuối tháng hay độ trễ trước mặt người dùng.

Để kiểm tra tính hợp lý về hướng, bảng xếp hạng văn bản của LMArena xếp một cấu hình GPT-6.1 Sol ở vị trí thứ 22 với 1484 Elo; Muse Spark 1.3 không xuất hiện trên bảng đó. Mức chênh lệch chỉ số bốn điểm và chênh lệch về sở thích của con người ở đây đều chỉ về cùng một hướng, điều không phải lúc nào cũng xảy ra.

Tuyên bố của nhà cung cấp từ cả hai phía

OpenAI đã công bố kết quả GPT-6.1 Sol của mình chủ yếu dưới dạng các mức chênh lệch thay vì điểm tuyệt đối, điều này đáng để biết trước khi bất kỳ ai trích dẫn chúng thành một bảng. Những gì thông báo khẳng định, tất cả đều do nhà cung cấp báo cáo và chưa được chúng tôi tái lập: Sol ngang bằng GPT-6 Astra trên DeepSWE v1.1 với chi phí chỉ khoảng một phần năm và vượt điểm số tốt nhất của GPT-6 Sol 6,4 điểm phần trăm ở mức nỗ lực suy luận thấp hơn; nó đạt điểm cao hơn Claude Opus 5.5 với chi phí mỗi tác vụ chưa bằng một nửa trên GDP.pdf; nó cải thiện so với Opus 5.5 2,2 điểm trên AutomationBench ở mức nỗ lực trung bình; nó vượt GPT-6 Sol bảy điểm trên bộ offline của OSWorld 2.0 ở mức nỗ lực tối đa, đồng thời chỉ kém Astra 2,1 điểm với chi phí chỉ bằng khoảng một phần bảy; và ở mức nỗ lực suy luận thấp, nó giảm tỷ lệ phản hồi chứa lỗi thực tế từ 11,4% xuống 7,7%. Con số tuyệt đối duy nhất trong tuyên bố về quy trình làm việc khoa học của OpenAI là 68,1% của chính Astra trên Terminal-Bench Science 0.1, trong đó Sol tốn 5,47 USD mỗi tác vụ so với 23,21 USD của Claude Opus 5.5 — một so sánh chi phí, không phải so sánh điểm số.

Các số liệu đã công bố của Meta cho Muse Spark 1.3 là DeepSWE v1.1 đạt 75,4; OSWorld 2.0 đạt 66,9; Terminal-Bench 2.1 đạt 76,4 với tác nhân Terminus 2; MCP-Atlas đạt 89,2; GDPval-AA v2 đạt 1.754; SciCode đạt 58,5; HLE-Diamond không dùng công cụ đạt 26,1 và JobBench đạt 61,8. Cần lưu ý kỹ điều không thể làm với hai danh sách này: OpenAI báo cáo mức thay đổi, Meta báo cáo mức tuyệt đối, và hai nhà cung cấp không chạy cùng các đánh giá trên cùng các harness. Điểm duy nhất chúng gần như gặp nhau là DeepSWE v1.1, và ngay cả ở đó, một con số là mức chênh lệch còn con số kia là giá trị tuyệt đối.

Những khác biệt về thông số kỹ thuật quan trọng hơn điểm số

• Các phương thức đầu vào — M​use Spark 1.3 chấp nhận văn bản, hình ảnh và video. GPT-6.1 Sol chỉ chấp nhận văn bản và hình ảnh; âm thanh và video được ghi nhận là không được hỗ trợ. Với bất kỳ quy trình nào có đầu vào video, so sánh này kết thúc tại đây.

• Cửa sổ ngữ cảnh — Sol công bố 1.050.000 token với đầu vào tối đa 922.000 và đầu ra tối đa 128.000. M​use Spark 1.3 là mức cố định 1.048.576, không có con số đầu ra tối đa được công bố mà chúng tôi có thể xác minh. Nhìn thì có vẻ tương đương nhưng chúng hoạt động khác nhau: cửa sổ của Sol được chia rõ ràng thành ngân sách đầu vào và đầu ra, trong khi cửa sổ của M​use Spark không được ghi tài liệu theo cách đó.

• Định giá theo ngữ cảnh dài — đây là cái bẫy vận hành về phía Sol. Mức giá tiêu chuẩn áp dụng cho các prompt tối đa 272.000 token đầu vào; vượt ngưỡng đó, yêu cầu sẽ được tính theo mức giá ngữ cảnh dài là 4,00 USD cho đầu vào và 15,00 USD cho đầu ra, tức gấp đôi giá đầu vào và gấp 1,5 lần giá đầu ra, cho toàn bộ yêu cầu. Một agent Sol vượt quá 272K token không chỉ trả nhiều hơn một chút, mà nó chuyển hẳn sang bậc giá khác. M​use Spark 1.3 không có cơ chế phân bậc tương đương trong mức giá công bố của mình.

• Các bậc dịch vụ — Sol đi kèm với batch và flex ở mức 50%, chế độ nhanh ở mức 2x, và một bậc siêu nhanh ở mức 6x giá tiêu chuẩn, được bổ sung vào ngày 8 tháng 10 năm 2026. Muse Spark 1.3 có một bậc tiêu chuẩn và một biến thể Contributor đánh đổi mức giá thấp hơn — $0.10 đầu vào, $0.20 đầu ra — để lấy quyền huấn luyện trên các prompt và completion của bạn. Lựa chọn cuối cùng đó không có tương đương nào từ OpenAI và cũng không có tương đương nào từ Google, và với một số đội nhóm, đó là yếu tố loại bỏ, trong khi với những đội khác, đó là mức giảm chi phí gấp 10 lần.

• Điều khiển suy luận — tham số effort của Sol hoạt động ở các mức low, medium, high, xhigh và max, và rõ ràng không hỗ trợ "none" hoặc "minimal" — bạn không thể tắt suy luận. Thang cấp độ của Muse Spark bắt đầu từ minimal trở lên, và tài liệu công cụ của Meta lưu ý rằng suy luận cũng không thể bị vô hiệu hóa. Cả hai nhà cung cấp đã quyết định điều này thay bạn.

• Thời điểm cắt kiến thức — Sol công bố ngày 30 tháng 4 năm 2026. Meta không công bố một con số tương đương cho Muse Spark 1.3 mà chúng tôi có thể xác minh.

Con số chi phí trên mỗi tác vụ cho bạn biết điều gì và không cho bạn biết điều gì

Con số $0,72 so với $1,60 là con số đơn lẻ hữu ích nhất trong so sánh này và cũng là con số dễ bị dùng sai nhất. Đó là chi phí trung bình để chạy một tác vụ Intelligence Index ở mức nỗ lực suy luận tối đa, vốn là một hỗn hợp cụ thể của các đánh giá nặng về suy luận và có đầu ra dài — không phải khối lượng công việc của bạn. Nếu ứng dụng của bạn chỉ là một câu hỏi ngắn và một câu trả lời ngắn, số token mỗi yêu cầu của bạn rất nhỏ và mức giá đầu vào $1,25 của M​use Spark 1.3 thắng áp đảo. Nếu ứng dụng của bạn là một agent suy luận trong thời gian dài và viết rất nhiều văn bản trung gian, độ dài dòng là yếu tố chi phối chi phí và 67M token của Sol so với 170M của M​use Spark là khác biệt giữa một hóa đơn có thể duy trì được và một hóa đơn khó chịu. Cách trung thực để dùng cặp số đó là xem nó như một lời cảnh báo rằng mức giá trên mỗi token xếp hai mô hình này theo một cách, còn kinh tế học của tác vụ đã hoàn thành xếp chúng theo cách ngược lại, và chỉ có phân phối token của chính bạn mới cho bạn biết bạn đang thuộc về cách xếp hạng nào.

Đưa cả hai vào một phím

GPT-6.1 Sol đã có trên OrcaRouter, và hai checkpoint Muse Spark mà chúng tôi cung cấp — Muse Spark 1.2 và Muse Spark 1.1 cũng vậy — theo giá niêm yết của từng nhà cung cấp, với 0% markup được chuyển nguyên. Một API cho 200+ mô hình nghĩa là câu hỏi về mức độ dài dòng ở trên có thể được trả lời bằng thực nghiệm thay vì bằng lý thuyết: hãy ghi log số lượng token cho vài trăm yêu cầu thực tế qua một endpoint duy nhất, sau đó dùng DSL định tuyến để gửi phần lưu lượng suy luận dài của bạn sang bên thực sự thắng trên phân phối của bạn, với cơ chế chuyển đổi dự phòng tự động bao phủ mô hình thua. Vì bậc ngữ cảnh dài của Sol thay đổi mức giá tại 272K token đầu vào, cơ chế dự phòng đó cũng cho bạn một nơi để đặt một yêu cầu mà nếu không sẽ vượt ngưỡng.

Lưu ý mà chúng tôi nợ bạn: M​use Spark 1.3 không có trong danh mục của chúng tôi, nên phần M​use Spark của bài kiểm tra đó chạy trên 1.2, phiên bản mà Artificial Analysis đo thấp hơn M​use Spark Open một điểm và hiện mang thông báo ngừng hỗ trợ trỏ đến 1.3. Và mọi con số do nhà cung cấp đưa ra trong bài này — các mức chênh lệch của O​penAI, bảng điểm của M​eta — đều là tuyên bố, không phải kết quả đo; những số liệu duy nhất ở đây mà chúng tôi sẵn sàng bảo vệ như là độc lập chính là các dòng của Artificial Analysis.

Quyết định, được trình bày một cách rõ ràng

Dựa trên bằng chứng, GPT-6.1 Sol thắng trong cuộc so tài này ở các chỉ số thường quyết định việc ứng dụng trong doanh nghiệp: điểm chỉ số độc lập cao hơn, rẻ hơn khoảng 2,2 lần cho mỗi tác vụ hoàn thành, khối lượng đầu ra chỉ bằng một nửa, đầu ra tối đa được ghi nhận, và các hạng dịch vụ được công bố mà bạn có thể đánh đổi tốc độ lấy giá. Muse Spark 1.3 thắng ở ba điểm mà mức trung bình mỗi tác vụ che giấu: nó chấp nhận video, nhanh hơn khoảng 2,3 lần khi sinh, và giá của nó không thay đổi hạng khi prompt dài ra. Nếu khối lượng công việc của bạn là đầu vào video hoặc nhạy cảm với độ trễ, mô hình rẻ hơn mỗi tác vụ là mô hình sai. Nếu đó là suy luận tầm xa với nhiều đầu ra bằng văn bản, bảng giá theo token đang nói dối bạn và Sol là lựa chọn mua tốt hơn gấp đôi.

Những so sánh như thế này cũng là nơi các kiểu thất bại lộ diện: các sự cố AI và lỗi agent được ghi nhận đằng sau các mô hình thuộc lớp này được tập hợp trong Kho lưu trữ Sự cố AI OrcaRouter, trong đó mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.