Muse Wonder so với Gemini 3.1 Pro: Hai mươi hai điểm chỉ số, hai luồng phát hành, và một bảng điểm đã dịch chuyển dưới một trong số đó

Gemini 3.1 Pro đạt 57 điểm trên Chỉ số Thông minh của Artificial Analysis khi ra mắt vào tháng 2 năm 2026 và đứng đầu bảng. Đọc hôm nay, trên bản sửa đổi hiện tại của chính chỉ số đó, nó đạt 29,7. Không có gì về mô hình thay đổi. Muse Wonder, ra mắt ngày 12 tháng 10 năm 2026, đạt 52 trên cùng bảng — và phép so sánh mà hầu hết mọi người sẽ thực hiện, 52 so với 29,7, là một khoảng cách có thật nhưng cũng gây hiểu lầm, bởi vì phần lớn trong đó được tạo ra bởi việc chấm điểm lại chứ không phải bởi sáu tháng tiến bộ của mô hình. Phiên bản trung thực của cuộc đối đầu này so sánh hai mô hình đã phát hành, Gemini 3.1 Pro và Muse Wonder, trên một thước đo đã được thay thế hai lần, rồi hỏi mỗi mô hình thực sự dùng để làm gì.

Một cách định khung trước khi đi vào các con số. Đây không phải là những đối thủ theo nghĩa mà một trang so sánh thông thường hàm ý. Gemini 3.1 Pro là endpoint cấp Pro còn hoạt động cuối cùng trong dòng đó, vẫn được phục vụ dưới một định danh preview bảy tháng sau khi công bố. Muse Wonder là bản phát hành tiên phong mới nhất từ Meta Superintelligence Labs, với một người anh em cùng dòng có điểm số cao hơn nhưng bị chặn sau gói đăng ký. Một bên là cỗ máy đa phương thức ngữ cảnh dài mà giá cả chính là lập luận của nó; bên kia là một mô hình tác tử nặng về đầu ra mà giá cả lại là điều cần cân nhắc kỹ nhất.

Người cầm quyền đã thay đổi, còn mô hình thì không.

Đây là phần trong so sánh mà bảng thông số sẽ không nói cho bạn biết, và đó là lý do khoảng cách được nêu trong tiêu đề gây hiểu lầm theo cả hai hướng.

Artificial Analysis đã phát hành Chỉ số Trí tuệ v4.3 vào đầu tháng 9 năm 2026 và đã sửa đổi nó một lần nữa kể từ đó. Bản cập nhật đó đã thay thế Terminal-Bench v2.1 bằng Terminal-Bench v4.0 khó hơn nhiều và hoán đổi τ³-Banking lấy AutomationBench-AA, một benchmark quy trình làm việc tác tử được xây dựng trên một tập nhiệm vụ riêng tư được giữ lại. Trọng số riêng tư được giữ lại đã tăng lên 45%. Kết quả là điểm số đã giảm trên toàn bộ các mô hình tiên tiến — những mô hình từng ở mức sáu mươi trên thang điểm cũ đã rơi xuống mức thấp của năm mươi. Gemini 3.1 Pro không giảm sâu đến vậy; nó đã giảm xuống dưới 30.

Vậy là cùng một checkpoint không hề thay đổi lại có bốn kết quả được công bố đang lưu hành — 57, 46, 30 và 29.7 — tùy vào việc bạn mở trang nào và mở khi nào. Đó không phải là một vụ bê bối, mà là dáng vẻ của một chỉ số tốt khi các bài kiểm tra bên dưới nó trở nên khó hơn. Tuy nhiên, đó là lý do để không bao giờ so sánh hai con số đến từ hai bản sửa đổi khác nhau, mà một dòng 52 so với 29.7 lại đúng là đang mời gọi bạn làm điều đó.

Mỗi mô hình thực sự là gì

• Gemini 3.1 Pro — một mô hình suy luận đa phương thức gốc, trọng số đóng, được công bố vào ngày 19 tháng 2 năm 2026 và vẫn được xếp dưới mục "Preview" tại endpoint gemini-3.1-pro-preview. Không có Pro 3.5, 3.6, 3.7 hay 3.8 trong dòng này; dòng Flash đã thay đổi năm lần trong khi dòng Pro hoàn toàn không thay đổi.

• Muse Wonder — một mô hình tiên phong đóng trọng số, phát hành ngày 12 tháng 10 năm 2026, được cung cấp dưới tên muse-wonder-1.0 trên API riêng của Meta và trong Muse Code. Một checkpoint thứ hai, Muse Wonder Full, đạt điểm cao hơn trên bảng riêng của Meta và chỉ dành cho người đăng ký Muse Code.

• Ngữ cảnh — Gemini 3.1 Pro 1.048.576 token đầu vào; Muse Wonder 1.048.576. Ngang tầm, và ngang tầm với phần lớn biên giới hiện tại.

• Giới hạn đầu ra — Gemini 3.1 Pro 65,536 token trong một phản hồi duy nhất; Muse Wonder 943,718. Đây là khoảng cách đơn lẻ rộng nhất giữa hai mô hình và nó vượt gấp mười bốn lần.

• Giá — Gemini 3.1 Pro $2,00 cho mỗi triệu token đầu vào và $12,00 cho mỗi triệu token đầu ra khi prompt dưới 200.000 token, tăng lên $4,00 và $18,00 khi vượt ngưỡng đó, với đầu vào đã cache ở mức $0,20 và $0,40. Muse Wonder là $4,00 và $20,00 cố định, đầu vào đã cache $0,20. Với prompt ngắn, nó có giá bằng một nửa ở đầu vào và rẻ hơn 40% ở đầu ra; vượt qua 200.000 token, cả hai gần như hội tụ chính xác.

• Các phương thức đầu vào — Gemini 3.1 Pro nhận văn bản, hình ảnh, video, âm thanh và tệp. Muse Wonder nhận văn bản, hình ảnh, giọng nói và video. Cả hai chỉ ghi ra văn bản. Trên giấy tờ thì đây là cùng một câu, và trên thực tế, hệ sinh thái công cụ đã có bảy tháng xây dựng công cụ xoay quanh nó.

• Suy luận — Gemini 3.1 Pro hỗ trợ điều khiển mức độ suy nghĩ với token suy nghĩ được tính phí theo mức giá đầu ra. Suy luận của Muse Wonder là bắt buộc, với thang nỗ lực từ tối thiểu đến tối đa, mặc định là trung bình, và hoàn toàn không có chế độ không suy nghĩ nào.

• Chỉ số độc lập — Gemini 3.1 Pro 29.7 ở bản sửa đổi hiện tại, với mức điểm trước đó là 46 và mức điểm thời kỳ ra mắt là 57; Muse Wonder 52 ở bản sửa đổi hiện tại.

Ranh giới tái định giá mà hầu hết các nhóm vô tình vượt qua

Bảng giá của Gemini 3.1 Pro có một bậc nhảy, và đó không phải là phụ trội. Dưới 200.000 token đầu vào, model có giá $2,00 và $12,00; trên ngưỡng đó, yêu cầu được tính lại giá ở mức $4,00 và $18,00. Một yêu cầu 210.000 token không được tính theo mức giá rẻ cho 200.000 token đầu tiên — toàn bộ yêu cầu chuyển sang bậc cao hơn.

Đó là một điều kỳ lạ thực sự đối với một mô hình mà toàn bộ lời chào hàng của nó là cửa sổ ngữ cảnh một triệu token: cửa sổ đó là thật, nhưng chỉ một phần năm đầu tiên của nó có mức giá như quảng cáo. Ở mức $4,00 và $18,00 trên ngưỡng, Gemini 3.1 Pro được định giá chỉ chênh lệch trong phạm vi sai số làm tròn so với mức $4,00 và $20,00 của Muse Wonder, và mức đọc bộ nhớ đệm giống hệt nhau ở $0,20 mỗi triệu. Vì vậy, luận điểm "rẻ hơn ở đầu vào" chỉ đúng chính xác cho đến thời điểm bạn sử dụng năng lực mà bạn đã mua mô hình để có được.

Đối trọng nằm ở phía đầu vào, nơi kinh tế học phía đầu vào thực sự mạnh và các phép đo độc lập xác nhận điều đó. Artificial Analysis ghi nhận chi phí khoảng $0,67 cho mỗi tác vụ chỉ số đối với Gemini 3.1 Pro và khoảng 67 triệu token đầu ra được tạo ra trong suốt lần chạy chỉ số, so với mức trung vị khoảng 90 triệu đối với các mô hình trong cùng phân khúc giá. Một mô hình trả lời bằng ít token hơn với đơn giá thấp hơn thì rẻ hơn theo cách mà không bảng giá nào thể hiện trực tiếp — và đó chính là con số để so sánh với mức khoảng $4,52 cho mỗi tác vụ chỉ số của Muse Wonder, vốn là hệ quả của cả đơn giá cao hơn lẫn khoảng 130 triệu token đầu ra so với mức trung vị 85 triệu.

Điều mà bạn thực sự đang lựa chọn giữa

Khoảng cách năng lực trên thước đo hiện nay là có thật — 52 so với 29.7 là hai mươi hai điểm và đó không phải là nhiễu — nhưng đây là sự so sánh giữa một bản phát hành tiên tiến mới được năm tuần và một bản xem trước đã bảy tháng mà nhà cung cấp chưa từng đưa vượt khỏi trạng thái xem trước. Việc chọn giữa chúng ít liên quan đến việc bản nào có điểm cao hơn, mà chủ yếu là ở việc bạn có thể chấp nhận sống với kiểu thất bại nào.

Những hạn chế của Gemini 3.1 Pro mang tính cấu trúc và đã được biết rõ. Trần đầu ra 65.536 token khiến nó không thể dùng cho việc tạo nội dung dài trong một lượt, và đó chính là điểm mà ngân sách 943.718 token của Muse Wonder thể hiện lợi thế rõ ràng nhất. Thời gian đến token đầu tiên vào khoảng 35,7 giây theo số đo đã công bố, là mức chậm đối với bất kỳ tác vụ tương tác nào. Và rủi ro thực sự nằm ở mã định danh preview: một endpoint preview có thể bị sửa đổi hoặc ngừng cung cấp mà bạn không hề hay biết, mà không cần tăng phiên bản, đó là lý do vì sao việc ghim ID mô hình chính xác thay vì dùng bí danh là thông lệ tiêu chuẩn trên mô hình đó.

Các hạn chế của Muse Wonder cũng mang tính cấu trúc không kém và mới hơn nhiều. Suy luận là bắt buộc, nên mỗi lần gọi đều phải trả tiền cho token suy nghĩ ở mức 20 đô la mỗi triệu token, không có đường rẻ — mức suy nghĩ của Gemini 3.1 Pro ít nhất có thể được điều chỉnh về gần 0. Đo lường độc lập chỉ là một dòng của một đơn vị đánh giá trên một mô hình mới ra được hai ngày. Và phiên bản đạt điểm cao nhất của thứ bạn đang so sánh, Muse Wonder Full, lại nằm sau gói đăng ký hàng tháng từ 50 đến 200 đô la, thay vì được cung cấp ở mức giá theo token trên cùng trang.

Cũng có một khía cạnh toàn vẹn của benchmark đáng được gọi tên, bởi vì cặp đối chiếu cụ thể này là một minh họa tốt cho điều đó. Bảng ra mắt của Meta báo cáo Muse Wonder Full đạt 59,0 trên Artificial Analysis Index, trong khi bản thân Artificial Analysis công bố 56, và báo cáo Muse Wonder có thể gọi được ở mức 56, trong khi trình đánh giá đọc được 52. Lịch sử của chính Gemini 3.1 Pro là hình ảnh phản chiếu: một điểm 57 từng là tiêu đề của nhà cung cấp và báo chí ở một phiên bản, và 29,7 ở một phiên bản khác. Bài học theo cả hai hướng đều như nhau — một điểm số chỉ có ý nghĩa khi đi kèm với thước đo của nó, và phiên bản của một nhà cung cấp về chỉ số của người khác vẫn là một con số của nhà cung cấp.

Chạy cả hai từ một phím

Gemini 3.1 Pro đang có trên OrcaRouter với tên google/gemini-3.1-pro-preview, theo đúng giá niêm yết của chính nhà cung cấp và mốc đổi giá 200.000 token được giữ nguyên không đổi — $2,00 cho đầu vào và $12,00 cho đầu ra dưới mốc đó, $4,00 và $18,00 trên mốc đó, đầu vào được lưu đệm $0,20 và $0,40. Phía chúng tôi không cộng thêm giá nào, và cửa sổ 1.048.576 token cùng giới hạn đầu ra 65.536 token được giữ nguyên như đã công bố.

Muse Wonder không có trên OrcaRouter. Không có mục meta/muse-wonder nào trong danh mục của chúng tôi và chúng tôi sẽ không mô tả một mục như vậy như thể nó tồn tại; hiện tại mô hình này chạy trên API riêng của Meta và bên trong Muse Code. Thứ mà chúng tôi thực sự cung cấp từ cùng phòng thí nghiệm là Muse Spark 1.2 và Muse Spark 1.1, nên dòng Muse có thể truy cập được bằng cùng một khóa trong khi bản Wonder đang xây dựng thành tích.

Lý do thực tế đáng quan tâm ở đây là ranh giới bậc giá. Một mô hình tính lại giá cho toàn bộ yêu cầu tại mốc 200.000 token là kiểu thứ bạn nên đo chứ không nên giả định, vì độ dài prompt của bạn quyết định bạn đang trả $2 hay $4 cho cùng một lệnh gọi. OrcaRouter đặt hơn 200 mô hình phía sau một endpoint tương thích OpenAI với giá niêm yết của nhà cung cấp được giữ nguyên — nên một lượt chạy lưu lượng thật của bạn với Gemini 3.1 Pro ở cả hai phía của ngưỡng đó, và với bất cứ thứ gì khác có trong danh mục, chỉ tốn một key và một buổi chiều thay vì một chu kỳ thu mua. Khi một nhà cung cấp mà chúng tôi định tuyến bắt đầu phục vụ Muse Wonder, nửa còn lại của phép thử đó trở thành một thay đổi tên mô hình.

Phán quyết

• Chọn Gemini 3.1 Pro nếu công việc của bạn là phân tích tài liệu dài, đa phương tiện, nơi đầu vào chiếm ưu thế và câu trả lời ngắn gọn — mức $2.00 cho dưới 200K và chi phí $0.67 mỗi tác vụ lập chỉ mục thật khó để đánh bại, và bảy tháng hệ sinh thái phía sau nó là thứ mà một mô hình ra mắt trong tuần lễ không thể sánh bằng.

• Hãy chọn Muse Wonder nếu bạn đang tạo đầu ra dài trong một lượt hoặc đưa trực tiếp giọng nói và video vào mô hình. Ngân sách đầu ra 943.718 token không phải là một chi tiết thông số kỹ thuật khi giải pháp thay thế là ghép nối các lần sinh lại với nhau.

• Hãy chú ý đến mốc 200.000 token trước khi bạn báo giá cho Gemini 3.1 Pro. Trên mốc đó, hai mô hình có chi phí gần như bằng nhau, điều này đảo ngược câu trả lời trực quan cho so sánh này đối với đúng những khối lượng công việc sử dụng cửa sổ ngữ cảnh lớn.

• Hãy coi khoảng cách 22 điểm là một hướng, không phải một phép đo. Nó được tạo ra bằng cách so sánh hai phiên bản chỉ mục; ở phiên bản trước đó, Gemini 3.1 Pro cho kết quả 46, và cùng một checkpoint không thay đổi đã được công bố ở các mức 57, 46, 30 và 29.7 vào những thời điểm khác nhau.

Hai mô hình, một được cung cấp dưới một định danh xem trước từ tháng Hai và một mới hai ngày tuổi, có mức giá gần như giống hệt nhau khi vượt qua ranh giới 200K và trên bảng hiện tại cách nhau hai mươi hai điểm. Chỉ một trong những sự thật đó sẽ tồn tại qua một lần thay đổi thước đo — và đó không phải là hai mươi hai điểm.