Step 5 Preview so với Claude Sonnet 5.5: Mười hai điểm chỉ số, gấp mười lần hóa đơn tác vụ

Step 5 Preview và Claude Sonnet 5.5 là hai mô hình mà độc giả thực sự đem ra cân đo với nhau trong tháng này: một bản xem trước của StepFun giá 1,00 USD / 2,70 USD mỗi triệu token, ra mắt ngày 20 tháng 9 năm 2026, và Claude Sonnet 5.5 giá 2,00 USD / 10,00 USD, phát hành ngày 28 tháng 9. Trên bảng xếp hạng độc lập, chúng cách nhau mười hai điểm — 44 so với 56 trên Chỉ số Trí tuệ Artificial Analysis v4.3.2 — và mười hai điểm là một khoảng cách thật sự. Đó cũng không phải là con số quyết định hóa đơn. Con số quyết định hóa đơn là chi phí cho mỗi tác vụ hoàn thành, và ở đó chính bảng xếp hạng ấy ghi 0,71 USD cho Step 5 Preview so với 7,60 USD cho Claude Sonnet 5.5 ở mức nỗ lực tối đa. Gấp mười lần rưỡi số tiền, để đổi lấy mười hai điểm. Gần như mọi dòng khác trên hai thẻ đều là một cuộc tranh luận về việc bạn có thể sống chung với nửa nào của sự đánh đổi đó.

Hai bảng giá, từng hàng một

Mọi nội dung trong phần này là mức giá do chính từng nhà cung cấp công bố, được đọc vào ngày 9 tháng 10 năm 2026.

• Đầu vào — Step 5 Preview $1.00 mỗi triệu token so với Claude Sonnet 5.5 $2.00 mỗi triệu token

• Đầu ra — $2,70 so với $10,00 mỗi triệu token; dòng chiếm ưu thế trong cả hai hóa đơn

• Đầu vào được lưu đệm — Step 5 Preview nêu mức chiết khấu đầu vào cố định 95%, khiến một lần truy cập bộ đệm chỉ tốn khoảng $0,05 mỗi triệu token so với $0,20 mỗi lần đọc bộ đệm của Claude Sonnet 5.5

• Ghi cache — Claude Sonnet 5.5 công bố $2.50 mỗi triệu token cho một lần ghi cache năm phút; StepFun hoàn toàn chưa công bố mức giá ghi cache nào, nên một nửa của phép so sánh bị trống ở một phía

• Cửa sổ ngữ cảnh — 1 triệu token trên cả hai card

• Đầu ra tối đa — Claude Sonnet 5.5 ghi nhận 128.000 token (và 300.000 trên Message Batches API với một beta header); StepFun chưa công bố giới hạn đầu ra nào cho Step 5 Preview

• Phương thức — cả hai đều nhận văn bản và hình ảnh, chỉ trả về văn bản

• Kiểm soát suy luận — Step 5 Preview cung cấp khả năng tư duy mở rộng mà không công bố các bậc nỗ lực nào; Claude Sonnet 5.5 đưa ra một thang bậc nỗ lực mà các thiết lập cao nhất lại đúng là nơi chi phí mỗi tác vụ của chính nó bùng nổ

• Trọng số — checkpoint BF16 của Step 5 Preview được hứa hẹn vào ngày 15 tháng 10 năm 2026 và vẫn chưa ra mắt; Claude Sonnet 5.5 là độc quyền

Hai trong số những hàng đó làm nhiều việc hơn cả dòng tiêu đề. Hàng cache là nơi gói rẻ còn trở nên rẻ hơn, bởi vì mức giảm giá 95% trên một đô la là một lần đọc cache năm xu, còn của Anthropic là hai mươi. Và hàng trần đầu ra thì đi theo hướng ngược lại: một nhà cung cấp cho bạn biết lợi thế của họ nằm ở đâu, nhà kia quảng cáo cửa sổ một triệu token mà không nói có bao nhiêu trong đó có thể quay trở ra.

Mười hai điểm thực sự đến từ đâu

Cả hai số liệu dưới đây đều là của Artificial Analysis, trên Intelligence Index v4.3.2, và cả hai đều được đọc từ chính trang của mô hình chứ không phải từ bảng của nhà cung cấp.

• Chỉ số Trí tuệ — Claude Sonnet 5.5 56, xếp hạng #3 trong số 216 so với Step 5 Preview 44, xếp hạng #45 trong số 200. Hai quy mô nhóm khác nhau vì các bảng xếp hạng được kết xuất ở những thời điểm khác nhau; phần có thể so sánh được là điểm số.

• Chi phí cho mỗi tác vụ lập chỉ mục — 7,60 USD so với 0,71 USD. Con số của Anthropic là dành cho cấu hình mà ban lãnh đạo gọi là "Adaptive Reasoning, Max Effort, Default Fallback", tức là mức đắt nhất trong thang cấu hình của chính mô hình đó.

• Số token đầu ra được tạo trong lượt chạy index — 410M so với 160M, trong khi trung vị của bảng là 88M. Xét theo thước đo của bảng, cả hai mô hình đều dài dòng. Một mô hình cao hơn trung vị hơn bốn lần, mô hình kia thì chưa đầy hai lần.

• Tốc độ đầu ra — Step 5 Preview ghi nhận khoảng 100 token mỗi giây, so với mức trung bình là 70. Vào thời điểm viết bài, Artificial Analysis chưa công bố con số về tốc độ đầu ra cho Claude Sonnet 5.5, nên hàng đó chỉ nghiêng về một phía chứ không được xem là thắng.

Ghép hai hàng đầu tiên lại với nhau và hình dạng của quyết định sẽ hiện ra. Mười hai điểm chỉ số tách biệt các mô hình này; một hệ số mười lần rưỡi tách biệt chi phí để chạy cùng một đánh giá. Những điểm số là thật — khoảng cách xếp hạng đặt một mô hình vào top ba mô hình mà bảng điểm đánh giá và mô hình kia vào nhóm một phần tư dẫn đầu — nhưng một đội đang trả 7,60 đô la mỗi tác vụ cho một khối lượng công việc agentic khó là đang trả tiền cho sự cân nhắc kỹ lưỡng, và câu hỏi là liệu các tác vụ của họ có cần điều đó không.

Bảng so sánh nhà cung cấp sẽ không giải quyết được vấn đề này, và đây là bằng chứng

Cả hai phòng thí nghiệm đều công bố một con số Terminal-Bench 4.0. Thông báo về Sonnet 5.5 của Anthropic tuyên bố mức 70,6% cho nó, so với 10,3% của mô hình mà nó thay thế. Con số Terminal-Bench 4.0 do chính StepFun công bố cho Step 5 Preview là 33,3%. Cả hai đều do nhà cung cấp thực hiện, cả hai đều chưa được bất kỳ bên thứ ba nào tái lập, và chúng cách nhau 37 điểm trên một benchmark cùng tên.

Khoảng cách đó không phải bằng chứng rằng một mô hình tốt gấp đôi mô hình kia. Đó là bằng chứng rằng hai phòng thí nghiệm chạy cùng một harness cùng tên trên các cấu hình, giàn giáo agent và thiết lập mức nỗ lực khác nhau sẽ tạo ra những con số không thể trừ cho nhau. Đây là vấn đề tái diễn với các so sánh trong ngày ra mắt, và đó là lý do mỗi dòng trong bài này đến từ một phòng thí nghiệm đều được ghi nhãn như vậy. Ở đâu bên thứ ba đã đo cả hai mô hình trên một harness, hãy dùng số đó. Ở đâu họ chưa đo, hãy coi con số của nhà cung cấp như một tuyên bố về ý định.

Ghi chú di trú của chính Anthropic từ đợt ra mắt Sonnet 5.5 đáng được đưa vào so sánh này, vì nó áp dụng cho bất kỳ endpoint xem trước nào bạn đang đánh giá. Hướng dẫn của nhà cung cấp là các mức effort đã được hiệu chỉnh lại giữa Sonnet 5 và 5.5, và các nhóm nên chạy lại đợt quét effort của mình thay vì mang một thiết lập sang. Cảnh báo tương tự cũng áp dụng ở đây theo chiều ngược lại: Step 5 Preview là bản xem trước, cấu hình phục vụ của nó vẫn đang thay đổi, và một thiết lập được tinh chỉnh theo endpoint của tuần này không phải là thiết lập bạn sở hữu.

Cả hai người họ đều nói quá nhiều, nhưng ở mức độ khác nhau.

Verbosity là dòng biến bảng giá thành hóa đơn. Step 5 Preview đã tạo ra 160 triệu token đầu ra để hoàn thành tác vụ, trong đó mức trung vị của bảng xếp hạng là — khoảng 1,7 lần mức trung vị.

Với mức $2.70 cho mỗi triệu token đầu ra, tính dài dòng của Step 5 Preview chiếm một phần lớn của một con số nhỏ. Với mức $10.00, tính dài dòng của Claude Sonnet 5.5 chiếm gần hết một con số rất lớn. Cả hai mô hình đều không súc tích, và tài liệu tiếp thị của cả hai nhà cung cấp đều không mô tả như vậy. Hệ quả thực tế là phép đo token trên mỗi tác vụ trên lưu lượng của chính bạn sẽ cho bạn biết nhiều hơn về chênh lệch chi phí thực sự so với bảng giá, bởi vì bảng giá giả định cả hai mô hình viết cùng số từ cho cùng một câu trả lời. Thực tế thì không phải vậy.

Hàng cache, được tính toán trên một vòng lặp thực tế

Hãy xét một vòng lặp agent với tiền tố ổn định 40.000 token — một prompt hệ thống cộng với ngữ cảnh repository — được gửi lại ở mỗi lượt trong ba mươi lượt, với tiền tố được ghi một lần và trúng cache hai mươi chín lần. Đó là 1,16 triệu token đầu vào được cache mỗi phiên.

• Claude Sonnet 5.5 — một lần ghi ở mức $2,50 mỗi triệu token, khoảng $0,10, sau đó 1,16 triệu token đọc ở mức $0,20 mỗi triệu, khoảng $0,23. Tổng cộng khoảng $0,33 mỗi phiên, trước bất kỳ đầu vào hoặc đầu ra mới nào.

• Bước 5 Xem trước — đọc ở mức giảm giá 95% như đã nêu, tức khoảng $0,05 mỗi triệu và khoảng $0,06 mỗi phiên. Phần ghi không được tính phí vì StepFun chưa công bố mức giá ghi bộ nhớ đệm.

Trên những dòng mà chúng ta thực sự có thể định giá, lưu lượng được cache đắt hơn khoảng năm lần trên thẻ Anthropic, và điều đáng lưu ý là một trong hai mức giá ghi vẫn chưa tồn tại. Đây là khối lượng công việc mà cả hai mô hình được bán để phục vụ, đó là lý do dòng này quan trọng hơn mức mà các tỷ lệ phần trăm chiết khấu được quảng cáo khiến nó trông có vẻ.

Nơi mỗi cái thực sự có thể được gọi

Claude Sonnet 5.5 có trong danh mục của chúng tôi với mã anthropic/claude-sonnet-5.5, ở mức $2.00 và $10.00 của chính Claude Sonnet 5.5 cùng mức đọc cache $0.20, cửa sổ ngữ cảnh 1.000.000 token và đầu ra tối đa 128K — giá niêm yết được chuyển nguyên vẹn với mức chênh 0%, nên một thay đổi trên bảng giá của Anthropic cũng là thay đổi trên bảng giá của chúng tôi ngay trong cùng ngày. Step 5 Preview không nằm trong danh mục đó, và chúng tôi sẽ không ngụ ý điều ngược lại: nó trả lời trên API riêng của StepFun và, cho đến khi checkpoint đã hứa ra mắt, không ở đâu khác cả.

Sự bất đối xứng đó có một công dụng thực tế. Nếu cả hai mô hình nằm sau một khóa với tính năng chuyển đổi dự phòng tự động, thì việc di chuyển một khối lượng công việc từ mô hình này sang mô hình kia sẽ chỉ là thay đổi chuỗi mô hình và không gì khác — đó là lý do trung thực để giữ lối vào ở dạng tổng quát. Như hiện tại, sự so sánh là giữa một mô hình bạn có thể gọi qua tuyến hiện có của mình và một mô hình bạn phải đấu nối riêng, và cái thứ hai là bản xem trước mà cụm phục vụ vẫn đang được xây dựng. Đặt năng lực chưa được chứng minh phía sau một bộ định tuyến có khả năng chuyển đổi dự phòng sang một thứ đã được kiểm định là khoản bảo hiểm rẻ; một đường dẫn chính trỏ trực tiếp vào một điểm cuối bản xem trước thì không.

Điều gì sẽ thay đổi phán quyết này

Ba điều, tất cả đều có thể định ngày được. Điều đầu tiên là ngày 15 tháng 10 năm 2026, thời điểm checkpoint BF16 của StepFun đến hạn. Nếu giấy phép cho phép tinh chỉnh và trọng số là thật, khoảng cách mười hai điểm sẽ không còn là một thuộc tính cố định của mô hình nữa, mà trở thành thứ một đội ngũ có thể tấn công trên dữ liệu của chính họ — và khi đó, tấm card rẻ hơn gấp mười lần trở thành một điểm khởi đầu hấp dẫn hơn nhiều. Nếu checkpoint bị trễ hoặc giấy phép có nhiều hạn chế, khoảng cách vẫn giữ nguyên đúng vị trí mà bảng điểm đã đặt nó.

Điều thứ hai là liệu bài học về việc hiệu chỉnh lại mức nỗ lực của chính Anthropic có được áp dụng ở đây hay không. Lợi thế theo từng tác vụ của Sonnet 5.5 so với Sonnet 5 tồn tại ở mức nỗ lực thấp và trung bình, chứ không phải ở mức tối đa, và điều ngược lại đúng ở mức tối đa. Một người mua Step 5 Preview mà không bao giờ thử qua các mức nỗ lực đang so sánh một mô hình ở mức mặc định với một mô hình ở mức mặc định, vốn ở phía Anthropic không phải là nơi diễn ra công việc rẻ, giá trị cao.

Cái thứ ba là một lần chạy độc lập đúng nghĩa của Step 5 Preview ở một cấu hình tương đương với cấu hình mà con số của Anthropic được đo tại đó. Cho đến khi điều đó tồn tại, 44 là một cấu hình được tính điểm duy nhất, không có thang bậc nào bên cạnh, còn 56 thì có cả một đường cong nỗ lực ở bên dưới. So sánh này trung thực như đã viết; nó vẫn chưa đối xứng.

Với một đội đưa ra quyết định ngay hôm nay thay vì vào ngày 15: nếu khối lượng công việc mang đặc trưng ngữ cảnh dài, nặng về bộ nhớ đệm và lặp lại thường xuyên, thì phép tính trên trang này nghiêng về chiếc card rẻ hơn tới cả một bậc độ lớn, và khoảng cách về năng lực chính là cái giá phải trả để được tham gia cuộc chơi. Nếu khối lượng công việc khó, ngắn và được chấm bởi một con người – người sẽ nhận ra sự khác biệt giữa 44 và 56 – thì chiếc card đắt tiền mới là thứ hoàn thành được công việc. Không câu trả lời nào trụ nổi khi chạm trán với một khối lượng công việc hội đủ cả hai đặc điểm, và đó chính là lý do một router tồn tại.

giá niêm yết được chuyển nguyên với mức đánh dấu 0%, vì vậy thay đổi trên bảng giá của Anthropic cũng là thay đổi trên bảng giá của chúng tôi ngay trong cùng ngày.

trên một bộ định tuyến là thứ cho phép được đánh giá phía sau một phương án dự phòng đủ điều kiện thay vì là đường dẫn chính.