Benchmark là điểm khởi đầu, không phải phán quyết
GPT-6.1 Terra là mô hình trí tuệ nhân tạo có chi phí sử dụng thấp hơn nhưng điểm đánh giá tổng quát kém hơn Claude Opus 5.5 và Claude Sonnet 5.5, nên lựa chọn phù hợp phụ thuộc vào tác vụ và hậu quả của lỗi. Trong so sánh GPT-6.1 Terra với Opus, Terra đạt 48 điểm trên chỉ số trí tuệ, so với 58 của Opus; Sonnet đạt 56 điểm, còn Terra vẫn ở mức 48. Những con số này chỉ có ý nghĩa khi đặt cạnh việc mô hình phải làm: xử lý biểu mẫu có người kiểm tra khác hẳn chỉnh sửa mã hay vận hành tác tử không giám sát. Vì thế, quyết định không nên dựa riêng vào thứ hạng benchmark hoặc giá token AI. Cần xét cả chi phí mỗi lần chạy, tỷ lệ lỗi trên tác vụ của bạn và công sức con người để phát hiện, sửa lỗi.
| Mô hình | Chỉ số trí tuệ | Giá đầu vào/đầu ra mỗi triệu token | OSWorld 2.1 |
|---|---|---|---|
| GPT-6.1 Terra | 48 | 1 USD / 5 USD | 74,2% |
| Claude Opus 5.5 | 58 | 4 USD / 20 USD | 81,8% |
| Claude Sonnet 5.5 | 56 | 2 USD / 10 USD | 80,1% |
Terra có giá bằng một phần tư Opus và một nửa Sonnet, nhưng điểm thấp hơn lần lượt 10 và 8 điểm. Đây là sự đánh đổi đáng cân nhắc, không phải bằng chứng rằng mô hình đắt hơn luôn đáng tiền: khoảng cách chỉ quan trọng nếu nó làm thay đổi tỷ lệ hoàn thành và chi phí xử lý ngoại lệ.
Khi nào nên trả thêm cho Opus hoặc Sonnet?
Ở OSWorld 2.1, bài kiểm tra tác vụ máy tính, Opus đạt 81,8% còn Terra đạt 74,2%, chênh 7,6 điểm; Sonnet đạt 80,1%, hơn Terra 5,9 điểm. Đây là khoảng cách có thể quan trọng trong giao diện mơ hồ, trạng thái nhiều cửa sổ hoặc khi phải khôi phục sau thao tác sai. Sonnet còn có lợi thế ở viết mã và các tác vụ tác tử kéo dài, nơi một bước sai có thể kéo theo hệ quả ở những bước sau. Nếu tác vụ ít được giám sát, lỗi gây thiệt hại lớn hoặc cần suy luận nhiều bước, điểm benchmark cao hơn của Opus hay Sonnet có thể giúp giảm gánh nặng kiểm tra và sửa chữa. Nhưng nếu nhân viên luôn xem lại kết quả, phần chênh lệch chất lượng có thể không đáng để trả thêm.
Hai nhóm mô hình có một số điểm tương đồng về năng lực đầu vào đa phương thức, giới hạn đầu ra và cửa sổ ngữ cảnh ở cùng bậc. Tuy nhiên, Terra không cùng danh mục phân loại với hai mô hình Claude, nên không nên hiểu các thông số gần nhau là chúng được tối ưu cho cùng một kiểu công việc. Benchmark cũng không phản ánh trọn vẹn yêu cầu riêng của từng quy trình; hãy thử nghiệm trên dữ liệu và thao tác thực tế trước khi giao việc quan trọng.
Giá mỗi tác vụ và cái giá của một lần thất bại
Giá niêm yết cho thấy Terra rẻ hơn rõ rệt: một yêu cầu gồm 100.000 token đầu vào và 5.000 token đầu ra được ước tính ở mức 0,125 USD trên Terra, so với 0,50 USD trên Opus và 0,25 USD trên Sonnet. Với tác vụ trình duyệt gồm 20 bước, ước tính cho mỗi nghìn tác vụ là 98 USD trên Terra, 390 USD trên Opus và 195 USD trên Sonnet, theo giả định tỷ lệ thử lại 30%. Đây là ví dụ tính toán theo một cấu hình cụ thể, không phải mức chi phí cố định cho mọi ứng dụng. Đáng chú ý, trên OSWorld, chênh lệch tỷ lệ hoàn thành giữa Opus và Terra tương đương 76 tác vụ thất bại thêm trên mỗi nghìn lượt. Nếu mỗi ngoại lệ chỉ cần ít phút để nhân viên xử lý, khoản tiết kiệm token có thể vẫn có lợi; nếu mỗi lỗi kéo theo rà soát lâu hoặc rủi ro cao, phép tính đổi chiều.
Đừng lấy benchmark làm đại diện hoàn hảo cho hệ thống của mình, nhưng cũng đừng xem nhẹ lỗi chỉ vì token rẻ. Hãy chạy thử trên hàng đợi thật, ghi nhận tỷ lệ hoàn thành, số lần thử lại và thời gian xử lý ngoại lệ. Mô hình thắng là mô hình có tổng chi phí và mức rủi ro mà đội vận hành của bạn chấp nhận được.
Chọn mô hình theo mức giám sát và hậu quả lỗi
- Mua GPT-6.1 Terra nếu công việc có phạm vi rõ, khối lượng lớn, được giám sát và các ngoại lệ có thể xử lý với chi phí thấp.
- Bỏ qua Terra nếu tác vụ không có người giám sát, kéo dài qua nhiều bước hoặc một câu trả lời sai có thể gây hậu quả tốn kém; cân nhắc Claude Opus 5.5.
- Mua Claude Sonnet 5.5 nếu công việc thiên về tác tử hoặc viết mã, cần chất lượng cao hơn Terra và lợi ích đó đáng với mức giá token cao hơn.
- Bỏ qua Sonnet nếu phần lớn tác vụ là điền biểu mẫu đơn giản, có người kiểm tra kết quả và thử nghiệm cho thấy Terra đáp ứng đủ yêu cầu.
Kết luận: Terra là lựa chọn hợp lý cho khối lượng lớn, rủi ro thấp và có giám sát; Opus phù hợp hơn khi sự ổn định trên tác vụ khó đáng giá hơn phần tiết kiệm; Sonnet là phương án cân bằng cho mã và tác vụ tác tử. Đừng chọn theo điểm số hoặc giá token AI riêng lẻ. Hãy chọn theo chi phí của một lần thất bại trong chính quy trình của bạn.
