Phan Đông GiangPhan Đông Giang
Tất cả bài viết

So sánh model AI theo benchmark: chất lượng, tốc độ và chi phí

Snapshot Artificial Analysis và Agent Arena, cách đọc effort/harness, model mới từng hãng và phương pháp chọn bằng dữ liệu thật.

Không có một bảng “AI mạnh nhất” đúng cho mọi công việc., Artificial Analysis hiển thị Fable 5.2 Max Default Fallback 65 điểm, GPT-6.2 Astra Max 62, Gemini 4 Neon Xhigh 61 và Carbon High 60. Đây là những cấu hình trong cùng chỉ số, không phải điểm phần trăm hay kết luận mọi model còn lại đều kém cho mọi việc.

Bài này là hub của cụm model AI: giải thích phép đo, ghi snapshot từ chủ benchmark, liên kết bài từng hãng và hướng dẫn tự đánh giá. Nếu muốn thử API, bắt đầu ở LLM API key miễn phí.

Benchmark đo điều gì?

Benchmark là bộ bài/cách chấm nhằm đo một năng lực trong điều kiện xác định. Model toán tốt có thể không viết đúng giọng thương hiệu; agent sửa code tốt ở một harness có thể không lặp lại kết quả khi đổi công cụ.

Khi đọc điểm, ghi đủ model ID/snapshot, effort, bộ đề/split, công cụ/harness, số lần thử và thời điểm. Nếu thiếu các mục quan trọng, xem kết quả như tín hiệu tham khảo thay vì phép so ngang.

Các nguồn nên đọc

  • Artificial Analysis: chỉ số tổng hợp và các cột chi phí/thời gian, phù hợp để sàng lọc model.
  • Arena: nhiều bảng riêng cho Text, Agent, Work, Coding, Vision, media; đừng gộp mọi bảng thành LMArena chung.
  • SWE-bench: đánh giá giải issue repository; tên split và harness rất quan trọng.
  • LiveBench: xem phiên bản bài, ngày cập nhật và kết quả trực tiếp; trang cần JavaScript nên bản rà soát này không trích được điểm số.
  • Epoch và Humanity’s Last Exam: bổ sung góc nhìn theo năng lực và diễn biến thời gian, cần đọc phương pháp của mỗi nguồn.

Mỗi nguồn trả lời một câu hỏi khác nhau. Chọn ít nhất hai nguồn sát nhu cầu, rồi thử trên dữ liệu thực của bạn.

Snapshot Artificial Analysis ngày 20/11/2026

Cấu hìnhIndexUSD/tác vụ của bộđo
Fable 5.2 Max, Default Fallback6526,54
GPT-6.2 Astra Max624,00
Gemini 4 Neon Xhigh616,44
Gemini 4 Carbon High607,76
Opus 5.5 Max, Default Fallback5910,04
GPT-6.2 Sol Max571,01
Gemini 4 Hydrogen Xhigh543,16

Nguồn: leaderboard của Artificial Analysis. Đây là bảng hiện hành tại thời điểm đọc; chi phí mỗi tác vụ của bộ đo không phải giá API mỗi request của bạn. Nhãn Max/High/Xhigh và Default Fallback được giữ vì cấu hình ảnh hưởng điểm. Không gán thêm số phiên bản index nếu trang không xác nhận trong snapshot.

Điểm cao hơn không tự đồng nghĩa rẻ hơn hoặc nhanh hơn. Model có index thấp hơn có thể đạt ngưỡng chất lượng cần thiết với độ trễ và ngân sách phù hợp hơn.

Agent Arena khác Text Arena

Arena công bố Agent Arena Index mới 18/11/2026, tổng hợp tín hiệu về hoàn thành tác vụ, phản hồi, steerability và độ ổn định dùng công cụ. Đây không phải Elo so sánh câu trả lời của Text Arena và không được đổi nhãn thành “điểm chat”.

Agent Arena Index, cấu hìnhĐiểm 20/11
Fable 5.2 Max1448
Opus 5.5 Max1336
Gemini 4 Neon High1333
Gemini 4 Carbon High1303
GPT-6.2 Astra Max1291
Gemini 4 Hydrogen High1271
GPT-6.2 Sol Max1241

Nguồn Arena leaderboard, đọc; cột cost/time trên trang dùng các phiên gần đây, nên cần ghi cửa sổ đo khi trích. Giới thiệu phương pháp giải thích việc đổi thang điểm không đồng nghĩa mọi model đổi thứ hạng.

Các benchmark chuyên biệt đọc ra sao?

Bài/nhóm đoNên đọc gìGiới hạn
SWE-benchSửa issue thậtGiữ đúng split và harness
GPQA/HLE/AIMESuy luận/kiến thức khóKhông gộp tools/no-tools
MMMU/visionbenchCâu hỏi chữ và ảnhKhông thay được ảnh sản phẩm thật
Longcontext/RAGTruy xuất và kết nối tài liệuContext dài không tự đồng nghĩa trích dẫn đúng
LiveBenchBộđề và kết quả mớiSnapshot này không trích được điểm JS

SWE-bench Verified có 500 bài người đã lọc; chế độ Bash Only dùng cùng môi trường mini-SWE-agent, khác với Full 2294 hoặc Lite 300. Không soSWE-bench Pro với Verified như cùng bộ đề. Nguồnchủ bộ đo SWE-bench.

Đối với bảng chỉ có biểu đồ hoặc dữ liệu động không đọc được, bài dẫn nguồn thay vì điền số đoán. Thiếu điểm mới không chứng minh model yếu; cũng không đủ cơ sở để nâng model thành dẫn đầu.

Những model mới làm thay đổi bối cảnh tháng 11

OpenAI raGPT-6.2 Astra/Sol ngày 17/11; Anthropic công bố Fable 5.2 ngày 09/11; Google ra Hydrogen 12/11 và Neon 18/11, bên cạnh Carbon/Argon. Do đó bảng chỉ có GPT-6Astra, Fable 5.1 hoặc Argon không còn đại diện đầy đủ hiện trạng.

Hãng/nhómBài đọc tiếp
OpenAIGPT và model chuyên biệt
AnthropicClaude
GoogleGemini,Gemma
DeepSeekModel DeepSeek
AlibabaQwen
XAIGrok
MistralMistral AI
MetaLlama
MoonshotKimi
Z.aiGLM
MiniMaxMiniMax
BaiduERNIE
TencentHy
NVIDIANemotron
XiaomiMiMo
PoolsideLaguna

Bảng là đường dẫn đọc tiếp, không phải xếp hạng các nhà cung cấp. Mỗi bài hãng cần đối chiếu model card, model ID, giấy phép và ngày phát hành; số thứ tự trong hub không mang ý nghĩa năng lực.

Bảy nhóm năng lực nên đánh giá riêng

1. Tổng quát: dùng index để lập danh sách ứng viên, rồi thử văn phong, tính đúng và tỷ lệ làm đủ yêu cầu.

2. Lập trình: chọn issue thật, cùng repo và harness; đo test pass, mức độ sửa ngoài phạm vi, độ an toàn và công sức review.

3. Toán/khoa học: phân biệt câu hỏi kiến thức với suy luận nhiều bước; đọc điều kiện tools/no-tools và chất lượng phép kiểm chứng.

4. Hình ảnh/tài liệu trực quan: dùng hóa đơn, biểu đồ, screenshot hoặc PDF thật. Đo đọc đúng số, vị trí và trích dẫn chứ không chỉ mô tả nghe hợp lý.

5. Tài liệu dài: đánh giá tìm đúng dữ kiện, nối nhiều nguồn và biết nói thiếu thông tin. Context lớn không thay thế RAG hay tổ chức nguồn.

6. Nhanh/rẻ: đo thời gian đạt kết quả dùng được, không chỉ tốc độ token hoặc đơn giá. Thêm lần retry/tool/ảnh vào tổng phí.

7. Trải nghiệm: thử tiếng Việt, cách hỏi lại, tuân thủ sửa đổi và khả năng tương tác; Text/Agent Arena là góc nhìn bổ sung, không thay bộ test của sản phẩm.

Khi nào bảng xếp hạng dễ gây hiểu nhầm?

  • Điểm do hãng tự công bố nhưng trình bày như kiểm chứng độc lập.
  • Cùng tên model nhưng effort, harness, tool hoặc safety fallback khác nhau.
  • Bộđề bão hòa hoặc đã đổi phiên bản, đem điểm cũ so điểm mới.
  • Test set công khai có thể lộ trong dữ liệu huấn luyện; điểm cao chưa đủ chứng minh khả năng khái quát.
  • Chi phí không tính công cụ, số lần thử hoặc thời điểm bảng giá.
  • Lấy một ảnh ranking không ngày và gọi đó là thứ hạng hiện nay.

Quy trình chọn model cho doanh nghiệp

Bước 1: định nghĩa chất lượng đạt yêu cầu và các hành động không được phép. Bước 2: chuẩn bị tập dữ liệu đại diện, gồm câu dễ, khó, thiếu nguồn và trường hợp nhạy cảm.

Bước 3: thử 2–4 cấu hình trong cùng điều kiện. Bước 4: đo kết quả đúng, trích nguồn, độ trễ, tổng phí và số lần người phải sửa. Bước 5: chọn model theo nhóm việc và thiết lập fallback có giám sát.

Lãnh đạo cần phương án có nguồn và rủi ro; kỹ thuật cần repo/test; chăm sóc khách hàng cần độ trễ và đường chuyển người; hồ sơ dài cần đúng trích dẫn; dữ liệu đa phương thức cần ảnh và tệp thực tế. Đây là các bài kiểm khác nhau, không thể thay bằng một điểm tổng hợp.

Đọc tiếp theo mục đích

Câu hỏi thường gặp

Model nào mạnh nhất? Cần chỉ rõ tác vụ, cấu hình và ngày. Các snapshot phía trên không hợp nhất thành top 1 tuyệt đối.

AI agent nên xem gì? Kết quả sửa issue, tool use, các chỉ số agent và bài thử end-to-end trong workflow của bạn.

Vì sao cùng model có điểm code khác? Có thể do split, harness, effort, budget, model version và số lần chạy khác nhau.

Có nên tự chạy model mở? Có thể nếu phù hợp dữ liệu/hạ tầng; cộng chi phí GPU, vận hành, bảo mật và giấy phép, xem LLM mở.

Có thể dùng thứ hạng thay eval không? Không. Ranking giúp sàng lọc; quyết định triển khai cần dựa trên hành vi thực và mức độ rủi ro của ứng dụng.

Bộ SKILLS EDIT VIDEOBạn quay. AI edit tự động.Ủng hộ mình 1 ly cafe
Video thật. Thành quả từ bộ Skills.
Trọn bộ 8 Skills · Mua một lần, dùng trọn đời

Để AI edit.
Dành thời gian cho điều quan trọng.

Thời gian edit mỗi video
3–4 giờ5–10 phút
Ưu đãi có hạn2.199.000đXem giá hiện tạiTrọn bộ 8 Skills & video hướng dẫn

Tiết kiệm 800.000đ · Mua một lần, dùng trọn đời.

Sở hữu bộ 8 SKILLS ngay!

Nhận bộ Skills và video hướng dẫn qua email.