So sánh Claude Haiku 5.5 và GPT-6 Luna

Anthropic đã ra mắt Claude Haiku 5.5 vào ngày 7 tháng 10 với mức giá 0,10 USD cho mỗi triệu token đầu vào và 0,50 USD cho mỗi triệu token đầu ra đối với các prompt dưới 100K token. GPT-6 Luna cũng đã niêm yết mức giá đúng 0,10 USD và 0,50 USD kể từ ngày 22 tháng 9, và giá bộ nhớ đệm (cache) cũng tương đương: 0,01 USD khi đọc, 0,125 USD khi ghi. Chỉ chín ngày sau khi Sonnet 5.5 san bằng mức giá 2 USD và 10 USD với GPT-6 Sol, phân khúc giá rẻ của hai bên cũng có động thái tương tự.

Mức giá giống hệt nhau khiến việc lựa chọn trở nên khó khăn hơn chứ không hề dễ đi, bởi vì phân khúc giá rẻ chính là nơi tập trung phần lớn lưu lượng: phân loại tác vụ (triage), tóm tắt, dựng khung kiểm thử (test scaffolding) — những công việc mà chúng tôi từng nhận định là nên giao cho một Runtime giá rẻ. Nếu chỉ chọn một trong hai theo trực giác, thì cuối cùng cả hai vẫn sẽ xuất hiện trên bảng theo dõi công việc của bạn: một bên chạy trên Claude Code, bên kia chạy trên Codex. Đến lúc đó, chẳng ai còn nắm rõ Agent nào đang chạy tác vụ gì, lượt chạy nào đã hoàn thành, hay model nào đã viết bản tóm tắt phân loại lỗi khiến một bug bị điều phối sai vào thứ Ba tuần trước.

Tóm tắt nhanh

Claude Haiku 5.5 và GPT-6 Luna chỉ có giá ngang nhau khi prompt dưới 100K token. Vượt qua ngưỡng đó, Haiku 5.5 sẽ tăng lên 0,50 USD / 2,50 USD, trong khi Luna vẫn giữ nguyên giá niêm yết cho tới mức 272K token rồi mới tăng lên 0,20 USD / 0,75 USD. Vì vậy, các phiên làm việc kéo dài của agent chính là nơi chi phí bắt đầu chênh lệch rõ rệt. Bảng so sánh ra mắt của Anthropic — bảng đối chiếu duy nhất từ các nhà cung cấp có đủ cả hai model — cho thấy Haiku 5.5 đạt điểm cao hơn ở mọi hạng mục chung. Tuy nhiên, các biểu đồ chi phí của họ lại cho thấy Luna có chi phí trên mỗi lượt chạy rẻ hơn ở mọi mức nỗ lực suy luận (effort level) đối với tác vụ xử lý tri thức, và ở hầu hết các mức trừ mức medium đối với tác vụ điều khiển máy tính (computer use) — nơi chi phí hai bên ngang nhau nhưng Haiku 5.5 ghi điểm cao hơn khoảng 16 điểm. Dù vậy, đây vẫn chỉ là số liệu từ một nhà cung cấp và chưa có kết quả độc lập nào dành cho Haiku 5.5. Hãy định tuyến tác vụ dựa trên độ dài prompt và các chỉ số đo lường thực tế trên chính Task của bạn; việc duy trì song song cả hai Runtime hoàn toàn là một lựa chọn hợp lý.

Mức giá tương đương cho đến khi prompt dài ra

Sự trùng khớp về giá niêm yết chỉ áp dụng cho một khung độ dài prompt nhất định. Cả hai nhà cung cấp đều áp dụng biểu giá mới cho các prompt dài, nhưng tại các mốc khác nhau và với mức chênh lệch khác nhau:

Tài liệu định giá của Anthropic nêu rõ: prompt vượt quá 100.000 token sẽ phải chịu mức giá cao hơn. Trong khi đó, trang thông tin model Luna của OpenAI định giá các prompt trên 272K token đầu vào gấp đôi mức phí đầu vào và cache, đồng thời gấp 1,5 lần phí đầu ra cho toàn bộ yêu cầu. Hình thức xử lý hàng loạt (batch processing) giúp giảm một nửa chi phí cho cả hai bên.

Điều này ảnh hưởng đến các agent nhiều hơn đáng kể so với các ứng dụng trò chuyện thông thường, bởi vì trong mỗi lượt tương tác, một phiên làm việc của agent đều phải gửi lại toàn bộ ngữ cảnh trước đó. Anthropic cho biết 90% số yêu cầu gửi tới Haiku 4.5 nằm dưới mức 100K token, nhưng một phiên lập trình kéo dài hoàn toàn không phải là một yêu cầu thông thường. Theo mặc định, Claude Code sẽ tự động nén ngữ cảnh của các model hỗ trợ context gốc 1M token (bao gồm cả Haiku 5.5) khi chạm ngưỡng khoảng 967K token. Do đó, một phiên chạy dài của Claude Code trên Haiku 5.5 có thể dành phần lớn số lượt tương tác ở mức trên 100K token, với chi phí cao gấp 5 lần so với mức giá công bố ban đầu. Trong khi đó, Codex trên Luna có thêm 172K token dự phòng trước khi bị tính phụ phí, và mức phụ phí khi chạm ngưỡng cũng thấp hơn đáng kể.

Việc so sánh số lượng token giữa các nhà cung cấp cũng không hề đơn giản. Anthropic cho biết cùng một đoạn văn bản sẽ tạo ra nhiều hơn khoảng 30% token trên Haiku 5.5 so với Haiku 4.5. Một bình luận viên trên Hacker News từng ước tính rằng 100K token của các model Claude hiện đại chỉ tương đương khoảng 60K đến 65K token của các model GPT thế hệ mới. Dù đây chỉ là phỏng đoán chứ chưa phải phép đo chính xác, nó đều dẫn đến một kết luận: cùng một kho mã nguồn (repository) sẽ làm đầy khung giá rẻ của Haiku 5.5 nhanh hơn.

Những điểm có thể so sánh từ bảng số liệu của Anthropic

Bài viết công bố ra mắt Haiku 5.5 có sáu hàng đối chiếu trực tiếp với Luna. Các số liệu của Haiku 5.5 đều được đo ở mức nỗ lực tối đa (max effort):

Haiku 5.5 dẫn đầu ở mọi hạng mục. Tuy nhiên, có hai điểm lưu ý quan trọng khiến kết quả này chưa thể coi là kết luận ngã ngũ. Thứ nhất, đây là bảng số liệu do chính Anthropic đưa ra. Thứ hai, các biểu đồ trên trang ra mắt so sánh điểm chuẩn với chi phí trên mỗi lượt chạy, mang lại một góc nhìn rất khác so với việc chỉ nhìn vào điểm số đơn thuần:

Trên benchmark GDPval-AA, Luna có chi phí trên mỗi tác vụ rẻ hơn ở mọi mức nỗ lực. Trên OSWorld, Luna cũng rẻ hơn ở mọi mức ngoại trừ medium — nơi cả hai đều tốn khoảng 13 cent cho mỗi lượt chạy. Ở mảng điều khiển máy tính, cách biệt về điểm số đủ lớn để chi phí không còn là rào cản quá quan trọng: Haiku 5.5 ở mức medium vượt qua Luna ở mức max với chi phí thấp hơn. Tuy nhiên, ở các tác vụ xử lý tri thức, khoảng cách này gần như bị xóa nhòa. Haiku 5.5 ở mức high và Luna ở mức max đều tiêu tốn khoảng 9 cent cho mỗi tác vụ và chênh nhau chỉ 17 điểm Elo, trong khi mức max của Haiku 5.5 lại đắt gần gấp mười lần so với Luna.

Ngoài ra còn có hai điểm giới hạn nữa. Điểm số công bố của OSWorld được tính theo hình thức ghi điểm từng phần (partial credit); thẻ hệ thống (system card) của Anthropic cho biết tỷ lệ vượt qua hoàn toàn (strict pass rate) của Haiku 5.5 chỉ là 37,1%, và họ không công bố con số nghiêm ngặt tương ứng cho Luna. Việc tỷ lệ này ảnh hưởng thế nào đến hàng đợi xét duyệt (review queue) đã được chúng tôi phân tích chi tiết trong bài viết về browser agent. Thêm vào đó, cả hai model đều không phải là lựa chọn hàng đầu cho lập trình: chính Anthropic cũng khẳng định Sonnet 5.5 và Opus 5.5 vẫn là những giải pháp vượt trội hơn cho các tác vụ lập trình tự động (agentic coding) phức tạp.

Môi trường thực thi (Runtime) đi kèm từng model

Lựa chọn model mới chỉ là một nửa bài toán. Mỗi model thường đi kèm với một Runtime riêng biệt, và các Runtime này sẽ hoạt động rất khác nhau trên cùng một bảng quản lý công việc.

Claude Code trên claude-haiku-5-5. Cấu hình này yêu cầu Claude Code từ phiên bản v2.1.293 trở lên; bạn có thể khởi chạy bằng lệnh claude --model claude-haiku-5-5 hoặc chuyển đổi bằng lệnh /model. Lưu ý rằng bí danh (alias) haiku chỉ trỏ về Haiku 5.5 trên Anthropic API, còn trên Bedrock, Google Cloud, Microsoft Foundry và Claude Platform trên AWS thì nó vẫn trỏ về Haiku 4.5, vì vậy bạn nên chỉ định chính xác ID đầy đủ. Mức nỗ lực mặc định là medium, và Claude Code không cho phép tắt chế độ suy nghĩ (thinking) trên Haiku 5.5. Ngoài ra, hạn mức API tín dụng hàng tháng mới dành cho các gói Max và Team không áp dụng cho Claude Code, do đó các gói này sẽ không chi trả cho Runtime này.

Codex trên gpt-6-luna. Luna chạy trong Codex trên các gói Plus, Pro, Business, Enterprise và Edu. Mức nỗ lực lập luận (reasoning effort) trên API của nó trải dài từ none đến max, với giá trị mặc định là medium; vì vậy cả hai model đều khởi đầu ở mức medium trừ khi có người chủ động thay đổi.

Có một điểm khác biệt về mặt hành vi rất cần được theo dõi sát sao trên bảng tác vụ thay vì chỉ coi như một ghi chú bên lề: Haiku 5.5 tích hợp các bộ phân loại an toàn (safety classifier) có thể từ chối thực hiện yêu cầu mà không có bất kỳ cơ chế dự phòng nào ở phía server. Tài liệu system card của Anthropic cũng thừa nhận model này có tỷ lệ từ chối nhầm (over-refused) cao hơn bất kỳ model nào khác trong đợt kiểm toán hành vi tự động của họ. Mỗi lần từ chối đồng nghĩa với một phiên chạy kết thúc mà không đem lại kết quả nào. Sự cố này cần được báo cáo trực tiếp về Task dưới dạng một thất bại rõ ràng, thay vì âm thầm biến mất trong một cửa sổ dòng lệnh mà không ai để mắt tới.

Cách so sánh hai model trên chính Task thực tế của bạn

Sharkly không tự ý lựa chọn model thay bạn. Tài liệu về Agents nêu rõ: “Agent sẽ tuân theo model mặc định của Runtime. Hệ thống không cam kết hay hiển thị một tên model cụ thể. Để thay đổi model, hãy chỉ định trong phần Custom arguments trên Agent hoặc Runtime, ví dụ model: model-name.” Bản thân Agent không có menu thả xuống để chọn model. Vì vậy, quy trình thiết lập chuẩn là tạo hai Agent riêng biệt tương ứng với từng Runtime, đặt tên rõ ràng theo mục đích sử dụng:

Agent A:  Claude Code Runtime, Custom arguments  model: claude-haiku-5-5
Agent B:  Codex Runtime,       Custom arguments  model: gpt-6-luna
Tasks:    the same description and starting commit, one Task per Agent,
          drawn from jobs you actually hand the cheap tier
Accept:   one acceptance check, written before either run starts
Record:   accepted y/n, review minutes, reruns, refusals,
          whether the run crossed 100K (Haiku) or 272K (Luna) input tokens,
          provider cost from your own Anthropic and OpenAI bills

Mức sử dụng model sẽ được tính trực tiếp qua gói thuê bao hoặc API key đã được cấu hình trong các công cụ đó, do đó các hóa đơn chi phí vẫn do nhà cung cấp trực tiếp quản lý. Toàn bộ phương pháp chi tiết, bao gồm cả đối số thời gian review (review-minutes), đã được trình bày trong bài so sánh giữa Sonnet 5.5 và GPT-6 Sol cũng như bài hướng dẫn cách so sánh các coding agent trên chính codebase của bạn. Cấu hình chi tiết riêng cho Haiku được hướng dẫn tại bài viết chạy Claude Haiku 5.5 agent trên Sharkly.

Cột dữ liệu bổ sung cần thiết cho cặp đôi này là dung lượng prompt. Một lượt chạy giá rẻ nhưng vượt quá ngưỡng 100K token trên Haiku 5.5 sẽ không còn mức giá mười cent nữa, và một lượt chạy giá rẻ nhưng phải thực hiện lại hai lần thì không còn rẻ chút nào — đúng như luận điểm đã được nêu trong bài viết khi các model giá rẻ trở nên tốn kém hơn.

Tại sao chọn “cả hai” lại là câu trả lời hợp lý

Các dữ liệu thực nghiệm đã công bố chưa thể chỉ ra một bên chiến thắng tuyệt đối, và bảng biểu phí gần như chắc chắn sẽ dẫn đến sự phân hóa về mục đích sử dụng.

Hãy dùng Haiku 5.5 khi prompt luôn nằm dưới ngưỡng 100K token, khi tác vụ liên quan đến thao tác trên trình duyệt hoặc máy tính bàn nơi cách biệt trên OSWorld là lớn nhất, hoặc khi công việc giá rẻ này đóng vai trò subagent dưới sự điều phối của một model Claude chính (bài viết subagent hay Agent độc lập sẽ giúp bạn xác định nên đặt tác vụ đó ở đâu). Hãy chọn Luna khi công việc thường xuyên đòi hỏi ngữ cảnh từ 100K đến 272K token, chẳng hạn như phân tích các file log dài hoặc các bản diff lớn, hoặc khi tiêu chí ưu tiên hàng đầu là mức giá thấp nhất trên mỗi lượt chạy. Nếu quy trình của bạn chỉ sử dụng Claude Code và các tác vụ giá rẻ đều ngắn gọn, bạn thậm chí có thể không cần thêm một Runtime giá rẻ thứ hai.

Duy trì song song cả hai lựa chọn chỉ thực sự hiệu quả khi Task — chứ không phải Runtime — đóng vai trò là nơi lưu trữ hồ sơ trung tâm. Các Agent sẽ đảm nhận việc tìm hiểu, thực thi, kiểm thử và báo cáo. Con người giữ vai trò định hướng, cấp quyền và nghiệm thu kết quả. Hai phòng thí nghiệm AI đã định giá phân khúc giá rẻ giống hệt nhau chỉ trong vòng ba tuần, và bất kỳ bên nào cũng có thể tiếp tục thay đổi chiến lược; ngữ cảnh, tiến độ, các điểm nghẽn, kết quả và quá trình kiểm duyệt của con người cần phải luôn minh bạch từ lúc gửi yêu cầu cho đến khi phát hành, bất kể Runtime nào sẽ vươn lên dẫn trước trong giai đoạn tiếp theo. Nếu bạn muốn tận dụng linh hoạt nhiều coding agent khác nhau thay vì bị ràng buộc vào một hệ sinh thái duy nhất, đó chính là bài toán cốt lõi mà Sharkly được thiết kế để giải quyết.