Một dòng trong một tệp cấu hình quyết định phần lớn token của cả nhóm bạn sẽ đi đâu trong quý này. Vào ngày 22/09/2026, cả hai ứng viên cho dòng đó đều thay đổi cùng lúc: Anthropic ra mắt Claude Opus 5.5, OpenAI ra mắt GPT-6 Sol và GPT-6 Luna. Nếu bạn đang chạy nhiều coding agent song song, câu hỏi không phải là model nào thông minh hơn. Mà là Agent của bạn dùng model nào theo mặc định, và điều đó tác động thế nào đến hàng đợi công việc đang chờ người nghiệm thu.
Có một điểm cần lưu ý trong bằng chứng, đáng để biết trước khi bạn đọc bài ra mắt của bên nào. OpenAI benchmark Sol với Claude Opus 5. Không phải Opus 5.5. Opus 5.5 chưa tồn tại khi bài viết đó ra đời, và nó được phát hành vài giờ sau đó với mức giá $4 mỗi triệu token đầu vào, so với $5 của Opus 5. Vì vậy, mọi câu kiểu "vượt Opus 5 với chi phí chỉ bằng một phần nhỏ" trong bài của OpenAI đều được đo với một model đã bị thay thế ngay trong cùng ngày. Điều đó không làm các con số sai. Nó chỉ khiến chúng trở thành những con số công bố cuối cùng, thay vì những con số hiện hành.
TL;DR
Runtime mặc định là model mà Agent của bạn dùng khi không ai chọn cái khác, và trên thực tế thì đó là phần lớn các lần chạy. Hãy chọn nó dựa trên ba trục: chi phí cho mỗi Task hoàn thành, nó bám một Task được bao lâu trước khi cần đến bạn, và nó làm gì khi bị kẹt. Theo các con số đã công bố, Sol rẻ hơn trên mỗi Task hoàn thành, dù phép so sánh công bố duy nhất là với Opus 5, còn Opus 5.5 mới là model trụ được lâu trên một Task dài mà không dừng lại. Chưa ai cho hai model này đối đầu trên cùng một harness, nên hãy coi cả hai bài ra mắt là lời quảng bá của nhà cung cấp và tự kiểm chứng trên chính repository của bạn.
Mỗi nhà cung cấp thực sự đã công bố gì
| Claude Opus 5.5 | GPT-6 Sol | |
|---|---|---|
| API id | claude-opus-5-5 |
gpt-6-sol |
| Đầu vào / đầu ra mỗi 1M | $4 / $20 | $2 / $10 |
| Đầu vào đã cache | $0.20 đọc, $5 ghi | giảm 90% chi phí đọc |
| Context | 1M | 872k |
| So sánh trong bài ra mắt với | Claude Opus 5 ($5 / $25) | Claude Opus 5, GPT-6 Astra ($10 / $50) |
Anthropic cho biết Opus 5.5 có chi phí chạy thấp hơn 40% so với Opus 5, tạo đầu ra nhanh hơn khoảng 30%, và bám Task từ 18 giờ trở lên. Đầu ra tối đa là 128k token, và chế độ nhanh có mức giá riêng là $8 / $40.
OpenAI cho biết Sol và Luna đều rẻ hơn 50% so với mức giá khuyến mại của GPT-5.6. Từ "khuyến mại" là do chính OpenAI dùng và nó quan trọng: phép so sánh được thực hiện với một mức giá đã giảm, chứ không phải giá niêm yết của GPT-5.6. OpenAI cũng nói GPT-6 Astra "vẫn là model tốt nhất của chúng tôi trên mọi phương diện" — một lời nhắc hữu ích rằng Sol là phân khúc giá trị trong chính gia đình của nó, chứ không phải flagship.
Trục 1: chi phí cho mỗi Task hoàn thành, không phải chi phí mỗi triệu token
Giá token chỉ là con số đại diện cho khoản bạn thực sự phải trả. Một model có đơn giá bằng một nửa nhưng cần ba lần thử sẽ tốn hơn một model làm xong chỉ trong một lần chạy. OpenAI công bố chi phí mỗi task song song với điểm số, một cách làm hiếm thấy vì quá trực diện.
| Benchmark, theo cách OpenAI công bố | Sol | So sánh với |
|---|---|---|
| AutomationBench 1.0.6 | 33.2% ở mức extra-high, $0.27 mỗi task | Claude Opus 5 ở mức max: 26.9%, chi phí mỗi task gấp 11.1 lần Sol |
| AutomationBench 1.0.6 | như trên | GPT-6 Astra ở mức low: 30.3%, chi phí mỗi task gấp 3.9 lần Sol |
| Agents' Last Exam V1 | 56.4% ở mức max | cao hơn mức tốt nhất của Opus 5, với chi phí mỗi task thấp hơn 60% |
| DeepSWE 1.1 | 68.8% ở mức max | cách Fable 5 ở mức extra-high (69.9%) 1.1 điểm phần trăm, rẻ hơn khoảng 80% mỗi task |
| OSWorld 2.0 offline | 60.5% ở mức extra-high | Opus 5 ở mức medium: 60.3%, rẻ hơn khoảng 80% mỗi task |
Dòng đầu tiên là dòng đang được mọi người trích dẫn. Sol ở mức suy luận extra-high đạt điểm cao hơn Claude Opus 5 ở mức suy luận max, với chi phí mỗi task chỉ bằng khoảng 9% của Opus 5. Lấy $0.27 nhân với 11.1, Opus 5 ở mức max rơi vào khoảng $3 mỗi task trên harness đó — đây là phép tính của chúng tôi dựa trên hai con số của OpenAI, chứ không phải con số do OpenAI in ra.
Giờ hãy áp dụng điểm cần lưu ý kia. Anthropic đặt Opus 5.5 ở mức chi phí chạy thấp hơn 40% so với Opus 5, nên con số $3 đó đã cũ. Nó cũng không đơn thuần giảm đúng 40%, bởi chi phí mỗi task thay đổi theo lượng token mà model đốt để đi đến đích, chứ không chỉ phụ thuộc vào giá niêm yết. Khoảng cách được công bố là rất lớn, một phía của nó đã thay đổi ngay trong ngày với một mức được nêu rõ, và chưa ai chạy lại phép so sánh. Nếu bạn muốn có con số đó cho codebase của mình, hãy chạy phép so sánh trên chính repository của bạn thay vì chờ một lab nào đó làm hộ.
Để thấy rõ quy mô: OpenAI báo cáo rằng nhà nghiên cứu trung vị của họ chi hơn $600 mỗi ngày cho coding agent, và mức phân vị thứ 90 là $7,000 mỗi ngày. Chi phí mỗi task nhanh chóng không còn là một khái niệm trừu tượng nữa.
Trục 2: nó bám Task được bao lâu
Hai nhà cung cấp giải quyết cùng một vấn đề ở hai chỗ khác nhau.
Anthropic giải quyết nó trong chính model. Opus 5.5 bám Task từ 18 giờ trở lên. Một lần chạy dài hơn cả ngày làm việc của bạn sẽ thay đổi cách giám sát: bạn ngừng ngồi nhìn nó và bắt đầu quay lại kiểm tra nó, điều này chỉ hiệu quả nếu lần chạy đó báo cáo về một nơi nào đó không phải là cái terminal bạn đã đóng.
OpenAI giải quyết nó ở tầng cache. GPT-6 giảm 90% chi phí đọc đầu vào đã cache, nâng tỷ lệ cache hit theo mặc định, và — điều quan trọng với công việc agent — không còn phá vỡ cache khi bạn thay đổi mức suy luận hay tập công cụ khả dụng. Các breakpoint tường minh cho phép bạn chọn nơi một prefix được cache kết thúc. GitHub báo cáo số prompt token cần xử lý mới giảm hơn 50% trên hàng tỷ request. Một lần chạy agent dài chủ yếu là cùng một context được đọc đi đọc lại nhiều lần, nên đây là cách khắc phục chi phí của thời lượng, chứ không phải cách khắc phục thời lượng.
Dùng Opus 5.5 làm mặc định khi Task điển hình của bạn là một cuộc migration, một đợt refactor trên diện rộng, hay bất cứ việc gì mà dừng giữa chừng còn tốn kém hơn cả token. Dùng Sol làm mặc định khi Task điển hình của bạn có phạm vi hữu hạn, lặp đi lặp lại nhiều lần mỗi ngày, và rẻ để thử lại. Hầu hết các nhóm đều có cả hai loại, đó là lý do mặc định ít quan trọng hơn việc chủ động xử lý các trường hợp ngoại lệ.
Trục 3: nó làm gì khi bị kẹt
Trục này không có benchmark nào, và đây chính là thứ tạo ra các tin nhắn cầu cứu bộ phận hỗ trợ.
Artificial Analysis, một bên thứ ba chứ không phải bên nào trong hai nhà cung cấp, đo các biến thể suy luận "max" và thu được 115.2 token đầu ra mỗi giây với Sol cùng 102.15 giây để ra token đầu tiên, và 153.9 token mỗi giây với Luna cùng 124.23 giây. Đó là những cấu hình nỗ lực tối đa, và bạn nên đối chiếu với bảng niêm yết hiện hành trước khi đặt cược vào chúng. Hình dạng của con số mới là điều đáng quan tâm: ở mức suy luận cao, những model rẻ không phải là những model khởi động nhanh.
Một agent đang suy nghĩ trong 102 giây và một agent đã bị treo trông y hệt nhau trên terminal. Một agent đã xong từ 40 phút trước và một agent đã dừng lại để hỏi một câu hỏi mà không ai nhìn thấy cũng vậy. Không bản phát hành model nào sửa được điều đó. Một trạng thái gắn với Task thì có: In Progress, Waiting for human, Failed, Ready for release, kèm theo log và câu hỏi. Agent nghiên cứu, thực thi, kiểm thử và báo cáo. Con người định hướng, trao quyền và nghiệm thu kết quả.
Hãy dành cho cách mỗi Runtime báo hiệu tiến độ và thất bại sức nặng ngang với bảng benchmark. Bạn sẽ đọc trạng thái hàng trăm lần mỗi tuần, còn benchmark thì chỉ một lần.
Đừng đặt hai bảng benchmark cạnh nhau
Cả hai nhà cung cấp đều công bố một con số AutomationBench trong tuần này. OpenAI báo cáo Sol ở mức suy luận extra-high đạt 33.2% trên AutomationBench 1.0.6. Anthropic báo cáo Opus 5.5 đạt 40.0% trên AutomationBench. Cả hai đều báo cáo OSWorld 2.0, lần lượt ở mức 60.5% và 81.8%, và con số của OpenAI nằm trên tập offline.
Đó không phải là một cuộc đối đầu trực diện. Các thiết lập suy luận khác nhau, ít nhất một biến thể benchmark khác nhau, các harness khác nhau, không có con số chi phí mỗi task chung, và mỗi bên đều do chính bên hưởng lợi chạy. Những bài viết so sánh Opus 5.5 với GPT-6 Astra trên các con số cụ thể chỉ là tweet, không phải dữ liệu từ nhà cung cấp. Artificial Analysis có công bố một chỉ số chung, xếp Opus 5.5 ở mức 58 và đứng đầu trong 212 model, Sol ở 48, Luna ở 37 — và đó là một tổng hợp của bên thứ ba, chứ không phải phép đo trên codebase của bạn.
Quyết định còn đứng vững sau lần ra mắt tiếp theo
Hãy viết mặc định ra thành văn bản. Không phải như một sở thích mà ai đó giữ trong đầu, mà như một quy tắc gắn với Agent: Agent này chạy Runtime này, những Task này thuộc về nó, và đây là Agent rẻ hơn đảm nhận các việc thường ngày. Đại loại như thế này, đặt ở nơi cả nhóm đọc được:
Default Runtime: Claude Code on claude-opus-5-5
Tasks: migrations, wide refactors, anything that fails badly halfway
Second Runtime: Codex on gpt-6-sol
Tasks: bounded, repeated many times a day, cheap to retry
Escalation: a Sol Task that fails twice returns to the Task for a person,
it does not silently re-run on the expensive Runtime
Đó là thứ biến model nào nhận task nào thành thông lượng, và nó còn đứng vững sau lần ra mắt tiếp theo, bởi khi câu trả lời thay đổi, bạn chỉ cần sửa một quy tắc thay vì đi hỏi sáu người xem họ đang dùng cái gì. Hai lab tung ra phân khúc giá trị mạnh nhất của mình trong cùng một ngày, và một trong hai benchmark với một model đã hết thời chỉ vài giờ sau đó. Một Runtime mặc định mà bạn có thể thay đổi ở một chỗ đáng giá hơn việc chọn đúng trong tuần này.
Điều mà cả hai lần ra mắt đều không thay đổi là hàng đợi. Chi phí cho mỗi Task hoàn thành giảm mạnh ở cả hai phía, nên với cùng một ngân sách, giờ đây bạn mua được khối lượng công việc agent đã hoàn thành nhiều gấp mấy lần so với tuần trước. Nhưng nó không mua thêm được giờ nào của người review. Năng lực review chính là trần giới hạn, và việc giảm giá đẩy khối lượng công việc đập vào cái trần đó chứ không hề làm nó nhẹ đi. Hãy giữ mục tiêu, lần chạy, các điểm tắc, diff và phần review của con người hiển thị ở cùng một chỗ, từ lúc gửi yêu cầu đến lúc phát hành, và Runtime mặc định sẽ trở thành một thiết lập chứ không phải một canh bạc.
Sharkly không chạy model và cũng không chọn model thay bạn. Nó là lớp Task, Computer, context và review dùng chung bao quanh những công cụ thực sự làm việc đó. Nếu bạn muốn tiếp tục dùng nhiều coding agent thay vì cam kết với một hệ sinh thái duy nhất, thì đó chính là bài toán mà nó được thiết kế để giải quyết. Kết nối một Computer, tạo một Agent trên mỗi Runtime, và giao cho chúng cùng một Task nhàm chán.
