10 Agent trên GPT-6 Luna hay 1 Agent trên Opus 5.5: Cấu hình nào thực sự ship được nhiều hơn?

Bạn có một số lượng người review cố định, và kể từ ngày 22/09/2026, bảng giá model không còn quyết định thay bạn bất cứ điều gì nữa. GPT-6 Luna niêm yết ở mức $0.10 mỗi triệu token đầu vào và $0.50 mỗi triệu token đầu ra, API id gpt-6-luna. Claude Opus 5.5 niêm yết ở mức $4 và $20, API id claude-opus-5-5. Đó là mức chênh lệch 40 lần ở cả hai phía của đồng hồ đo, phép tính của chúng tôi dựa trên giá niêm yết của chính hai nhà cung cấp, và nó biến một câu hỏi từng mang tính lý thuyết thành một quyết định lên lịch hàng tuần. Với cùng số tiền đó, bạn chạy mười Agent rẻ hay một Agent đắt?

Hai cấu hình này không thể thay thế cho nhau. Điều phân biệt chúng không phải chất lượng model, và nó lộ ra ở cuối lần chạy chứ không phải ở đầu: mỗi cấu hình đặt một khối lượng công việc khác nhau lên trước mặt một con người.

Phép toán khiến câu hỏi này trở nên cấp thiết

OpenAI công bố chi phí mỗi task ngay cạnh điểm số, hữu ích hơn một bảng giá. Trên DeepSWE 1.1, Luna ở mức max reasoning effort đạt 66,6%, mà OpenAI mô tả là tương đương với Claude Opus 5 và Fable 5 ở mức medium effort, với chi phí mỗi task thấp hơn 93% so với Opus 5 và thấp hơn 96% so với Fable 5.

Suy ngược từ con số đầu tiên, một task Opus 5 tương đương khoảng mười bốn task Luna. Vì vậy mười lần chạy Luna tốn xấp xỉ bảy phần mười chi phí của một lần chạy Opus 5 trên harness đó. Phép nhân này là của chúng tôi, dựa trên con số 93% mà OpenAI đã công bố.

Anthropic nói Opus 5.5 có chi phí chạy thấp hơn 40% so với Opus 5. Áp dụng điều đó, tỷ lệ giảm xuống còn khoảng chín trên một. Con số này nối liền hai phép đo của hai nhà cung cấp được thực hiện trên các harness khác nhau, nên hãy xem nó như một hướng đi chứ không phải một con số chính xác: mười lần thử rẻ và một lần thử đắt giờ đây tốn gần như tương đương, dù bạn tính theo cách nào.

Có hai lưu ý đi kèm với bảng đó. Điểm nhấn của OpenAI là Sol và Luna đều rẻ hơn 50% so với giá GPT-5.6 khuyến mãi, và “khuyến mãi” là từ của chính OpenAI: phép so sánh được thực hiện với mức giá đã giảm, không phải giá niêm yết. Và hai bài đăng ra mắt không phải là một cuộc đối đầu trực tiếp. Cả hai nhà cung cấp đều báo cáo điểm AutomationBench, ở các phiên bản harness khác nhau và các mức effort khác nhau, trong cùng một ngày. Đặt hai con số phần trăm đó vào cùng một hàng sẽ tạo ra một so sánh mà không phòng lab nào từng thực hiện. Các tỷ lệ chi phí trên mỗi task ở trên vẫn đứng vững vì chúng đến từ bên trong phép đo của chính một nhà cung cấp.

Ba cấu hình trông như thể chỉ là một sự đánh đổi

“Mười agent hay một” thực ra là ba cách sắp xếp, và chúng hành xử khác nhau ở bước review.

Hàng giữa là hàng mà việc giảm giá thực sự mở ra, và cũng là hàng mà hầu hết các nhóm bỏ qua. Chạy cùng một Task mười lần rồi giữ lại lần thử vượt qua typecheck, test và build là một chiến lược chỉ trở nên khả thi khi một lần thử không còn tốn tiền thật. Với tỷ lệ đạt trên benchmark gần hai phần ba, một phần ba số lần thử đơn lẻ sẽ thất bại. Nếu các lần thử thất bại độc lập với nhau, mười lần thử gần như sẽ không bao giờ cùng thất bại. Nhưng chúng không thất bại độc lập: một task có yêu cầu mơ hồ hoặc thiếu fixture sẽ đánh bại mọi lần thử theo cùng một cách. Fan-out mang lại cho bạn phương sai, chứ không phải một sự đảm bảo.

Hàng đầu là hàng mà hầu hết các nhóm thực sự hướng tới, và đó là hàng đắt đỏ. Không phải về đô la. Mười Agent trên mười Task tạo ra mười diff, và mỗi diff đều cần một người đọc nó, hiểu Agent đã chọn gì, và chịu trách nhiệm merge nó. Chi phí đó không giảm vào ngày 22/09/2026 và không bản phát hành model nào chạm tới được nó. Chúng tôi đã viết về lý do review của con người là nút thắt trong công việc agent song song và về một ngày làm việc của con người có thể hấp thụ bao nhiêu ngày làm việc của agent; phép tính ở đó không thay đổi vì token rẻ hơn.

Mười Agent trên Luna không phải là gấp mười lần đầu ra. Đó là gấp mười lần khối lượng công việc đổ đến. Một model rẻ hơn mua lấy các lần thử. Nó không mua năng lực review, và hai điều đó rất dễ bị nhầm lẫn khi hóa đơn là con số duy nhất được theo dõi.

Chi phí trên mỗi thay đổi được chấp nhận mới là con số đáng quan tâm

Chi phí trên mỗi thay đổi được chấp nhận là số tiền nhóm bạn chi cho inference cho mỗi diff mà một người thực sự đọc và chấp nhận. Đây là con số chi phí agent duy nhất gắn với công việc đã ship, vì một lần thử không ai review thì chưa ship được gì cả.

Định nghĩa đó phân loại ngay ba cấu hình. Fan-out trên một Task chia mười lần thử cho một quyết định review, nên các lần thử rẻ hơn làm giảm chi phí trên mỗi thay đổi được chấp nhận theo một đường thẳng. Chiều rộng trải trên mười Task chia một lần thử cho mười quyết định review, nên các lần thử rẻ hơn làm hạ đường chi phí inference trong khi đường review vẫn phẳng và trở thành ràng buộc. Chiều sâu với một Agent đắt mua lấy xác suất cao hơn rằng lần thử duy nhất trước mặt người review chính là lần đáng để merge.

Có một hiệu ứng thứ hai chỉ lộ ra trong thực tế. Mười lần thử rẻ và một lần thử đắt không mang lại cảm giác làm việc giống nhau. Artificial Analysis đo các biến thể max reasoning của những model này ở mức 124,23 giây đến token đầu tiên với Luna và 102,15 giây với Sol, đây là các số liệu của bên thứ ba dành riêng cho biến thể max và đáng để xác nhận trước khi bạn lên kế hoạch dựa trên chúng. Mười Agent mà mỗi cái im lặng hai phút trước khi tạo ra một ký tự không phải là một pipeline nhanh. Đó là mười lần chạy trông như bị treo cùng lúc, và đây là một vấn đề về trạng thái chứ không phải vấn đề về model.

Cặp quyết định

Hãy dùng mười Agent rẻ khi máy quyết định. Nghĩa là Task có một tín hiệu chấp nhận thực sự chạy mà không cần người: một test đang thất bại hôm nay và phải pass, một typecheck, một build, một lint rule, một script tái hiện lỗi. Triage, gán nhãn, dựng khung test và refactor máy móc đều đủ điều kiện. Bất kỳ thay đổi nào mà câu hỏi “nó có hoạt động không” là một câu lệnh chứ không phải một ý kiến cũng vậy.

Hãy dùng một Agent đắt khi con người quyết định. Nếu việc chấp nhận thay đổi đòi hỏi phải đọc code và hình thành quan điểm, thêm nhiều lần thử không giúp ích gì, chúng chỉ nhân lên khối lượng đọc. Điều tương tự cũng đúng với công việc long-horizon: Anthropic nói Opus 5.5 bám task trong 18 giờ hoặc hơn, và một lần chạy giữ được mục tiêu suốt cả một buổi chiều có giá trị hơn mười lần chạy mà mỗi lần đều khởi động lại từ cùng một hiểu biết dang dở.

Đừng dùng fan-out để trốn việc viết tín hiệu chấp nhận. Mười diff nghe hợp lý mà không có bộ đánh giá tự động thì tệ hơn một diff, vì chọn giữa mười diff hợp lý là một công việc khó hơn review một diff, và đó là công việc rơi trúng người mà bạn đang cố bảo vệ.

Cấu hình mở rộng cần gì từ tầng phía trên

Mười Agent chạy cùng lúc là một bài toán phối hợp trước khi là một bài toán chi phí. Các mảnh ghép đã rõ: mỗi lần chạy trong worktree riêng để hai Agent cùng sửa một file không trở thành sự cố, một Assignee cho mỗi Task để quyền sở hữu không bao giờ mơ hồ, và một trạng thái phân biệt đang chạy với đang chờ với đã thất bại.

Agent định nghĩa công việc nên được xử lý như thế nào. Computer cung cấp host và tài nguyên cục bộ. Runtime thực thi phiên làm việc. Task vẫn là bản ghi chung. Khi mười lần chạy kết thúc trong vòng một giờ của nhau, chính phần cuối đó là thứ giữ cho một giờ không biến thành một cuộc săn lùng trên mười terminal.

Một lần chạy Luna đã hoàn tất nên trả về cho Task của nó một thứ đại loại như thế này, chứ không phải một session log riêng tư:

SH-312  Add retry with backoff to the webhook dispatcher
Runtime   gpt-6-luna (fan-out, 8 attempts, 3 passed the suite)
Selected  attempt 6, smallest diff of the passing set
Evidence  typecheck ok, 214 tests pass, build ok, coverage +0.4%
Known limit  no test for the 429 path, dispatcher is not idempotent yet
Status    Ready for review, waiting on a human

Dòng chọn lựa là phần quan trọng nhất. Nó cho biết điều gì đã quyết định, để người review biết mình đang xác nhận lựa chọn của máy hay đang tự đưa ra lựa chọn. Mười lần thử mà không có bản ghi chọn lựa là gấp mười lần công việc đang giả vờ là một Task.

Câu trả lời

Mười Agent rẻ ship được nhiều hơn khi bộ test quyết định và backlog đủ rộng để giữ chúng bận rộn. Một Agent đắt ship được nhiều hơn khi quyết định chấp nhận là của con người, horizon dài, hoặc tín hiệu tự động yếu. Hầu hết các nhóm muốn cả hai, định tuyến theo loại Task chứ không theo sở thích, đó chính là lập luận trong ghép model với vai trò agent.

Cả hai cấu hình đều không thay đổi bước cuối cùng. Agent nghiên cứu, thực thi, kiểm thử và báo cáo. Con người định hướng, trao quyền và chấp nhận kết quả. Giá model đã dịch chuyển 40 lần trong một ngày, còn số lượng thay đổi mà nhóm bạn có thể chấp nhận một cách có trách nhiệm thì không nhúc nhích chút nào.

Nếu bạn đã đang chạy nhiều agent, Sharkly cho bạn một nơi để giữ ngữ cảnh, tiến độ, điểm tắc nghẽn, kết quả và review của con người luôn hiển thị từ lúc gửi yêu cầu đến lúc phát hành, bất kể runtime nào đã tạo ra diff.