Claude hay ChatGPT code tốt hơn? So cùng tầng giá thay vì so thương hiệu

Claude Sonnet 5.5 và GPT 6.1 SOL cùng tốn 13,20 đồng cho một lượt 2.000 token vào và 700 token ra, nên giá không phân biệt được hai model. Số liệu đo tại gateway của Wisa, cửa sổ 7 ngày kết thúc 27/10/2026, cho p50 10.029 ms trên 48 mẫu và 26.226 ms trên 214 mẫu, chênh 2,61 lần.

Hai model cùng tầng giá, cùng 13,20 đồng một lượt

Claude Sonnet 5.5 và GPT 6.1 SOL đều nằm ở tầng Balanced và đều có giá vào 2.400đ cùng giá ra 12.000đ trên một triệu token. Phép tính cho một lượt chuẩn là (2.000 × 2,4 + 700 × 12) ÷ 1.000.000 = 0,0132 CUBE, tức 13,20 đồng.

Vì giá giống nhau, mọi khác biệt còn lại nằm ở hành vi: câu trả lời dài bao nhiêu, chờ bao lâu, và hỏng bao nhiêu phần trăm. Ba cột đó mới là thứ quyết định trải nghiệm, và cả ba đều có trong dữ liệu gateway.

p50 10.029 ms so với 26.226 ms trong cùng cửa sổ 7 ngày

Độ trễ ở đây là latency_ms, thời gian hoàn tất toàn bộ yêu cầu, không phải mốc token đầu tiên xuất hiện. Tốc độ sinh token tính bằng output_tokens / (latency_ms / 1000). Nếu chưa quen đơn vị, bài token là gì giải thích cách một câu được tách thành token trước khi tính giá.

Model	n	p50	p95	p99	Token ra trung vị	Tốc độ	Tỉ lệ lỗi
Claude Sonnet 5.5	48	10.029 ms	45.156 ms	142.126 ms	288	44,76 token/giây	2,08%
GPT 6.1 SOL	214	26.226 ms	125.749 ms	244.824 ms	2.036	35,54 token/giây	1,40%

Chia 26.226 cho 10.029 ra 2,61 lần. Nhưng đọc thêm cột token ra trung vị thì nguyên nhân lộ ra: GPT 6.1 SOL trả về 2.036 token, còn Claude Sonnet 5.5 trả về 288 token. Chia 2.036 cho 288 ra 7,07 lần độ dài.

Tốc độ sinh token lại gần nhau: 44,76 so với 35,54 token/giây, tức 1,26 lần. Nói cách khác, GPT 6.1 SOL không chậm hơn trên mỗi token, nó chỉ viết dài hơn. Với một câu hỏi ngắn, khoảng cách p50 sẽ hẹp hơn nhiều so với con số 2,61 lần.

48 mẫu và 214 mẫu: vì sao chênh số mẫu làm câu so sánh yếu đi

Chia 214 cho 48 ra 4,46 lần. Bên GPT 6.1 SOL có gấp 4,46 lần số mẫu, nên p50 của nó ổn định hơn. Bên Claude Sonnet 5.5 chỉ có 48 mẫu, và đó là con số nhỏ nhất trong 6 model có số đo.

Với 48 mẫu, p95 45.156 ms được tính từ khoảng hai mẫu đuôi, còn p99 142.126 ms gần như là mẫu lớn nhất. Đừng dùng p99 của model 48 mẫu để đặt ngưỡng cảnh báo. Nếu cần ngưỡng đó, hãy đo lại trên lưu lượng của bạn cho tới khi có ít nhất vài trăm mẫu.

Một điểm nữa là cửa sổ 7 ngày chỉ chứa lưu lượng của một tuần. Hai model có thể đổi thứ hạng khi lưu lượng đổi hình dạng, ví dụ khi phần lớn request chuyển từ câu hỏi ngắn sang sinh cả file.

Chi phí mỗi kết quả dùng được: 13,48 đồng và 13,39 đồng

Tỉ lệ lỗi 2,08% và 1,40% nghĩa là cứ 1.000 lượt thì có khoảng 21 lượt hỏng ở Claude Sonnet 5.5 và 14 lượt hỏng ở GPT 6.1 SOL. Muốn tính chi phí cho một kết quả dùng được, chia chi phí lượt cho phần còn lại sau khi trừ tỉ lệ lỗi.

Claude Sonnet 5.5: 13,20 ÷ (1 − 0,0208) = 13,48 đồng. GPT 6.1 SOL: 13,20 ÷ (1 − 0,014) = 13,39 đồng. Chia 13,48 cho 13,39 ra 1,01 lần, tức khác biệt dưới 1%.

Con số này chỉ đúng khi bạn trả tiền cho cả lượt hỏng. Nếu hệ thống của bạn tự thử lại khi lỗi, chi phí thật còn cao hơn, và tỉ lệ lỗi trở thành biến quan trọng hơn giá niêm yết.

Khi nào nên chọn Claude Sonnet 5.5 và khi nào nên chọn GPT 6.1 SOL

Nếu X là "cần nhiều lượt ngắn, phản hồi nhanh trong giao diện chat", thì Y là Claude Sonnet 5.5: p50 10.029 ms và 288 token trung vị phù hợp với người đang chờ. Nếu X là "sinh cả file, viết tài liệu dài, cần một lượt ra hơn 2.000 token", thì Y là GPT 6.1 SOL, vì p50 cao của nó phần lớn đến từ độ dài câu trả lời.

Nếu X là "luồng tự động chạy hàng nghìn lượt mỗi ngày", cả hai đều không phải lựa chọn đầu tiên. Ở cùng cửa sổ đo, Gemini 3.8 Flash có p50 10.181 ms và lượt chuẩn chỉ 4,95 đồng, rẻ hơn 2,67 lần so với 13,20 đồng. Bài Gemini hay ChatGPT code tốt hơn trình bày phép chia đó.

Cách tự kiểm tra trên dữ liệu của bạn

Lấy 100 request gần nhất của bạn, tách theo model, rồi tính ba số: p50, p95 và token ra trung vị. Nếu token ra trung vị của bạn lệch xa 288 hoặc 2.036, đừng dùng bảng trên để kết luận; hãy tính lại chi phí một lượt từ token thật. Cách đọc cột n và p95 trong một bảng đầy đủ hơn nằm ở benchmark model AI.

Ví dụ, nếu mỗi lượt của bạn là 6.000 token vào và 1.200 token ra, chi phí GPT 6.1 SOL là (6.000 × 2,4 + 1.200 × 12) ÷ 1.000.000 = 0,0288 CUBE, tức 28,80 đồng. Con số đó gấp 2,18 lần lượt chuẩn, và nó là con số bạn phải dùng để lập ngân sách.

Giới hạn của bài này

Bài này không nói model nào viết code đúng hơn. Dữ liệu của Wisa có độ trễ, tốc độ và tỉ lệ lỗi, nhưng không có điểm chất lượng code. Muốn so chất lượng, bạn phải chạy cùng một bộ bài kiểm tra trên cả hai model, như cách lm-evaluation-harness làm với các bộ đề công khai.

Bài này cũng chỉ so hai model trong cùng một tầng giá. Nếu ngân sách của bạn cho phép tầng Premium, Claude Opus 5.5 có lượt chuẩn 26,40 đồng và p50 15.168 ms trên 271 mẫu, một điểm so sánh khác hẳn. Còn nếu bạn chỉ cần một model để bắt đầu, hãy đọc bài chọn model AI cho lập trình trước, vì ở đó thứ tự là chọn tầng rồi mới chọn model. Nếu bạn đang cân giữa ba họ model thay vì hai, bài ChatGPT, Gemini hay Claude: chọn cái nào mở rộng phép so này, và chuyên mục chọn và so sánh model gom các cặp so sánh còn lại trong cụm.