Đổi model: tỉ lệ lỗi 2,21 phần trăm là dấu hiệu rõ để chuyển

2,21 phần trăm của 1.000 yêu cầu là 22 câu trả lời bị mất khi bạn gọi Claude Opus 5.5. Với một nhóm 20 người dùng chung 1.000 yêu cầu đó, mỗi người gặp hơn một lần. Đó là dấu hiệu rõ để đổi model, và cách đổi không tăng chi phí thường là đổi ngang giá.

Sáu model đo được, tỉ lệ lỗi chạy từ 0 đến 2,21 phần trăm

Số liệu đo tại gateway của Wisa, cửa sổ 7 ngày kết thúc 27/10/2026, và chỉ hàng có ít nhất 20 mẫu mới được công bố. Sáu model đủ điều kiện, tỉ lệ lỗi trải từ 0 phần trăm ở DeepSeek V4.1 Flash đến 2,21 phần trăm ở Claude Opus 5.5. Trong sáu model đó, hàng mỏng nhất có 48 mẫu và hàng dày nhất có 6.051 mẫu.

Đọc hàng Claude Opus 5.5 theo đúng nghĩa của nó: 2,21 phần trăm của 271 mẫu là 5,99 lượt lỗi, tức 6 lượt trong 7 ngày. Quy về 1.000 yêu cầu thì thành 22 câu trả lời không tới tay người dùng. Với nhóm 20 người, mỗi người gặp hơn một lần, và mỗi lần là một lần gõ lại câu hỏi hoặc một lần bỏ việc giữa dòng.

Model	Số mẫu	Tỉ lệ lỗi	Một lượt	Mỗi kết quả dùng được
DeepSeek V4.1 Flash	213	0 phần trăm	3,456 đồng	3,456 đồng
DeepSeek V4.1 Flash 1017	4.660	0,67 phần trăm	3,456 đồng	3,48 đồng
Gemini 3.8 Flash	6.051	0,48 phần trăm	4,95 đồng	4,97 đồng
GPT-6.1 Sol	214	1,40 phần trăm	13,20 đồng	13,39 đồng
Claude Sonnet 5.5	48	2,08 phần trăm	13,20 đồng	13,48 đồng
Claude Opus 5.5	271	2,21 phần trăm	26,40 đồng	27,00 đồng

Cột một lượt tính theo lượt chuẩn 2.000 token vào và 700 token ra, nhân giá niêm yết mỗi triệu token rồi chia 1.000. Claude Opus 5.5 có mức 4.800đ cho mỗi triệu token vào và 24.000đ cho mỗi triệu token ra, nên một lượt tốn 26,40 đồng. Cách đọc các cột đo lường kiểu này nằm ở các bộ benchmark model AI.

Đổi ngang giá: cùng 13,20 đồng một lượt, khác 0,68 điểm phần trăm

Claude Sonnet 5.5 và GPT-6.1 Sol dùng chung mức 2.400đ cho mỗi triệu token vào và 12.000đ cho mỗi triệu token ra, nên một lượt của cả hai đều là 13,20 đồng. Tỉ lệ lỗi thì không chung: 2,08 phần trăm so với 1,40 phần trăm, lệch 0,68 điểm phần trăm. Chuyển từ model thứ nhất sang model thứ hai không đổi giá một lượt mà cắt 0,68 ÷ 2,08 = 0,33, tức một phần ba số lượt hỏng.

Vì giá một lượt của hai model bằng nhau, bạn thử được mà không phải xin thêm ngân sách. Một cách thử không tốn thêm đồng nào: chạy song song cả hai trên cùng một bộ câu hỏi thật của bạn, đếm số lần phải gõ lại, rồi mới chốt.

Đổi ngang giá là chuyển sang model khác cùng giá một lượt, không phải hạ cấp. Mỗi lượt vẫn đi qua một lần inference đầy đủ, cùng độ dài prompt, cùng độ dài đầu ra, nên mẫu số của phép so sánh giữ nguyên. So với DeepSeek V4.1 Flash, mức chênh là 13,20 ÷ 3,456 = 3,82 lần, và đó là lý do đổi ngang giá chỉ nên dùng khi chất lượng câu trả lời đã đủ cho việc bạn giao.

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

Chia thêm cho (1 trừ tỉ lệ lỗi) mới ra số tiền bạn thật sự trả cho một câu trả lời dùng được. Claude Sonnet 5.5: 13,20 ÷ 0,9792 = 13,48 đồng. GPT-6.1 Sol: 13,20 ÷ 0,986 = 13,39 đồng. Chênh 0,09 đồng, và ở 100.000 lượt một tháng con số đó thành 9.000 đồng.

Quy sang CUBE thì dễ hình dung hơn: với 1 CUBE = 1.000đ, 1.000 ÷ 27,00 = 37,04 kết quả dùng được mỗi CUBE ở Claude Opus 5.5, còn 1.000 ÷ 13,39 = 74,68 kết quả ở GPT-6.1 Sol. Nói cách khác, cùng một CUBE mua được 74,68 ÷ 37,04 = 2,02 lần số câu trả lời dùng được khi bạn đứng ở hàng thứ hai. Với gói Developer 940 CUBE mỗi tháng, phần chênh đó là 940 × (74,68 − 37,04) = 35.382 câu trả lời. Số lần phải gọi lại đọc được từ cùng dữ liệu: 1 ÷ 0,9779 = 1,02 lần ở Claude Opus 5.5 và 1 ÷ 0,986 = 1,01 lần ở GPT-6.1 Sol.

Hàng 48 mẫu có đủ để đổi model không?

Không đủ để đổi một mình, vì 48 mẫu là hàng mỏng nhất trong sáu hàng. Ở 48 mẫu, đúng một lượt lỗi đã là 2,08 phần trăm, nên tỉ lệ của Claude Sonnet 5.5 đổi hẳn nghĩa khi thêm một lượt thành công. Hàng Gemini 3.8 Flash có 6.051 mẫu, tức 6.051 ÷ 48 = 126,06 lần nhiều mẫu hơn, nên một lượt lỗi ở đó chỉ nhích 0,02 điểm phần trăm.

Ngưỡng đổi model nên đặt trên hai điều kiện cùng lúc: tỉ lệ lỗi cao hơn hẳn các hàng cùng giá, và số mẫu đủ dày để tỉ lệ đó không nhảy khi thêm một lượt. Một tuần xấu trên 48 mẫu chưa nói được gì về tháng sau, còn 271 mẫu của Claude Opus 5.5 đã đủ để thấy một xu hướng. Cách đọc lỗi theo từng loại và cách xử lý nằm ở lỗi model.

Đổi ngang giá còn đổi cả thời gian chờ, nên đọc thêm cột độ trễ trước khi chốt. Trong cùng cửa sổ đo, p50 là 10.029 ms ở Claude Sonnet 5.5 và p50 là 26.226 ms ở GPT-6.1 Sol. Mức lỗi thấp hơn đi kèm một lượt chậm hơn, tính bằng 26.226 ÷ 10.029 = 2,62 lần, và đó là cái giá bạn trả bằng thời gian chứ không bằng tiền.

Giới hạn của lời khuyên này

Chỉ 6 trong 46 model của danh mục có tỉ lệ lỗi, vì 40 model còn lại không vượt ngưỡng 20 mẫu trong cửa sổ 7 ngày. Không có tỉ lệ lỗi thì không có cột so sánh, và ô trống không được đọc thành 0 phần trăm.

Lỗi ở đây nghĩa là yêu cầu không hoàn tất: bị cắt, trả về rỗng, sai định dạng. Một câu trả lời đúng định dạng nhưng sai nội dung không nằm trong cột đó, nên tỉ lệ lỗi thật của công việc bạn làm có thể cao hơn con số trong bảng. Đổi ngang giá giữ nguyên giá nhưng đổi giọng văn, cách xuống dòng và cách đánh số, nên chạy thử 100 yêu cầu thật trước khi chuyển cả luồng.

48 mẫu là mức mỏng, và 271 mẫu cũng chưa dày. Cả sáu hàng đều đến từ một cửa sổ 7 ngày, nên một đợt lỗi của nhà cung cấp trong tuần đó có thể đã chiếm phần lớn số lượt hỏng. Nếu bạn cần tiêu chí rộng hơn theo từng loại việc, hãy đọc khi nào nên đổi model, rồi mở chuyên mục chọn và so sánh model để so giá, độ trễ và tỉ lệ lỗi cùng lúc.