Gemini hay ChatGPT giải toán tốt hơn: khi nào tầng Premium mới đáng tiền

Toán là việc mà tầng đắt có lý do rõ ràng: 13 model Premium tốn 19,80 đến 132 đồng một lượt, còn 28 model chat còn lại tốn 0,27 đến 14,88 đồng. Nhưng bước rẻ hơn là nâng Reasoning Effort trên một model Balanced trước, vì bảy mức effort làm tăng token ra chứ không tăng số lượt.

Toán là việc tầng Premium có lý do rõ ràng hơn phần lớn việc khác

Với việc định dạng hay phân loại, model rẻ làm tốt và không ai cần trả thêm. Với toán nhiều bước thì khác: một bước sai làm hỏng cả lời giải, và chi phí của một lời giải sai thường lớn hơn chi phí của một lượt gọi đắt.

Đó là lý do tầng Premium được mô tả cho mô hình hoá toán học, debug phức tạp và lập kế hoạch kiến trúc. Nhưng mô tả đó không nói model Premium luôn cần thiết, và cũng không nói model Balanced không làm được.

13 model Premium tốn 19,80 đến 132 đồng một lượt

Nhóm	Số model chat	Lượt rẻ nhất	Lượt đắt nhất
Premium	13	19,80 đồng	132 đồng
Economy và Balanced	28	0,27 đồng	14,88 đồng

Mức 19,80 đồng thuộc bốn model Claude Sonnet 4.5, Claude Sonnet 4.6, Claude Sonnet 5 và Kimi K3. Mức 132 đồng là Claude Fable 5.1, model đắt nhất toàn danh mục. Chia 132 cho 19,80 ra 6,67 lần, nên ngay trong tầng Premium đã có một khoảng rất rộng.

Phép tính cho Claude Opus 5.5: giá vào 4.800đ và giá ra 24.000đ trên một triệu token, nên lượt 2.000 vào và 700 ra tốn (2.000 × 4,8 + 700 × 24) ÷ 1.000.000 = 0,0264 CUBE, tức 26,40 đồng. Con số này nằm giữa tầng Premium, không phải đỉnh.

Chia theo họ thì câu hỏi Gemini hay ChatGPT có một đáp án không đối xứng. Họ Gemini không có model nào ở tầng Premium: model Gemini đắt nhất trong danh mục là Gemini 3.8 Flash, ở tầng Balanced với 4,95 đồng một lượt. Phía GPT, tầng Premium có GPT 5.6 SOL ở 26,40 đồng và GPT 6 ASTRA ở 66 đồng. Nên nếu bạn cần một model Premium cho bài toán dài, lựa chọn nằm ở họ Claude, GPT hoặc Kimi; còn nếu bạn muốn ở lại tầng Balanced thì Gemini 3.8 Flash và GPT 6 SOL là cặp so sánh cùng tầng, 4,95 đồng so với 13,20 đồng.

28 model còn lại tốn 0,27 đến 14,88 đồng: thiếu gì cho bài toán khó?

Nhóm 28 model gồm 10 Economy và 18 Balanced. Model đắt nhất trong nhóm là GPT-5.6 Terra ở 14,88 đồng, vẫn rẻ hơn 1,33 lần so với model Premium rẻ nhất ở 19,80 đồng.

Cái thiếu không phải là giá rẻ, mà là khả năng giữ một chuỗi suy luận dài. Với bài toán ba bước, model Balanced thường đủ. Với bài toán mười bước có ràng buộc chéo, bạn sẽ thấy model Balanced bỏ qua một ràng buộc ở giữa, và lỗi đó khó phát hiện vì đáp án cuối vẫn trông hợp lý.

Cách kiểm tra rẻ nhất là chạy cùng một bài toán khó trên một model Balanced trước, rồi đọc lời giải. Nếu lời giải bỏ bước, nâng tầng. Nếu lời giải đúng, bạn vừa tiết kiệm 19,80 − 14,88 = 4,92 đồng mỗi lượt, và khoản đó nhân lên theo số lượt.

Bảy mức Reasoning Effort làm tăng token ra chứ không tăng số lượt

Reasoning Effort Control có bảy mức: Off, Minimal, Low, Medium, High, Extra High và Max. Nâng mức không tạo thêm lượt gọi; nó làm model sinh thêm token suy luận trước khi trả lời.

Vì giá tính theo token, chi phí tăng theo token ra. Với Claude Opus 5.5, nếu nâng effort làm token ra tăng từ 700 lên 1.400, phép tính thành (2.000 × 4,8 + 1.400 × 24) ÷ 1.000.000 = 0,0432 CUBE, tức 43,20 đồng. Chia 43,20 cho 26,40 ra 1,64 lần.

Đó là mức tăng rẻ hơn nhiều so với nhảy từ Balanced lên Premium. Vì vậy thứ tự thử là: nâng effort trên model hiện tại, đo lại độ đúng, rồi mới đổi tầng. Chỉ khi effort cao nhất vẫn sai thì tầng mới là biến cần đổi.

Cách đọc Execution Trace để biết một lượt giải toán tốn bao nhiêu CUBE

Execution Trace hiển thị định tuyến yêu cầu, model được chọn, độ trễ, tốc độ sinh token và phần quyết toán CUBE. Với một bài toán, đây là nơi duy nhất cho bạn biết token ra thật là bao nhiêu, thay vì con số 700 trong ví dụ.

Cách đọc: mở trace của lượt đắt nhất trong ngày, ghi token vào, token ra và số CUBE bị trừ. Nếu token ra vượt 1.400, mức effort đang đặt quá cao cho loại bài đó. Nếu token ra dưới 300 mà đáp án vẫn đúng, hạ effort xuống một mức.

Reasoning Cards hiển thị chuỗi suy luận trước khi ra đáp án, nên bạn có thể đọc xem model bỏ bước ở đâu. Khái niệm nền nằm ở reasoning model là gì và chain-of-thought là gì.

Khi nào nên trả giá Premium cho một bài toán

Nếu X là "bài toán có kiểm chứng được đáp án bằng một phép thử độc lập", thì Y là model Balanced cộng effort cao, vì bạn phát hiện được lỗi mà không cần tầng đắt. Nếu X là "bài toán không có đáp án kiểm chứng, sai một bước là mất cả buổi", thì Y là tầng Premium.

Nếu X là "chạy hàng nghìn bài toán nhỏ mỗi ngày", thì Y là model Economy ở mức sàn 0,27 đồng, và bạn nên lọc các bài khó ra để chạy riêng. Trộn hai loại bài vào cùng một model là cách nhanh nhất để trả giá Premium cho những việc Economy làm được.

Giới hạn của bài này

Bài này không nói model nào giải toán đúng hơn. Dữ liệu của Wisa có giá, độ trễ và tỉ lệ lỗi, nhưng không có điểm giải toán, nên kết luận về chất lượng phải đến từ bộ bài của bạn.

Bài này cũng không nêu hạn mức theo phút hay số yêu cầu đồng thời, vì đó là thông số vận hành chứ không phải thông số chọn model. Nếu bạn cần so chi phí theo token cho một dự án cụ thể, đọc bài benchmark model AI coding để biết cách ghép số đo với giá, hoặc Gemini hay ChatGPT dịch tốt hơn nếu việc của bạn là dịch tài liệu dài. Giá từng model để thay vào phép tính nằm ở bảng giá token đầy đủ 46 model, và chuyên mục chọn và so sánh model gom các bài so sánh còn lại.