Gemini hay ChatGPT làm văn tốt hơn: phép thử tiếng Việt bạn tự chạy được trong một buổi

Không có model nào thắng tuyệt đối ở câu này, nhưng bạn tự kiểm được trong một buổi. Viết 20 prompt văn tiếng Việt, chạy hai lần mỗi prompt trên hai model, bạn có 40 lượt: 198 đồng nếu chạy Gemini 3.8 Flash, 1.056 đồng nếu chạy Claude Opus 5.5. Phần còn lại là đếm lỗi và chia.

Phép thử 20 prompt: 40 lượt tốn 198 đồng hoặc 1.056 đồng

Bộ prompt nên chia đều cho năm loại văn mà bạn thật sự viết: email cho khách, mô tả sản phẩm, đoạn tiểu luận ngắn, bản tin nội bộ và phản hồi một lời phàn nàn. Mỗi prompt ghi rõ ngữ cảnh, độ dài mong muốn, giọng điệu và ba ý bắt buộc phải có. Giữ nguyên văn bộ prompt khi đổi model, nếu không bạn đang so hai phép thử khác nhau.

Mỗi prompt chạy hai lần trên cùng một model để thấy dao động giữa hai lần gọi. Hai mươi prompt nhân hai lần là 40 lượt. Một lượt chuẩn ở đây là 2.000 token vào cộng 700 token ra, đúng cách Wisa tính giá để so các model với nhau.

Gemini 3.8 Flash có giá ra 4.500đ một triệu token, một lượt tốn 4,95 đồng, nên 40 lượt tốn 40 × 4,95 = 198 đồng. Claude Opus 5.5 có giá ra 24.000đ, một lượt tốn 26,4 đồng, nên 40 lượt tốn 40 × 26,4 = 1.056 đồng. Cùng một phép thử mà chênh 5,33 lần tiền.

Cách chạy rẻ là chốt bộ prompt trên model rẻ trước, sửa cho đến khi không còn prompt nào bị hiểu sai, rồi mới chạy lại trên model đắt. Nếu bạn đảo thứ tự, bạn sẽ trả 1.056 đồng cho những prompt còn lỗi diễn đạt.

Số lần thử cần thiết tính bằng 1 ÷ (1 − tỉ lệ lỗi)

Tỉ lệ lỗi là phần trăm lượt gọi không trả về kết quả dùng được vì lỗi kỹ thuật: bị cắt vì quá hạn, trả về rỗng, sai định dạng, hoặc lỗi mạng. Nó không đo văn sai giọng hay lặp ý, vì hai thứ đó phải chấm tay và bài này không có số đo cho chúng. Mỗi lượt hỏng buộc bạn gọi lại, nên số lần thử trung bình để có một kết quả dùng được là 1 ÷ (1 − tỉ lệ lỗi).

Claude Opus 5.5 có tỉ lệ lỗi 2,21 phần trăm, tức 0,0221, nên mẫu số là 0,9779 và 1 ÷ 0,9779 = 1,02. GPT 6.1 SOL có 1,40 phần trăm, mẫu số 0,986, nên 1 ÷ 0,986 = 1,01. DeepSeek V4.1 Flash 1017 có 0,67 phần trăm, hệ số 1,01. Gemini 3.8 Flash có 0,48 phần trăm và DeepSeek V4.1 Flash có 0 phần trăm, cả hai cho hệ số 1,0.

Nhân hệ số với giá một lượt ra chi phí của một kết quả dùng được. Claude Opus 5.5: 26,4 ÷ 0,9779 = 27,00 đồng. DeepSeek V4.1 Flash: 3,456 ÷ 1 = 3,456 đồng. Chia hai số: 27,00 ÷ 3,456 = 7,81 lần. Nếu chỉ nhìn bảng giá, bạn sẽ tính 26,4 ÷ 3,456 = 7,64 lần và bỏ qua phần chênh do lỗi.

27,00 đồng một kết quả dùng được so với 3,456 đồng

Model	Số mẫu	Tỉ lệ lỗi	Số lần thử	Một lượt	Một kết quả dùng được
DeepSeek V4.1 Flash	213	0 phần trăm	1,0	3,456 đồng	3,456 đồng
DeepSeek V4.1 Flash 1017	4.660	0,67 phần trăm	1,01	3,456 đồng	3,48 đồng
Gemini 3.8 Flash	6.051	0,48 phần trăm	1,0	4,95 đồng	4,97 đồng
GPT 6.1 SOL	214	1,40 phần trăm	1,01	13,2 đồng	13,39 đồng
Claude Sonnet 5.5	48	2,08 phần trăm	1,02	13,2 đồng	13,48 đồng
Claude Opus 5.5	271	2,21 phần trăm	1,02	26,4 đồng	27,00 đồng

Số liệu đo tại gateway của Wisa, cửa sổ 7 ngày kết thúc 27/10/2026, và mỗi hàng cần ít nhất 20 mẫu mới được công bố.

Đọc hai cột cuối cùng nhau. Số lần thử chỉ hiện một chữ số thập phân, còn chi phí một kết quả dùng được tính trên hệ số chưa làm tròn, nên 4,95 đồng nhân 1,0048 ra 4,97 đồng chứ không phải 4,95 đồng.

Độ trễ hoàn tất toàn bộ yêu cầu cũng lệch giữa các hàng: GPT 6.1 SOL có p50 26.226 ms trên 214 mẫu, Gemini 3.8 Flash có p50 10.181 ms trên 6.051 mẫu, Claude Sonnet 5.5 có p50 10.029 ms nhưng chỉ 48 mẫu. Hàng ít mẫu thì nên đọc như mốc tham khảo, không phải kết luận.

Chấm văn tiếng Việt thế nào khi không có benchmark công khai?

Không có bảng điểm công khai nào trả lời câu "văn này có dùng được cho khách hàng Việt không". VMLU đo kiến thức tiếng Việt qua câu hỏi trắc nghiệm, nên nó không nói gì về giọng điệu hay độ tự nhiên của một đoạn email.

Cách làm thay thế là chấm mù: xoá tên model khỏi kết quả, trộn thứ tự, rồi cho hai người trong nhóm chấm độc lập trên thang 1 đến 5. Chấm theo bốn mục: thông tin có đúng không, giọng có khớp với khách không, câu có lặp ý không, và có chỗ nào buộc phải sửa tay không. Ghi lại từng mục thay vì một điểm tổng, vì hai model có thể bằng điểm nhau nhưng hỏng ở hai chỗ khác nhau.

Một prompt chỉ được tính là đạt khi cả hai người chấm cho từ 4 điểm trở lên ở mục thông tin và không ai phải sửa quá một câu. Ngưỡng đó viết ra trước khi chạy, không viết sau khi đã thấy kết quả.

Ba tiêu chí viết ra trước khi chạy phép thử

Tiêu chí thứ nhất là ngưỡng đạt cho từng prompt, ví dụ "không sai số liệu, không quá hai câu phải sửa". Tiêu chí thứ hai là điều kiện biên: độ dài đầu ra, số ý bắt buộc, và những từ không được dùng vì lý do thương hiệu. Tiêu chí thứ ba là trần chi phí cho một kết quả dùng được, tính bằng đồng, để bạn loại model trước khi kịp quen với nó.

Ba tiêu chí này biến phép thử thành thứ chạy lại được. Khi đổi model hoặc đổi phiên bản, bạn chạy lại đúng bộ prompt cũ và so trên cùng thang điểm.

Giới hạn của lời khuyên: 20 prompt đủ để loại một model rõ ràng không hợp, không đủ để xếp hạng hai model sát nhau. Bốn mươi quan sát là quá ít để một prompt đổi kết quả không đảo thứ tự, nên nếu khoảng cách điểm dưới một mức, hãy chọn theo chi phí trên mỗi kết quả dùng được rồi tăng lên 60 prompt khi cần chắc hơn.

Lời khuyên cũng hết đúng khi công việc của bạn không phải văn liền mạch. Nếu bạn viết theo mẫu cố định có dữ liệu điền vào, tiêu chí đúng là độ chính xác của trường dữ liệu, không phải giọng văn, và bộ thử nên là 20 mẫu dữ liệu thật với cách chấm là đếm trường sai.

Phần nền về model và mức giá nằm trong chuyên mục chọn và so sánh model. Nếu bạn muốn so ở góc văn phong trước, đọc Gemini hay ChatGPT viết văn hay hơn và AI viết tiếng Việt.