Chi phí và độ trễ thật của 6 model AI trên Wisa

Bốn điều dữ liệu này cho thấy

• Nhanh nhất ở trung vị: deepseek-v4.1-flash-1017 hoàn tất một yêu cầu trong 8.0 s.
• Đuôi chậm nhất: gpt-6.1-sol có p95 là 125.7 s. p95 mới là con số quyết định cảm giác chờ, không phải p50.
• Rẻ nhất trên mỗi triệu token đầu ra: deepseek-v4.1-flash-1017 ở 2.880đ.
• Tỉ lệ lỗi cao nhất: claude-opus-5-5 ở 2.21%, đo trên 271 yêu cầu.

Bốn câu trên tính trực tiếp từ bảng bên dưới, không phải nhận định chủ quan. Nếu dữ liệu được cập nhật, câu chữ cũng đổi theo.

Cột cuối chỉ tính token đầu ra, ở độ dài trung vị của chính model đó. Nó trả lời câu “1.000 câu trả lời tốn bao nhiêu tiền”, không phải tổng chi phí một lượt hỏi, vì mỗi lượt còn có token đầu vào và ngữ cảnh tài liệu.

Cách đọc từng cột

p50, p95, p99

Phân vị thời gian hoàn tất yêu cầu. p50 là một nửa số yêu cầu xong trước mốc đó; p95 là mốc mà 5% yêu cầu chậm nhất vượt qua. Cùng một model có thể p50 đẹp nhưng p95 rất xấu.

Token/s

Số token đầu ra chia cho thời gian chạy, lấy trung vị trên các yêu cầu có đầu ra. Đây là tốc độ trung bình của cả yêu cầu, không phải tốc độ tức thời lúc model đang viết.

Tỉ lệ lỗi

Số yêu cầu có trạng thái khác thành công chia cho tổng số mẫu. Lỗi gồm cả phía nhà cung cấp model và lỗi gateway.

đ / 1M token ra

Giá CUBE của 1 triệu token đầu ra nhân với 1.000đ. Wisa không cộng markup lên giá gốc của nhà cung cấp.

Phương pháp

Nguồn là log yêu cầu của gateway Wisa (wisa-gateway-request-log), cửa sổ 7 ngày, chốt ngày 2026-10-27. File được tạo bằng npm run content:benchmarks, không sửa tay.

• Model có dưới 20 mẫu bị loại. p99 trên vài chục yêu cầu là nhiễu, công bố nó sẽ tạo cảm giác chính xác không có thật.
• Phân vị dùng nearest-rank: p95 của n mẫu là giá trị tại vị trí ceil(0.95 × n) − 1 trên mảng đã sắp xếp.
• Giá đọc từ content/data/model-rates.json, chụp lúc 2026-10-30T13:48:31.800Z.
• Định nghĩa gốc: latency_ms = thời gian hoàn tất yêu cầu đo tại gateway Wisa; tokensPerSecond = output_tokens / (latency_ms/1000)

Giới hạn

• Đây là workload thật của Wisa, không phải bài test chuẩn hoá. Tỉ lệ loại việc, ngôn ngữ và độ dài prompt thay đổi theo người dùng.
• Thời gian gồm cả xếp hàng và overhead của gateway, nên cao hơn số đo trực tiếp từ nhà cung cấp.
• Số mẫu giữa các model rất khác nhau. Model ít mẫu có khoảng tin cậy rộng hơn, dù vẫn vượt ngưỡng tối thiểu.
• Giá và độ trễ là ảnh chụp tại một thời điểm. Nhà cung cấp đổi giá hoặc hạ tầng thì bảng này không còn đúng.

Tải du-lieu.csv

Cột: model_id, vendor, samples, p50_ms, p95_ms, p99_ms, median_output_tokens, tokens_per_second, error_rate, input_cube_per_million, output_cube_per_million, vnd_per_million_output, vnd_per_1000_median_answers.

Wisa by WinSell (2026-10-27). Chi phí và độ trễ thật của 6 model AI trên Wisa. https://wisa.vn/du-lieu/chi-phi-ai

@misc{wisa_benchmark_20261027,
  title  = {Chi phí và độ trễ thật của 6 model AI trên Wisa},
  author = {{Wisa by WinSell}},
  year   = {2026},
  note   = {Đo 2026-10-27, cửa sổ 7 ngày},
  url    = {https://wisa.vn/du-lieu/chi-phi-ai}
}

• 1 triệu token AI giá bao nhiêu?: bảng giá từng model và máy tính chi phí.
• Bảng giá Wisa: 6 gói và hạn mức CUBE.
• Wisa là gì: định nghĩa, kiến trúc định tuyến và phạm vi sử dụng.