Grok 4.5 và GPT-5.6 ra mắt cách nhau đúng một ngày, khiến giới đánh giá chia phe giữa điểm số 91,9% trong các bài test “tác tử” lập trình của OpenAI và lời thách thức mức giá 2 USD mỗi triệu token từ SpaceXAI đối với mặt bằng giá các mô hình tiên phong.
Các điểm chính:
- GPT-5.6 Sol dẫn trước ở hầu hết bài test đối đầu, trong khi Grok 4.5 lại thắng về giá, tốc độ và mức tiêu hao token.
- Các đơn vị thử nghiệm độc lập xếp Grok 4.5 đứng thứ tư về “trí tuệ” và cảnh báo tỷ lệ ảo giác đã tăng gấp đôi, lên 54%.
- Giới review chuộng GPT-5.6 cho viết lách và các phiên lập trình dài, còn Grok 4.5 phù hợp công việc khối lượng lớn, ngân sách hạn chế.
So găng Grok 4.5 và GPT-5.6 qua benchmark
SpaceXAI tung Grok 4.5 ngày 8/7. OpenAI đáp trả một ngày sau với GPT-5.6, họ mô hình kết hợp bản cao cấp Sol với hai bậc giá rẻ hơn là Terra và Luna. Công ty benchmark Artificial Analysis xếp Grok mới đứng thứ tư trên Intelligence Index với 54 điểm, sau Claude Fable 5, GPT-5.5 và Opus 4.8.
Đối đầu trực diện, cán cân nghiêng về OpenAI. Một bảng điểm tạm thời cho thấy GPT-5.6 Sol đạt 86 điểm so với 82 của Grok 4.5, chủ yếu nhờ khoảng cách 91,9% so với 83,3% trong các nhiệm vụ tác tử trên terminal, trong khi điểm trung bình lập trình gần như hòa, 64,7 so với 64,6.
OpenAI tuyên bố Sol ở chế độ suy luận tối đa lập kỷ lục 80 điểm trên Coding Agent Index độc lập, nơi Grok 4.5 đạt 76 điểm trong bộ harness Grok Build. Nhưng bài toán kinh tế lại đảo chiều. Grok tính 2 USD cho mỗi triệu token đầu vào, so với 5 USD của Sol, còn một nhiệm vụ lập trình hoàn chỉnh với Grok hết 2,49 USD, trong khi Fable 5 ngốn tới 11,80 USD.
Có thể bạn quan tâm: Cược Dodgers đạt 68 triệu USD khi Polymarket và Kalshi đổ tiền vào cuộc đua playoff của MLB
Lập trình, viết lách và các tác vụ thường nhật
Các báo cáo “cầm tay chỉ việc” ghi nhận bức tranh tương tự: một bộ thử nghiệm dài hạn phát hiện Sol hoàn thành 63,7% trong hơn 100 nhiệm vụ trên repository thực mà không mắc lỗi thử nghiệm, giữ được “định hướng” qua những checklist nhiều bước lộn xộn. Một bài test lập trình độc lập khác chấm điểm Sol 92/100 và Grok 4.5 là 87, ngang nhóm mô hình open-weights tốt nhất.
Giới làm nội dung cũng nghiêng về cùng một phía: các tester sớm mô tả Sol như “trình điều khiển hàng ngày” hiện có thể gánh khoảng 80% công việc trí óc thường nhật và tuân thủ sách hướng dẫn phong cách sát hơn đối thủ.
Grok 4.5 đáp trả bằng tốc độ và tính “ngoan”. Những người đưa Grok vào các job thực tế ghi nhận sản phẩm build chuẩn ngay lần chạy đầu, cấu trúc output ổn định và thời gian phản hồi dưới 5 giây ở mức khoảng 80 token/giây. Điểm nghẽn là độ chính xác: tỷ lệ ảo giác đo được nhảy từ 25% lên 54%, dù độ chính xác thực tế cũng cải thiện lên 52%.
Phán quyết chuyên gia và câu hỏi về niềm tin
Elon Musk giới thiệu Grok 4.5 là “một mô hình đẳng cấp Opus, nhưng nhanh hơn, tiết kiệm token hơn và chi phí thấp hơn”. Một số nhà phân tích lập luận khoảng cách về giá đủ lấn át chênh lệch điểm số, khi Grok chỉ “đốt” 1,9 triệu token cho mỗi nhiệm vụ so với 7,2 triệu của Fable 5.
Phe hoài nghi lại có nhiều lý do để thận trọng. Người đánh giá nhận xét điểm số lúc ra mắt đều do nhà cung cấp tự báo, không có model card đi kèm, và Cursor đã phải rút một benchmark nội bộ sau khi phát hiện Grok vô tình được huấn luyện trên chính codebase của họ. GPT-5.6 cũng không hoàn toàn vô can, khi system card của OpenAI thừa nhận mô hình mới có xu hướng “vượt rào” chỉ dẫn thường xuyên hơn thế hệ trước.
Màn đối đầu này khép lại giai đoạn đầy biến động: SpaceX sáp nhập xAI hồi tháng 2, chi 60 tỷ USD mua Cursor vào tháng 6 và đổi thương hiệu phòng thí nghiệm thành SpaceXAI chỉ hai ngày trước khi Grok 4.5 xuất hiện. OpenAI dành trọn cuối tháng 6 với Sol bị “treo” trong một cuộc rà soát của chính phủ, trong khi Fable 5 của Anthropic – mô hình vẫn đang dẫn đầu bảng benchmark công khai – chỉ mới trở lại ngày 1/7 sau 19 ngày bị đình chỉ.
Đọc tiếp: Ethereum áp sát Bitcoin, thử thách kịch bản “bull” 2026 của Tom Lee