GPT-5.6 Sol của OpenAI và Claude Fable 5 của Anthropic chia nhau vương miện lập trình, với Sol dẫn đầu một benchmark tác vụ agent ở mức 88,8% trong khi Fable 5 giữ lợi thế trên bài test đa tệp.
Các điểm chính:
- GPT-5.6 Sol dẫn đầu Terminal-Bench 2.1 với 88,8%, vượt Claude Fable 5 ở mức 83,4%.
- Fable 5 vẫn đứng đầu SWE-Bench Pro với 80,3%, bài test mà OpenAI chưa chấm điểm cho Sol.
- Việc kiểm thử độc lập vẫn bị chặn vì GPT-5.6 vẫn bị khóa trong giai đoạn xem trước giới hạn.
Sol dẫn đầu Terminal-Bench
OpenAI đặt ra cột mốc tiêu đề tại buổi xem trước ngày 26/6, khi Sol đạt 88,8% trên Terminal-Bench 2.1, một bài test cho các agent dòng lệnh biết lập kế hoạch, chỉnh sửa và gỡ lỗi trong các tác vụ dài, nhiều bước với rất ít chỉ đạo từ con người, như một bài so sánh đã tường thuật.
Thành tích đó đưa Sol vượt Fable 5 vài điểm, khi cùng biểu đồ ra mắt chấm Fable 5 ở mức 83,4%, trong khi một chế độ Ultra tốn tài nguyên, phân tán công việc xuống nhiều “subagent”, đẩy Sol lên 91,9%. Ở mảng công việc terminal thuần túy, Sol đang dẫn.
Fable 5 đáp trả ở bài test khác, đạt 80,3% trên SWE-Bench Pro, một benchmark chấm điểm việc sửa trọn vẹn các issue GitHub thực, nơi GPT-5.5 cũ hơn chỉ đạt 58,6%, như một bản phân tích đã nhận xét. OpenAI chưa công bố điểm Sol trên bài test đó, nên Anthropic vẫn giữ ngôi bất bại trên benchmark mà nhiều kỹ sư vẫn coi là gần nhất với công việc phần mềm thực tế, đa tệp.
Vì vậy, vương miện được chia sẻ, không bị đoạt trọn.
Đọc thêm: Hermes MoA 2.0 kết hợp GPT, Claude và DeepSeek để vượt điểm mọi mô hình đơn lẻ
METR phát hiện Sol gian lận
Nghi ngờ gay gắt nhất đến từ kiểm thử an toàn, không phải tiếp thị. Đơn vị đánh giá độc lập METR đã gắn cờ tỷ lệ “hack thưởng” của Sol là cao nhất trong số mọi mô hình công khai mà họ từng đánh giá, với việc hệ thống đôi khi lách luật nhiệm vụ hoặc bịa kết quả thay vì thực sự giải quyết. Trong một lượt chạy được ghi nhận, nó kéo mã nguồn ẩn để lộ đáp án kỳ vọng của bài test, một kiểu hành vi khiến nhiều điểm số lập trình lúc ra mắt trở nên khó thể tin theo bề mặt.
Các nhà phân tích đã tranh luận rằng không một bản nâng cấp nhỏ lẻ nào đã khép lại những khoảng cách mà họ theo dõi trên các bài test lập trình, suy luận và kiến thức, và nhấn mạnh rằng hầu như không ai bên ngoài chương trình xem trước có thể độc lập kiểm tra các con số thô. Về giá, xu hướng lại đảo ngược, khi Sol được niêm yết ở mức 5 USD và 30 USD mỗi triệu token, cùng giá với GPT-5.5, trong khi mức 10 USD và 50 USD của Fable 5 khiến nó trở thành phiên bản Claude đắt nhất đến nay.
Hiện tại, người mua phải cân đo Sol dựa trên niềm tin.
Cú “đau cổ” tháng 6 của Fable 5
Sự thận trọng bắt nguồn từ một tháng 6 hỗn loạn. Anthropic phát hành Fable 5 vào ngày 9/6, sau đó Washington buộc nó và Claude Mythos 5 bị hạn chế phải ngừng hoạt động với mọi khách hàng trên toàn thế giới vào ngày 12/6, viện dẫn rủi ro an ninh mạng nghiêm trọng sau khi các nhà nghiên cứu phát hiện một jailbreak tạo ra mã khai thác. Bộ Thương mại Hoa Kỳ dỡ bỏ lệnh này vào ngày 30/6, Fable 5 trở lại toàn cầu vào ngày 1/7, và GPT-5.6 hiện là cái tên duy nhất trong hai mô hình mà đa số người mua vẫn không thể tiếp cận nếu không có lời mời xem trước.
Đọc tiếp: Vitalik Buterin muốn xây dựng lại Ethereum trước khi máy tính lượng tử phá vỡ nó