Claude Fable 5 của Anthropic dẫn đầu các bài kiểm tra chuyên ngành nhưng cái giá phải trả là quá đắt

Nền tảng đánh giá Artificial Analysis vừa công bố sáu chỉ số hiệu năng mới dành riêng cho các ngành công nghiệp đối với các mô hình AI. Claude Fable 5 của Anthropic dẫn đầu mọi hạng mục, nhưng các lựa chọn thay thế rẻ hơn vẫn có thể xử lý công việc với chi phí thấp hơn đáng kể.

Các mô hình AI hiện nay thực hiện các tác vụ chuyên ngành trong các lĩnh vực như tài chính, luật hoặc y tế tốt đến mức nào? Artificial Analysis đã giới thiệu sáu Chỉ số Năng lực (Capability Indices) mới để so sánh các mô hình AI trong các lĩnh vực Tài chính & Kế toán, Pháp lý, Chăm sóc sức khỏe & Y tế, Chiến lược & Vận hành, Kỹ thuật và Kinh tế. Các chỉ số mới này mở rộng dựa trên các chỉ số về Tác nhân (Agentic) và Lập trình (Coding) hiện có của nền tảng.

Theo Artificial Analysis, phương pháp luận dựa trên các phân loại nghề nghiệp từ hệ thống O*NET của Hoa Kỳ. Các kỹ năng chuyên biệt theo lĩnh vực được rút ra từ các nhiệm vụ công việc được xác định tại đó, bao gồm các công việc như mô hình hóa tài chính, nghiên cứu pháp lý và phân tích hợp đồng, hoặc hỗ trợ quyết định lâm sàng. Đối với mỗi lĩnh vực, bộ tiêu chuẩn đánh giá được xây dựng mới và tính trọng số dựa trên tần suất xuất hiện của một kỹ năng nhất định trong ngành đó. Artificial Analysis cho biết tất cả các bài kiểm tra đều được thực hiện độc lập.

Claude Fable 5 dẫn đầu cả tám chỉ số.

Claude Fable 5 của Anthropic (với phương án dự phòng Opus 4.8) chiếm vị trí đầu bảng trên cả tám chỉ số. Theo Artificial Analysis, Claude Opus 4.8 (max) đứng thứ hai trong sáu trên tám hạng mục, trong khi GPT-5.5 (xhigh) của OpenAI giành vị trí thứ hai ở hai hạng mục còn lại. GPT-5.6, dự kiến ra mắt vào ngày mai, có thể thu hẹp khoảng cách giữa các mô hình hiện tại của Anthropic và GPT-5.5.

Dưới nhóm dẫn đầu, thứ hạng thay đổi đáng kể tùy theo từng lĩnh vực. Gemini 3.5 Flash, Gemini 3.1 Pro Preview của Google, GPT-5.5 (xhigh) của OpenAI, Claude Sonnet 5 (max) của Anthropic và GLM-5.2 (max) của Trung Quốc thay phiên nhau chiếm các vị trí tùy thuộc vào tác vụ.

Trong số các mô hình mã nguồn mở (open-weights), GLM-5.2 (max) dẫn đầu trong năm trên sáu chỉ số ngành. Với 53 điểm, GLM-5.2 (max) đạt vị trí thứ năm chung cuộc trong bài kiểm tra Kỹ thuật, chỉ kém hai điểm so với Claude Sonnet 5 (max) và GPT-5.5 (xhigh), cả hai đều đạt 55 điểm. Trong Chỉ số Chiến lược & Vận hành, Deepseek V4 Pro (max) dẫn đầu nhóm mô hình mã nguồn mở với 38 điểm.

Kết quả của Artificial Analysis khớp với dữ liệu hiện tại từ LMArena, một nền tảng độc lập nơi hàng triệu người dùng thực tế xếp hạng các mô hình thông qua các so sánh mù. Tính đến bảng xếp hạng ngày 7 tháng 7, Claude Fable 5 giữ vị trí đầu tiên trong Text Arena, Code Arena và Agent Arena. Anthropic là phòng thí nghiệm duy nhất dẫn đầu cả ba hạng mục chính.

Trong Agent Arena, Fable 5 đạt điểm số cao hơn 16,58% so với mức trung bình của các mô hình, vượt xa GPT-5.5 xHigh của OpenAI với 8,66% và GLM 5.2 của Z.ai với 6,62%. OpenAI đứng thứ 10 trong Text Arena, Google đứng thứ 7. DeepSeek đứng ở vị trí thứ 38.

Lợi thế nhỏ về chất lượng đi kèm với mức giá cao hơn nhiều.

Hiệu năng hàng đầu đi kèm với chi phí đắt đỏ, và điều này đặc biệt đúng với các mô hình tiên phong của Anthropic. Theo phân tích chi phí, DeepSeek V4 Flash (max) xử lý các tác vụ trên cả sáu chỉ số với chi phí dưới 0,04 USD mỗi tác vụ, trong khi vẫn đạt điểm số ở mức trung bình. GLM-5.2 (max) mang lại hiệu năng tốt nhất trong nhóm mô hình mã nguồn mở với chi phí từ 0,26 USD đến 0,58 USD mỗi tác vụ.

Ngược lại, Claude Fable 5 có chi phí 3,48 USD mỗi tác vụ trong Chỉ số Chiến lược & Vận hành. Con số này cao gấp hơn 100 lần so với DeepSeek V4 Pro (max) ở mức 0,03 USD, trong khi chỉ dẫn trước 12 điểm. Một bài kiểm tra trước đó đã cho thấy mức phí đắt đỏ của Fable 5 so với những cải thiện hiệu năng khiêm tốn của nó.

Liệu khoảng cách đó có xứng đáng với mức giá hay không vẫn là một cuộc tranh luận sôi nổi giữa các doanh nghiệp. Một lựa chọn là kết hợp các mô hình với nhau, sử dụng một bộ điều phối có năng lực để chuyển giao các tác vụ cho các mô hình "công nhân" rẻ hơn nhưng mang lại giá trị tốt hơn trên mỗi đô la. Các mô hình tiên phong cũng có thể đóng vai trò là bước kiểm tra đầu tiên để xác định liệu một mô hình ngôn ngữ có thể giải quyết tác vụ đó hay không. Sau khi xác nhận, bước tiếp theo là tìm kiếm mô hình rẻ nhất vẫn hoàn thành được công việc.

Một số ý kiến, như nhà kinh tế học người Mỹ và người đam mê LLM Ethan Mollick, lập luận rằng bước nhảy vọt về hiệu năng của một mô hình như Fable 5 đơn giản là chưa thể được nắm bắt bởi các bài kiểm tra hiện tại. Cho đến nay, chưa có bằng chứng nào ủng hộ tuyên bố đó.

Tất cả các chỉ số, bao gồm trọng số đầy đủ và các thành phần đánh giá, đều có sẵn trên trang web của Artificial Analysis, cùng với phương pháp luận đã được ghi chép lại.

Tin tức AI không thổi phồng – Được tuyển chọn bởi con người.

Đăng ký THE DECODER để đọc không quảng cáo, nhận bản tin AI hàng tuần, báo cáo độc quyền "AI Radar" về các công nghệ tiên phong sáu lần mỗi năm, quyền truy cập toàn bộ kho lưu trữ và tham gia phần bình luận của chúng tôi.

Đăng ký ngay.