Tối ưu hóa hiệu suất với GPT-5.6: Khám phá bộ ba Sol, Terra và Luna

Gói đăng ký Codex của bạn hiện đi kèm với 3 mô hình chính là Sol, Terra và Luna, mỗi mô hình đều được huấn luyện và vận hành độc lập, cùng với các tùy chọn điều chỉnh suy luận (reasoning dials). Tổng hợp lại, chúng cho phép bạn lựa chọn sự cân bằng giữa tốc độ, chi phí và trí tuệ cho từng tác vụ.

So sánh giá nhanh (theo bảng giá dành cho nhà phát triển của OpenAI ngày 21 tháng 7 năm 2026)

Về giá cả, Terra có chi phí bằng 1/2 so với Sol, trong khi Luna có chi phí bằng một phần năm, áp dụng cho cả ngữ cảnh ngắn và dài.

Mức giá này tương quan khá sát với trí tuệ và tốc độ. Trên thực tế, mỗi mô hình phù hợp nhất với một loại công việc khác nhau:

Lựa chọn mô hình tốt nhất cho tác vụ

Làm thế nào để bạn quyết định mô hình nào nên xử lý một yêu cầu và nó cần áp dụng mức độ suy luận bao nhiêu? Lựa chọn đó phải được thực hiện trước khi bất kỳ token nào được tạo ra.

Bắt đầu với Luna, sau đó nâng cấp dần.

Một cách tiếp cận đơn giản cho bất kỳ tác vụ nào là chọn mô hình mang lại sự cân bằng tốt nhất giữa tốc độ và trí tuệ ở mức giá bạn sẵn sàng chi trả. Trong dòng GPT-5.6:

1. GPT-5.6-Sol: Mức sàn và mức trần trí tuệ cao nhất

2. GPT-5.6-Luna: Mức sàn và mức trần tốc độ cao nhất

Một lựa chọn mặc định tốt là bắt đầu hầu hết các tác vụ với Luna, sau đó chuyển lên Terra hoặc Sol khi tiến độ bị đình trệ, chẳng hạn như khi các tác nhân (agents) bị mắc kẹt, các bản sửa lỗi không còn hiệu quả hoặc mô hình bắt đầu mất dấu ngữ cảnh. Nếu bạn sẵn sàng trả nhiều tiền hơn cho cả tốc độ và trí tuệ, bạn có thể chạy Sol trên Cerebras với tốc độ 750 token mỗi giây, nhanh gấp 10 lần so với chế độ thông thường của Sol.

Tính toán tại thời điểm kiểm thử / Suy luận

Một cách khác để tùy chỉnh cách mô hình xử lý tác vụ là điều chỉnh mức độ suy luận của nó. Trong Codex, bạn có thể chọn từ năm tùy chọn: “Light” (Nhẹ), “Medium” (Trung bình), “High” (Cao), “Extra High” (Rất cao) và “Ultra” (Tối đa).

Bằng cách sử dụng nhiều thời gian xử lý máy tính hơn để tăng độ chính xác của đầu ra, mô hình sẽ tạo ra các token để tranh luận và tự đặt câu hỏi trước khi đưa ra câu trả lời cho người dùng.

Chúng tôi thường dành chế độ Ultra cho các câu hỏi nghiên cứu lớn nhất và những thách thức mới lạ. Chế độ Ultra có xu hướng làm cạn kiệt giới hạn sử dụng của bạn rất nhanh, nhưng bạn có thể yên tâm rằng mô hình đã sử dụng toàn bộ ngân sách suy luận khả dụng để khám phá, xác minh và tinh chỉnh câu trả lời của mình.

Trong các thử nghiệm của Artificial Analysis từ ngày 17 tháng 7, mỗi bước tăng trong mức độ suy luận của GPT-5.6 Sol làm tăng chi phí trung bình cho mỗi tác vụ khoảng 50%. Các biểu đồ dưới đây cho thấy việc bổ sung suy luận ảnh hưởng như thế nào đến cả trí tuệ và chi phí.

Tận dụng tính năng Cache Reads (Đọc bộ nhớ đệm).

Dữ liệu đầu vào được lưu trong bộ nhớ đệm rẻ hơn 90% so với dữ liệu đầu vào mới. Các tác vụ Codex xử lý lặp đi lặp lại cùng một cơ sở mã hoặc ngữ cảnh sẽ được hưởng lợi rất lớn.

Mỗi mô hình GPT-5.6 đều có thời gian TTL (thời gian tồn tại) của bộ nhớ đệm khoảng 30 phút. Điều đó có nghĩa là duy trì một phiên làm việc sẽ tốt hơn so với việc bắt đầu một phiên mới cho mỗi tác vụ.

Khả năng nén của Codex cũng đã trở nên đủ tốt để bạn có thể chạy một phiên duy nhất với hàng trăm triệu token mà không gặp bất kỳ vấn đề gì.

Nếu bạn giữ cho phiên làm việc luôn hoạt động (hot), bạn sẽ có chi phí xử lý prompt rẻ hơn nhiều. Bạn có thể thiết lập các quy trình tự động hóa Codex lên lịch mỗi 20 phút để giữ cho bộ nhớ đệm của bạn luôn hoạt động và sử dụng các quy trình đó để vận hành các tác vụ chạy dài.

Sử dụng hiệu quả các quy trình làm việc đa tác nhân (Multi-Agent Workflows).

Các mô hình khác nhau được huấn luyện trên các dữ liệu khác nhau và được tối ưu hóa cho các mục tiêu khác nhau, nghĩa là mỗi mô hình sẽ giỏi hơn hoặc kém hơn một chút ở một số khía cạnh nhất định.

Quy trình làm việc Advisor (Cố vấn) giao cho một tác nhân một công việc cụ thể: đọc toàn bộ phiên làm việc, theo dõi mục tiêu và các ràng buộc, đồng thời can thiệp bất cứ khi nào tác nhân thực thi (worker) bắt đầu đi chệch hướng. Điều này giúp tự động điều hướng tác nhân thực thi và cải thiện độ tin cậy trong các tác vụ dài hơn.

Local Codex cũng cho phép bạn đưa các nhà cung cấp khác vào ứng dụng. Điều này có nghĩa là bạn có thể thử nghiệm với các mô hình có trọng số mở, chi phí thấp hơn như Kimi K2.7 Code, hoặc các mô hình có thế mạnh khác, chẳng hạn như GLM-5.2 cho suy luận và lập trình dài hạn, trong khi vẫn giữ trải nghiệm Codex quen thuộc.

Sau đó, bạn có thể sử dụng các mô hình bên ngoài này cho công việc của các tác nhân phụ có giới hạn, giúp giảm chi phí hoặc tận dụng thế mạnh riêng của từng mô hình.

Một lưu ý quan trọng: việc này được thực hiện thông qua cấu hình Codex và các tệp tác nhân tùy chỉnh, thay vì một trình chọn mô hình đơn giản trong ứng dụng. Codex hỗ trợ các nhà cung cấp cục bộ như Ollama và LM Studio, cùng với các nhà cung cấp tương thích với Responses tùy chỉnh.

Kết luận

Giới hạn sử dụng của gói đăng ký khá hào phóng, nhưng khi các tác nhân AI trở nên hữu ích hơn với nhiều người hơn, nhiều người đang đẩy giới hạn vượt xa những gì một gói đăng ký có thể cung cấp.

Và ngay cả khi bạn có dư dả tài chính, không phải mô hình “tiên phong” (frontier) nào cũng đứng đầu trong mọi trường hợp sử dụng. Thông thường, một mô hình nhỏ có thể hoàn toàn vượt trội so với một tập hợp các mô hình tốt nhất thế giới trên một vài tiêu chuẩn đánh giá.

Tốc độ là một nút chuyển đổi quan trọng, trong ngày khi bạn tương tác với các tác nhân của mình, số token/giây cao có thể cải thiện đáng kể trải nghiệm của bạn. Trong những giờ thấp điểm, một mục tiêu (/goal) với một mô hình suy luận chậm và sâu sẽ tạo ra sự khác biệt lớn.

Và cuối cùng, hãy theo dõi Artificial Analysis, nơi chứa đầy các tiêu chuẩn đánh giá tốc độ mô hình và chỉ số trí tuệ chất lượng cao.

Cảm ơn Sarah Chieng (@MilksandMatcha), Joyce Er và Hai-Ching vì đã đánh giá và đóng góp ý kiến, cùng Halley Change (@halleychangg) vì đã thiết kế đồ họa cho blog này.