Khung điều khiển (Harness) quan trọng hơn cả mô hình AI: Cursor giúp hiệu suất GPT-5.5 tăng vọt

Tóm lại: Bộ khung (harness) hiện nay tác động đến điểm chuẩn lập trình nhiều hơn cả bản thân mô hình. Agent Security League của Endor Labs phát hiện GPT-5.5 đạt 61,5% độ chính xác chức năng trong Codex và 87,2% trong Cursor, còn Claude Opus 4.7 đạt 87,2% trong Claude Code và 91,1% trong Cursor. Input tokens chiếm 86-98% lưu lượng trên OpenRouter, vì vậy bộ khung kiểm soát phần lớn hóa đơn thông qua kỷ luật bộ nhớ đệm (cache). Việc đồng thiết kế (co-design) giữa bên thứ nhất mang lại tỷ lệ cache hit thực sự, nhưng một bộ khung bên thứ ba cũng có thể đạt được kết quả tương đương.

Các bộ khung AI có tác động đến hiệu suất lớn hơn cả các mô hình.

Endor Labs đã chạy cùng các mô hình đó qua hai bộ khung trong cùng một tuần. GPT-5.5 của OpenAI đạt 61,5% độ chính xác chức năng trong bộ khung Codex gốc và 87,2% trong Cursor, một sự chênh lệch 25,7 điểm chỉ riêng từ thời gian chạy (runtime). Opus 4.7 của Anthropic đạt 87,2% trong Claude Code và 91,1% trong Cursor.1

Cả hai mô hình tiên phong đều hoạt động tốt hơn trong bộ khung của đối thủ cạnh tranh so với bộ khung do chính nhà sản xuất cung cấp.

Các bộ khung là điểm tựa trong hệ sinh thái AI. Chúng ảnh hưởng đến chi phí, chất lượng và độ chính xác.

Input tokens chiếm 86-98% lưu lượng LLM trên OpenRouter. Chi phí output đắt gấp 5 lần input trên mỗi token, nhưng input vẫn chiếm ưu thế trong hóa đơn vì khối lượng của nó lớn hơn nhiều. Một năm trước, tôi đã tự hỏi về tỷ lệ này trong bài viết "Hungry, Hungry AI Model".2 Các chuyên gia cho biết tỷ lệ là 95% input/5% output. Ở quy mô lớn, họ đã đúng.

Do đó, việc kiểm soát chi phí input là một đề xuất có giá trị. Mô hình không kiểm soát các chi phí đó, nhưng bộ khung thì có.3 Các bộ khung quyết định ngữ cảnh nào cần gửi đi. Phần lớn ngữ cảnh đó lặp lại từ truy vấn này sang truy vấn khác. Lưu trữ thông minh có thể tiết kiệm 40-80% chi phí. Một nghiên cứu trên 500 phiên tác vụ đại lý (agent sessions) dài hạn cho thấy mức giảm chi phí từ 41-80% và thời gian phản hồi token đầu tiên nhanh hơn 13-31%, với mức tiết kiệm tăng dần theo quy mô từ 500 đến 50.000 token prompts.4 Người chiến thắng là phương pháp chỉ lưu trữ tiền tố (prefix) ổn định và đặt nội dung động sau điểm ngắt cache.

Các bộ khung cũng thực hiện truy xuất thông tin: mã nguồn cần đọc, hướng dẫn phong cách, phần tóm tắt đầu tư cần phân tích. Càng súc tích và chính xác, chi phí càng thấp.

Bộ khung của Cursor khớp với Claude Code về từng kỹ thuật: tìm nạp công cụ động, lắp ráp tiền tố dựa trên mức độ ưu tiên, lưu trữ hai tầng. Đó là lý do tại sao Opus 4.7 đạt điểm cao hơn trong Cursor so với Claude Code, và tại sao GPT-5.5 gần như tăng gấp đôi điểm chính xác chức năng bên ngoài Codex.

Trường hợp sử dụng gói tích hợp không phải là không có ưu điểm. Claude Code coi tỷ lệ cache hit là một chỉ số về thời gian hoạt động (uptime), đạt khoảng 96% trong các phiên thực tế, chia sẻ bộ nhớ đệm system-prompt giữa những người dùng trên cùng một phiên bản, và xây dựng các sub-agent phân nhánh với độ trùng khớp byte 99% để tiết kiệm 90% chi phí.5

Việc đồng thiết kế bộ khung, API bộ nhớ đệm và mô hình mang lại kỷ luật cache thực sự. Nhưng kỷ luật đó nằm ở bộ khung, và một bộ khung bên thứ ba hoàn toàn có thể bắt kịp, như các con số của Cursor đã chứng minh.

Bộ khung đã thoát khỏi định kiến là một lớp bao bọc (wrapper) mô hình; nó là một tay đua thúc đẩy hiệu suất AI đi xa hơn những gì người tạo ra nó tưởng tượng.

Endor Labs, “GPT-5.5 Sets a New Code Security Record with Cursor, not Codex, in Agent Security League,” 27/04/2026, https://www.endorlabs.com/learn/gpt-5-5-sets-a-new-code-security-record-with-cursor-not-codex-in-agent-security-league. Điểm chuẩn Agent Security League, dựa trên khung Open SusVibes của Carnegie Mellon. ↩︎

Tomasz Tunguz, “The Hungry, Hungry AI Model,” 08/07/2025, https://tomtunguz.com/input-output-ratio/ ↩︎

Tomasz Tunguz, “The Harness Is the New Battleground,” https://tomtunguz.com/the-harness-is-the-new-battleground/ ↩︎

Lumer và cộng sự, “Don’t Break the Cache: An Evaluation of Prompt Caching for Long-Horizon Agentic Tasks,” arXiv:2601.06007, 2026. https://arxiv.org/abs/2601.06007 ↩︎

Anthropic, “Lessons from building Claude Code: Prompt caching is everything,” 04/2026, https://claude.com/blog/lessons-from-building-claude-code-prompt-caching-is-everything; số liệu về swap-tax từ Digital Applied, “Prompt Caching Economics: Cache-First Agent Design,” 07/2026, https://www.digitalapplied.com/blog/prompt-caching-economics-cache-first-agent-architecture-2026. ↩︎

Nhận bài viết tiếp theo trong hộp thư đến của bạn

Bài đọc 1 phút giúp biến dữ liệu công nghệ thành lợi thế chiến lược. Được đọc bởi hơn 150.000 nhà sáng lập và điều hành.

Đối tác quản lý (GP) tại Theory Ventures. Cựu Giám đốc sản phẩm (PM) tại Google. Chia sẻ những thông tin chi tiết dựa trên dữ liệu về AI, web3 và đầu tư mạo hiểm.

Bloomberg • WSJ • Economist