Published khoảng 5 giờ trước 19 min read

Claude Haiku 5.5 nhảy từ 0,0% lên 39,2%, giá rẻ hơn 40 lần Claude Opus 5.5: chọn model nào cho đúng?

Hướng dẫn đọc bảng điểm, kiểm tra kết nối và tính chi phí thực tế — kèm một cái bẫy tính tiền mà hầu hết bài viết bỏ qua.

Ảnh bìa so sánh Claude Opus 5.5 và Claude Haiku 5.5

Ảnh bìa do AI tạo, không phải ảnh chụp màn hình sản phẩm.

Vấn đề

Anthropic phát hành hai model cách nhau ba tuần: Claude Opus 5.5 (claude-opus-5-5) ngày 22/09 và Claude Haiku 5.5 (claude-haiku-5-5) ngày 07/10. Một model có giá 4 USD cho mỗi triệu token đầu vào, model kia 0,10 USD. Chênh nhau 40 lần.

Khi mới nhìn vào con số đó, phản xạ tự nhiên là chuyển mọi thứ sang model rẻ. Nhưng khi tôi đối chiếu tài liệu chính thức, có hai điểm khiến quyết định không đơn giản như vậy:

Haiku 5.5 đạt 39,2% trên Terminal-Bench 4.0, trong khi thế hệ trước là Haiku 4.5 đạt 0,0%.
Haiku 5.5 là model Claude duy nhất hiện nay tính tiền theo độ dài prompt. Vượt 100.000 token đầu vào thì toàn bộ request nhảy lên gấp 5 lần.

Bài này giải thích từng thuật ngữ trong các bảng điểm đó, hướng dẫn kiểm tra kết nối, tính thử chi phí một tháng, rồi mới đưa ra cách chia việc. Nếu bạn mới tiếp cận các bảng benchmark của Anthropic, phần giải thích thuật ngữ ở mục 3 có lẽ hữu ích nhất.

Bối cảnh: hai model này khác nhau ở đâu

Giả định quen thuộc là "model rẻ thì cửa sổ ngữ cảnh ngắn và ít tính năng". Ở thế hệ này, giả định đó không còn đúng.

Cả hai model đều có cửa sổ ngữ cảnh 1 triệu token, đầu ra tối đa 128.000 token, mốc kiến thức tháng 6/2026, đều nhận ảnh đầu vào và đều gọi được tool. Thế hệ trước, Haiku 4.5, chỉ có 200.000 token ngữ cảnh và 64.000 token đầu ra.

Nói cách khác: chọn model rẻ không còn đồng nghĩa với việc hy sinh dung lượng hay tính năng. Phần còn lại khác nhau đúng hai thứ — giá, và mức độ trễ (Opus 5.5 ở mức Moderate, Haiku 5.5 ở mức Fastest, tức nhanh nhất trong danh mục).

Số liệu trong bài lấy từ tài liệu model chính thức của Anthropic, đối chiếu ngày 14/10/2026.

Giải thích các thuật ngữ trước khi đọc điểm

Phần này hơi dài nhưng cần thiết, vì đọc sai một chỉ số có thể dẫn tới quyết định sai.

Terminal-Bench 4.0 đo khả năng hoàn thành các tác vụ trong terminal: chạy lệnh, đọc kết quả, sửa và chạy lại cho tới khi đạt mục tiêu. Đây không phải bài kiểm tra viết code theo đề, mà là bài kiểm tra làm việc nhiều bước trong môi trường thật. Vì vậy điểm số ở đây phản ánh khả năng làm "người thực thi" trong một hệ thống nhiều tầng.

OSWorld 2.1 đo khả năng thao tác máy tính: di chuột, bấm, điền biểu mẫu, chuyển cửa sổ. Lưu ý quan trọng: các con số Anthropic công bố là từ tập con offline, không phải toàn bộ bài đánh giá.

Effort là tham số điều chỉnh lượng suy luận model bỏ ra cho một request, từ Low đến Max. Effort cao thì chất lượng thường tốt hơn nhưng tốn token hơn và chậm hơn. Mặc định của cả hai model là medium.

Prompt caching là cơ chế lưu lại phần đầu của prompt để lần gọi sau không phải trả giá đầy đủ cho phần đó. Phần cố định nên đặt ở đầu chuỗi messages, phần thay đổi đặt ở cuối — nếu làm ngược lại thì cache không trúng.

Subagent là một lần gọi model phụ trách một bước đã được xác định rõ, do một model khác (thường đắt hơn) lập kế hoạch và giao xuống.

Giờ mới đến phần số liệu.

Haiku 5.5 đã thay đổi điều gì

So với thế hệ trước, mức nhảy khá lớn:

OSWorld 2.1 (thao tác máy tính, tập con offline): 72,4% so với 15,7%
Terminal-Bench 4.0: 39,2% so với 0,0%
Humanity's Last Exam (không dùng tool): 45,9% so với 10,2%
Chartography (không dùng tool): 46,4% so với 6,4%

Dòng Terminal-Bench đáng dừng lại lâu nhất. 0,0% không có nghĩa là "kém hơn một chút" — nó có nghĩa là model nhỏ thế hệ trước hoàn toàn không hoàn thành nổi loại tác vụ này. 39,2% nghĩa là bây giờ nó làm được. Đây là ranh giới làm được / không làm được, chứ không phải một mức cải thiện dần.

Với con số 72,4% ở OSWorld có một mốc tham chiếu đáng biết: bài báo gốc của benchmark này báo cáo mức cơ sở của con người là 72%.

Anthropic nêu tên các tình huống phù hợp: tóm tắt, nén ngữ cảnh, truy vấn cơ sở dữ liệu, phân loại, làm subagent cho Opus 5.5 và Sonnet 5.5, cùng các việc nhạy cảm với độ trễ như chăm sóc khách hàng trực tuyến và thao tác trình duyệt.

Phía khách hàng cũng công bố số liệu: Asana ghi nhận độ trễ hoàn thành tác vụ giảm hơn 30%; Box đạt điểm cao hơn Haiku 4.5 khoảng 11 điểm với độ trễ chỉ bằng một nửa; HubSpot đạt kết quả tốt nhất từng ghi nhận trên tác vụ kiểm toán CRM, trung bình 92,8% qua ba lần chạy.

Hai thay đổi về mặt triển khai cũng đáng chú ý: đây là Haiku đầu tiên hỗ trợ điều chỉnh effort (năm mức), và SDK Python cùng TypeScript lần đầu bổ sung hỗ trợ beta cho computer use và browser use ở dòng Haiku.

Opus 5.5 đắt hơn vì điều gì

Không phải vì trả lời đúng hơn, mà vì cần ít bước hơn để xong việc. Đây là điểm dễ hiểu sai nhất.

Từ các phép đo nội bộ Anthropic công bố:

Một lần kiểm toán 200.000 dòng code xong trong chưa đầy ba giờ. Opus 5 cần hơn hai mươi giờ và tốn gấp 2,5 lần token.
Một lần migration 680.000 dòng xong trong vòng một ngày.
Trong 18 báo cáo nghiên cứu, 16 báo cáo vượt ngưỡng chất lượng. Fable 5.1 và Opus 5 không có báo cáo nào vượt.

Số liệu khách hàng cùng một hình dạng: Optiver đạt chất lượng ngang Opus 5 với khoảng một nửa số lượt, thời gian và token đầu ra, giảm 40–50% chi phí cho khối lượng công việc đó. GitHub giải được nhiều tác vụ terminal trong VS Code hơn Opus 5 với chưa tới một nửa số bước. Quantium kể một tác vụ trước đây cần 38 prompt trong bốn ngày, nay còn 11 prompt trong ba giờ.

Đó là nguồn gốc của con số "chi phí vận hành thấp hơn 40%" mà Anthropic công bố: đơn giá chỉ giảm 20%, phần còn lại đến từ việc bớt bước và bớt token.

Với vai trò lập kế hoạch, tính chất này đặc biệt có giá trị. Một bộ lập kế hoạch đi đến phương án hợp lý trong bốn lượt thay vì chín lượt không chỉ rẻ hơn — nó còn cho tầng thực thi ít cơ hội đi sai hướng hơn.

Thực hành: kiểm tra và gọi thử

Định danh model là snapshot cố định, không có hậu tố ngày tháng. Trước khi sửa code, hãy xác nhận định danh đó tồn tại trên tuyến bạn đang dùng:

curl https://api.crazyrouter.com/v1/models \
  -H "Authorization: Bearer $API_KEY"

Khi tôi gọi thử ngày 14/10/2026, ba định danh claude-opus-5-5, claude-haiku-5-5 và claude-haiku-4-5 đều có trong danh sách. Sau đó chạy một lệnh gọi tối thiểu để chắc chắn đường truyền thông suốt:

curl https://api.crazyrouter.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-haiku-5-5",
    "messages": [{"role": "user", "content": "Chỉ trả lời: đã kết nối"}]
  }'

Mức hỗ trợ theo từng tuyến được liệt kê riêng, ví dụ trên trang model Anthropic của Crazyrouter. Cùng base URL và cùng dạng request không bảo đảm mọi tham số bạn đang phụ thuộc đều đi qua được — phần này cần tự kiểm tra riêng.

Chỗ dễ vỡ nhất khi migration

Extended thinking thủ công không còn được chấp nhận. Cách viết cũ với thinking.type: "enabled" kèm budget_tokens đã bị đánh dấu deprecated ở Opus 4.6 và Sonnet 4.6, còn ở các model mới hơn thì không được chấp nhận nữa. Hiện tại điều khiển qua tham số effort.

Ba điểm nữa cần nhớ:

Giá trị effort mặc định của cả hai model là medium. Muốn khác thì phải truyền tường minh.
Định danh không có ngày tháng vẫn là snapshot cố định. Nâng phiên bản bắt buộc phải sửa code.
Với Message Batches API kèm header beta output-300k-2026-03-24, giới hạn đầu ra của cả hai model lên tới 300.000 token.

Riêng Opus 5.5 còn một điểm khác biệt: không tắt được chế độ suy luận.

Cái bẫy: mốc 100.000 token

Đây là phần tôi nghĩ đáng đọc kỹ nhất.

Dưới 100.000 token đầu vào, Haiku 5.5 tính 0,10 USD đầu vào và 0,50 USD đầu ra cho mỗi triệu token. Vượt mốc đó: 0,50 và 2,50 USD — gấp 5 lần, áp cho toàn bộ request, bao gồm cả đầu ra và caching. Ngưỡng này xét theo từng request: 100.000 token vẫn ở bậc rẻ, 100.001 token thì cả request rơi sang bậc đắt.

Giờ hãy nghĩ xem một subagent thực thi làm gì: nó tích lũy. Mỗi lượt mang theo lịch sử hội thoại, nội dung các file đã đọc, kết quả tool trả về. Đúng loại tải mà model này được giới thiệu để phục vụ lại là loại dễ trôi qua ranh giới nhất — và trôi qua một cách im lặng, vì trong response không có chỗ nào cho biết bạn vừa bị tính theo bậc nào.

Tính thử một tháng

Giả sử mỗi ngày chạy 500 tác vụ xử lý tài liệu, mỗi tác vụ 80.000 token đầu vào và 2.000 token đầu ra, tháng 22 ngày làm việc:

Token đầu vào: 500 × 80.000 × 22 = 880 triệu
Token đầu ra: 500 × 2.000 × 22 = 22 triệu

Với Haiku 5.5 ở bậc prompt ngắn: 880 triệu × 0,10 / 1 triệu = 88 USD, cộng 22 triệu × 0,50 / 1 triệu = 11 USD, tổng khoảng 99 USD/tháng.

Cùng khối lượng đó chạy trên Opus 5.5: 3.520 USD đầu vào cộng 440 USD đầu ra, tổng khoảng 3.960 USD/tháng. Đúng là chênh 40 lần.

Nhưng nếu đầu vào tăng lên 110.000 token, hóa đơn Haiku thành khoảng 495 USD/tháng — lợi thế co từ 40 lần xuống còn 8 lần.

Con số tiết kiệm chính thức cũng dựa trên ngưỡng này: khoảng 90% request của Haiku 4.5 nằm dưới 100.000 token, nên "rẻ hơn 90% ở dưới ngưỡng và 50% ở trên" trung bình ra khoảng 75%. Đó là mô tả phân bố traffic cũ, không phải vòng lặp agent mà bạn sắp xây.

Vậy nên việc tối ưu chi phí thực chất không nằm ở chọn model, mà ở kỷ luật ngữ cảnh: cắt bớt những gì mỗi subagent mang theo, ước lượng dung lượng trước khi gửi, chia nhỏ tác vụ khi thấy sắp chạm trần.

Vài yếu tố khác ảnh hưởng hóa đơn: batch processing giảm nửa giá ở cả hai model; Opus 5.5 có fast mode giá 8/40 USD với tốc độ cao hơn tới 2,5 lần; tỷ lệ chiết khấu khi đọc cache khác nhau theo model (Opus 5.5 bằng 5% giá đầu vào gốc, Haiku 5.5 bằng 10%, Fable 5.1 bằng 2,5%), nên đừng áp chung một hệ số khi tính dài hạn.

Giá của tuyến bên thứ ba là một bộ số riêng. Trang giá Haiku 5.5 của Crazyrouter ở bản chụp ngày 13/10 hiển thị cùng mức giá chính thức và cũng nêu rõ quy tắc phân bậc 100K. Dù vậy, không nên trộn giá chính thức và giá đại lý vào cùng một bản dự toán.

Đọc bảng điểm sao cho không bị dẫn sai

Phần này áp dụng cho cả các con số trong bài này.

Chính Anthropic đang hạ nhiệt các bảng benchmark. Tài liệu Opus 5.5 ghi rõ rằng ở mức năng lực hiện tại, khoảng cách điểm số đã trở thành chỉ dẫn kém tin cậy hơn về khác biệt trong công việc thực tế, và khoảng cách thật so với Fable 5.1 hẹp hơn điểm số thể hiện.

Điều kiện đo cũng quan trọng. Nếu không ghi chú khác, kết quả dùng suy luận thích ứng ở mức max effort; riêng Terminal-Bench thì Opus 5.5 chạy ở xhigh còn GPT-6 Astra chạy ở high, mỗi model ở thiết lập tốt nhất của mình. Các lớp bảo vệ dành cho môi trường sản xuất được bật, và Anthropic cho rằng điều này "có khả năng đã làm giảm" hiệu năng đo được. Sai số chuẩn của Terminal-Bench 4.0 là ±2,6 điểm: mức 51,8% của Opus 5 trên bảng xếp hạng được tái lập thành 52,3%, và Anthropic gọi đó là nhiễu.

Quy tắc thực dụng: đọc theo bậc độ lớn, đừng đọc theo số thập phân. 39,2% so với 0,0% là khác biệt về bậc, đủ để thay đổi kiến trúc. Hai điểm chênh lệch giữa hai model hàng đầu thì không kết luận được gì.

Kết quả: chia việc thế nào

Giao cho Haiku 5.5: phân loại, định tuyến theo ý định, hàng đợi kiểm duyệt (đầu vào ngắn, số lượng lớn, nằm gọn ở bậc rẻ nhất); trích xuất trường có cấu trúc (kết quả kiểm tra được bằng chương trình); tóm tắt và nén ngữ cảnh (với điều kiện cắt đầu vào xuống dưới 100.000 token); chăm sóc khách hàng trực tuyến và thao tác trình duyệt; thực thi các bước đã xác định rõ.

Giao cho Opus 5.5: phán đoán xem nguồn nào đáng tin khi các nguồn mâu thuẫn; kiểm toán và migration quy mô lớn; nghiên cứu cần dẫn nguồn; những thao tác không thể hoàn tác, nơi cái giá của sai sót lớn hơn nhiều so với chênh lệch token.

Một kết quả đáng chú ý từ Cognition: trong Devin Fusion, họ đặt Haiku 5.5 làm tầng thực thi và Opus 5.5 làm tầng lập kế hoạch chính, và đạt 66,2 điểm FrontierCode — cao hơn điểm của từng model khi chạy riêng lẻ (Haiku 5.5 riêng lẻ 46,4%; Sonnet 5.5 riêng lẻ 52,1%), đồng thời giảm cả chi phí lẫn độ trễ trên mỗi tác vụ. Tổ hợp vượt cả hai thành phần của chính nó, nghĩa là lập kế hoạch và thực thi vốn là hai loại việc khác nhau.

Ranh giới mà chính Anthropic vạch ra: Sonnet 5.5 và Opus 5.5 vẫn là lựa chọn tốt hơn cho các tác vụ lập trình agent phức tạp, còn Haiku 5.5 phù hợp với "các tác vụ có phạm vi hẹp hơn". Trên Terminal-Bench, khoảng cách là 39,2% so với 70,6% của Sonnet 5.5. Lập trình dài hơi không phải sân của model nhỏ.

Tổng kết

Bảng thông số của hai model gần như giống nhau. Chọn model rẻ không còn mất dung lượng.
Mức nhảy 0,0% → 39,2% của Haiku 5.5 có nghĩa là kiến trúc phân tầng "lập kế hoạch / thực thi" lần đầu tiên đứng vững được.
Khi migration, chỗ vỡ đầu tiên thường là extended thinking thủ công.
Mốc 100.000 token xét theo từng request, và response không báo cho bạn biết. Kỷ luật ngữ cảnh mới là biện pháp tiết kiệm thật.
Thứ tự triển khai nên là: chạy trên model đắt trước để xác định thế nào là kết quả đúng, viết điều kiện nghiệm thu ra, rồi hạ dần từng bước xuống model rẻ.

Lý do của thứ tự đó: model rẻ hiếm khi sai bằng cách từ chối trả lời — nó sai bằng cách trả lời rất tự tin. Một câu trả lời sai mà tự tin chính là thứ mà việc kiểm tra bằng mắt dễ bỏ sót nhất. Vì vậy chỉ nên hạ một bước xuống model rẻ khi có thể viết được chương trình kiểm tra bước đó: trường có tồn tại và đúng định dạng không, con số có truy ngược được về tài liệu gốc không, giá trị có nằm trong tập cho phép không. Nếu chưa viết được phép kiểm tra đó, hãy giữ bước đó ở tầng trên.

Cuối cùng, về thế hệ cũ: Haiku 4.5 đã chuyển sang trạng thái legacy, giá 1/5 USD, tức gấp 10 lần bậc prompt ngắn của Haiku 5.5, trong khi điểm Terminal-Bench là 0,0% so với 39,2%. Nếu bạn vẫn đang dùng 4.5, lần nâng cấp này đáng được đánh giá riêng một lần.