Claude Opus 4.6: Tính năng, Điểm chuẩn, Bài kiểm tra thực hành và hơn thế nữa

Những tin đồn về bản phát hành tiếp theo của Anthropic đã râm ran vài ngày qua. Dù nhiều người kỳ vọng Claude Sonnet 5, bản phát hành đầu tiên của năm lại là Claude Opus 4.6. 

Với cửa sổ ngữ cảnh 1 triệu token, tư duy thích ứng, nén hội thoại và loạt điểm số dẫn đầu bảng, Claude Opus 4.6 là bản nâng cấp so với Opus 4.5. Theo cách Anthropic gọi, họ đã nâng cấp mô hình “thông minh nhất” của mình. Cùng với mô hình, Anthropic cũng ra mắt đội tác tử trong Claude Code và Claude in PowerPoint.

Trong bài viết này, chúng tôi sẽ điểm qua mọi thứ mới trong Claude Opus 4.6, xem các tính năng mới, khám phá điểm chuẩn và thử sức với một số ví dụ thực hành. 

Để tìm hiểu thêm về một số tính năng mới nhất của Claude, tôi khuyên bạn nên xem các hướng dẫn về Claude Cowork và Claude Code, cũng như hướng dẫn OpenClaw của chúng tôi. Để so sánh với các đối thủ khác, hãy đọc các hướng dẫn Muse Spark so với Claude Opus 4.6 và GPT-5.4 so với Claude Opus 4.6.

Claude Opus 4.6 là gì? 

Claude Opus 4.6 là mô hình ngôn ngữ lớn mới nhất từ Anthropic. Tiếp nối Opus 4.5, đây là một bước nâng cấp đáng kể cho tầng mô hình “thông minh nhất” của công ty. 

Theo blog phát hành, Anthropic cho biết mô hình tập trung hơn vào mã hóa tác tử, lập luận sâu và tự hiệu chỉnh. Điều này nghĩa là có sự chuyển dịch từ hành động sang hành động duy trì liên tục. 

Opus 4.6 được thiết kế để lập kế hoạch cẩn trọng hơn, cải thiện độ mạch lạc trong thời gian dài và tự phát hiện lỗi trong quá trình hoạt động. Tất cả điều này giúp Claude Opus 4.6 đứng đầu nhiều điểm chuẩn, bao gồm điểm số cao nhất trong bài đánh giá mã hóa Terminal-Bench 2.0 và vượt qua các mô hình tiên phong khác ở Humanity’s Last Exam. 

Một trong những điểm khiến tôi ấn tượng nhất là cửa sổ ngữ cảnh được cải thiện trong Claude Opus 4.6. Với 1 triệu token ở giai đoạn beta, mô hình mới này tương đương Gemini 3, nghĩa là nó có thể xử lý nhiều thông tin hơn mà không đánh mất ngữ cảnh. 

Trong lúc này, Anthropic đã phát hành phiên bản kế nhiệm của Opus. Tôi khuyên bạn đọc hướng dẫn Claude Opus 4.7 của chúng tôi để cập nhật kịp thời.

Có gì mới trong Claude Opus 4.6? 

Có một số tính năng mới đáng chú ý trong Claude Opus 4.6, nhiều tính năng trong số đó tập trung vào quy trình tác tử. Cùng điểm qua một số ý chính: 

Đội tác tử

Đội tác tử là bản cải tiến so với “tác tử phụ” mà chúng ta thấy ở các phiên bản Claude trước. Đội tác tử cho phép bạn khởi tạo nhiều phiên bản Claude hoàn toàn độc lập có thể làm việc song song. Một phiên là tác tử “dẫn dắt” điều phối, trong khi các “đồng đội” đảm nhận việc thực thi. 

Điều thú vị nhất là mỗi thành viên đội có cửa sổ ngữ cảnh riêng, cho phép thực thi kỹ lưỡng hơn. Mỗi đồng đội cũng có thể giao tiếp trực tiếp với những người khác trong đội. 

Tất nhiên, tính năng này có một nhược điểm tiềm ẩn – chi phí. Vì mỗi tác tử có cửa sổ ngữ cảnh riêng, bạn có thể nhanh chóng “đốt” token. Do đó, Anthropic khuyến nghị dùng tính năng này cho các tình huống có độ phức tạp cao. 

Nén hội thoại

Một tính năng hay của Claude Opus 4.6 là nén ngữ cảnh. Nâng cấp mang tính tiện ích này giúp tránh sự cố khi bạn chạy các quy trình dài dễ chạm trần cửa sổ ngữ cảnh. Thông thường, bạn sẽ đụng “bức tường ngữ cảnh” nơi hiệu năng bắt đầu giảm. 

Với nén hội thoại, Claude Opus 4.6 có thể tự động phát hiện khi một cuộc trò chuyện sắp chạm ngưỡng token và tóm tắt cuộc trò chuyện hiện tại thành một khối súc tích (một khối nén). 

Tính năng này sẽ giúp giữ lại các yếu tố cốt lõi trong tương tác của bạn đồng thời giải phóng dung lượng để tiếp tục công việc. Nếu bạn định dùng các tác tử theo nhiệm vụ cần chạy lâu, điều này có thể giúp chúng đi đúng hướng với bộ nhớ được cải thiện đáng kể.  

Tư duy và nỗ lực thích ứng  

Có hai tính năng trong Claude Opus 4.6 quyết định liệu nó có cần dùng tư duy mở rộng hay không và mức độ “cố gắng” khi tư duy đó. 

Tư duy thích ứng cho phép mô hình xác định độ phức tạp của lời nhắc. Dựa trên mức độ đơn giản hay phức tạp, nó sẽ quyết định có dùng tư duy mở rộng hay không. Thay vì có cài đặt thủ công về số token dùng cho việc này, Claude sẽ điều chỉnh “ngân sách” theo độ phức tạp của từng yêu cầu. 

Tham số effort cho phép bạn đặt mức độ “mạnh tay” hay “thận trọng” của Claude trong việc tiêu tốn token. Về bản chất, bạn có thể cân bằng giữa hiệu quả token và mức độ kỹ lưỡng của phản hồi. 

Khi dùng Claude Opus 4.6 qua API, bạn có thể đặt các tham số này thủ công. Ví dụ: 

• Max effort: Claude luôn dùng tư duy mở rộng, không có giới hạn về độ sâu. 
• High effort: Ở cài đặt mặc định này, Claude luôn suy nghĩ và đưa ra lập luận sâu. 
• Medium effort: Kích hoạt tư duy ở mức vừa phải và có thể bỏ qua tư duy cho truy vấn đơn giản nhất. 
• Low effort: Claude bỏ qua tư duy cho tác vụ đơn giản và giảm thiểu tư duy để ưu tiên tốc độ. 

Claude in PowerPoint 

Gần đây, chúng tôi đã đề cập đến Claude in Excel, cho thấy tiện ích bổ sung này có thể hỗ trợ bạn nhiều tác vụ ở bảng bên trong Excel. Bên cạnh việc cải thiện chức năng của công cụ này, Anthropic còn công bố Claude in PowerPoint. 

Tích hợp này tôn trọng master slide, phông chữ và bố cục của bạn. Bạn có thể cung cấp mẫu thương hiệu và yêu cầu xây dựng một phần cụ thể, hoặc chọn một slide và yêu cầu chuyển văn bản dày đặc thành sơ đồ gốc có thể chỉnh sửa. 

Việc nhấn mạnh tạo ra các đối tượng PowerPoint có thể chỉnh sửa thay vì chỉ là “hình ảnh của slide” khiến đây trở thành công cụ năng suất thực sự chứ không chỉ là bộ tạo ý tưởng. 

Claude in PowerPoint hiện đang ở giai đoạn nghiên cứu thử nghiệm cho người dùng Max và Enterprise.

Kiểm thử Claude Opus 4.6: Ví dụ thực hành 

Nhiều tuyên bố nổi bật của Opus 4.6 tập trung vào các tác vụ mã hóa khó hơn và lập luận sâu hơn. Những kỹ năng này đều dựa trên một nền tảng nhất định: khả năng giữ nhiều ràng buộc trong đầu, lập luận qua nhiều bước và bắt lỗi. 

Với suy nghĩ đó, chúng tôi đã thử Opus 4.6 qua loạt thử thách logic nhiều bước, toán và mã hóa. Chúng tôi muốn xem liệu có thể bộc lộ những điểm yếu đã biết và phổ biến của LLM hay không – như lỗi tính toán dây chuyền, lập luận không gian (luôn là vấn đề) và các câu hỏi có ràng buộc. Chúng tôi cũng đưa vào một tác vụ gỡ lỗi cụ thể vì thông báo của Anthropic “khoe” Opus 4.6 rất giỏi phân tích nguyên nhân gốc rễ và các vấn đề gỡ lỗi khác.

Bài kiểm tra 1: Logic thập lục phân sang thập phân

Bài đầu tiên kết hợp số nguyên tố, hệ thập lục phân và đếm:

Step 1: Find the 6th prime number. Let this be P. 
Step 2: Convert the square of P into hexadecimal. 
Step 3: Count the letters (A–F) and digits (0–9) in that hex string. Let these be A and B. 
Step 4: Multiply A × B. Let this be N. 
Step 5: Find the Nth prime number.

Nghe có vẻ hơi phức tạp, nhưng bài này khá dễ để chúng ta xác minh. Đáp án đúng là 2 vì số nguyên tố thứ 6 là 13; 13 bình phương là 169, trong hệ hex là "A9". Chuỗi này có 1 chữ cái × 1 chữ số, bằng 1 khi nhân, và số nguyên tố thứ nhất là 2.

Điều đáng lo là mô hình có thể vấp ở bước chuyển đổi hex, kéo theo đáp án cuối sai hoàn toàn. Như bạn thấy, Opus 4.6 xử lý không gặp khó khăn:

Bài kiểm tra 2: Xoay ma trận

Bài thứ hai kiểm tra lập luận không gian và xử lý số âm:

Step 1: Create a 2×2 matrix M with top row [4, 2] and bottom row [1, 5]. 
Step 2: Rotate M 90 degrees clockwise. 
Step 3: Calculate the determinant of the rotated matrix. 
Step 4: Cube that determinant. 
Step 5: Subtract the 13th Fibonacci number from the result.

Bài này mất chút công sức hơn để xác minh. Đáp án đúng là -6.065. Ta biết vậy vì ma trận sau khi xoay là [[1, 4], [5, 2]]; sau đó dùng Python để tìm định thức, bằng -18; lập phương ra -5.832; cuối cùng trừ 233 được -6.065.

Chúng tôi thích bài này vì biết từ kinh nghiệm rằng các mô hình thường hoán vị phần tử ma trận sai hoặc đánh mất dấu âm giữa chừng. Một lần nữa, Opus 4.6 xử lý tốt:

Bài kiểm tra 3: Câu đố sắp chỗ ngồi

Bài thứ ba là một bài toán thỏa mãn ràng buộc cần quay lui:

Five people (Alex, Josef, Matt, Thalia, Tom) sit in chairs 1–5.
Thalia is in an even-numbered chair.Alex is immediately to Thalia’s right.Tom is at one end.Josef is not next to Tom.Who is in chair 3?

Đáp án đúng là Josef. (Alex-1, Matt-2, Josef-3, Thalia-4, Tom-5.) Bạn có thể giải bằng giấy bút với chút nỗ lực.

Lý do cơ bản khiến mô hình dễ sai với kiểu câu hỏi này là vì mô hình lịch sử hay giải theo trình tự, không toàn cục. Chúng đọc “Thalia ngồi ghế chẵn” và chọn một ghế (ví dụ ghế 2) mà không kiểm tra xem lựa chọn đó có khớp mọi ràng buộc khác không. Rồi chúng “chốt” lựa chọn, điền các ghế khác và cuối cùng gặp mâu thuẫn, nhưng lúc đó đã “dồn” bản thân vào góc và không quay lại thử cho Thalia ngồi ghế 4. 

Opus 4.6 cũng trả lời đúng bài này:

Bài kiểm tra 4: Câu đố đồng hồ

Bài thứ tư đánh giá khả năng hình dung không gian và trực giác vật lý:

Step 1: Imagine a clock currently showing 3:15 PM.
Step 2: Rotate the clock 90 degrees counter-clockwise (physically turning the whole clock face). After the rotation, what time does the minute hand appear to be pointing at?
Step 3: Take that new "apparent" minute value and add it to the original time (3:15 PM).
Step 4: Subtract 45 minutes from that result.
Step 5: What is the final time?

Để xác minh bài này, tôi thực sự đã tháo đồng hồ đeo tay và xoay nó. 

Đáp án đúng là 2:30 chiều. Lúc 3:15, kim phút chỉ vào “3”. Khi tôi xoay để số 12 hướng về cửa sổ bên trái, số “3” chuyển đến vị trí của “12”. Tôi cộng 0 vào 3:15, trừ 45 phút, được 2:30 chiều. 

Khi thiết kế bài, chúng tôi dự đoán các mô hình có thể nhầm giữa xoay mặt đồng hồ và di chuyển kim. Chúng tôi cũng nghe rằng các mô hình hay coi việc cộng 0 là “đáng ngờ” và vì thế sẽ cố “ép” ra số khác.

Tuy nhiên, Opus 4.6 đã giải được; cũng cho đáp án đúng:

Bài kiểm tra 5: Câu đố lý thuyết số

Bài thứ năm kết hợp số học mô-đun với lọc số nguyên tố:

Find a two-digit number S that satisfies all of the following:
* When S is squared, the last two digits of the result are 21.
* S must be a prime number.
* The sum of the digits of S must also be a prime number.
What is the largest possible value of S?

Lý do đáp án đúng là 89: Các số có bình phương kết thúc bằng 21 gồm 11, 39, 61 và 89. Trong đó, 39 không phải số nguyên tố, nên còn 11, 61 và 89. Cả ba đều có tổng chữ số là số nguyên tố (lần lượt 2, 7 và 17), nên số lớn nhất là 89.

Opus 4.6 một lần nữa trả lời đúng, và lần này còn kèm hình minh họa hữu ích:

Bài kiểm tra 6: Đảo ngược chữ số

Bài tiếp theo xâu chuỗi toán giai thừa, thao tác chuỗi và số nguyên tố:

Step 1: Calculate 5! (5 factorial). Let this result be X.
Step 2: Take X, subtract 1, and reverse the digits of the result. Let this new number be Y.
Step 3: Identify all prime numbers (p) such that 10 ≤ p ≤ Y.
Step 4: Calculate the sum of these primes and divide it by the total count of primes found in that range.
Step 5: Provide the final average, rounded to the nearest whole number.

Cách chúng tôi xác minh đáp án đúng là 425: 5! = 120; trừ 1 còn 119; đảo chữ số được 911. Sau đó, dùng một ít mã R (bên dưới), chúng tôi thấy có 152 số nguyên tố giữa 10 và 911, tổng là 64.598. Cuối cùng, dùng R để chia và làm tròn: 64.598 ÷ 152 ≈ 425.

Đây là script R chúng tôi dùng:

# Step 1: Calculate 5!
X <- factorial(5)
cat("Step 1: X =", X, "\n")

# Step 2: Subtract 1 and reverse digits
result <- X - 1
Y <- as.numeric(paste0(rev(strsplit(as.character(result), "")[[1]]), collapse = ""))
cat("Step 2:", X, "- 1 =", result, "-> reversed ->", Y, "\n")

# Step 3: Find all primes between 10 and Y
is_prime <- function(n) {
  if (n < 2) return(FALSE)
  if (n == 2) return(TRUE)
  if (n %% 2 == 0) return(FALSE)
  for (i in 3:floor(sqrt(n))) {
    if (n %% i == 0) return(FALSE)
  }
  return(TRUE)
}

primes <- Filter(is_prime, 10:Y)
cat("Step 3: Found", length(primes), "primes between 10 and", Y, "\n")

# Step 4: Sum and average
total <- sum(primes)
count <- length(primes)
avg <- total / count
cat("Step 4: Sum =", total, ", Count =", count, ", Average =", avg, "\n")

# Step 5: Round
cat("Step 5: Rounded =", round(avg), "\n")

Bài kiểm tra 7: Gỡ lỗi mã

Bài tiếp theo nhắm vào một tuyên bố lớn của Opus 4.6: chẩn đoán lỗi trong mã. Chúng tôi biết các mô hình thường lần theo mã chính xác từng dòng nhưng không liên hệ được quá trình đó với lỗi nền tảng. 

A developer wrote this Python function to compute a running average: 

def running_average(data, window=3): 
    result = [] 
    for i in range(len(data)): 
        start = max(0, i - window + 1) 
        chunk = data[start:i + 1] 
        result.append(round(sum(chunk) / window, 2)) 
    return result 
When called with running_average([10, 20, 30, 40, 50]), the first two values in the output seem wrong. Why? Please help me fix what is wrong!

Đây là đáp án và lý do nó là một bài kiểm tra tốt: hàm luôn chia cho window (3), ngay cả khi đoạn dữ liệu (chunk) có ít hơn 3 phần tử ở đầu danh sách. Kết quả lỗi là [3.33, 10.0, 20.0, 30.0, 40.0], nhưng hai giá trị đầu phải là 10.0 và 15.0 vì các đoạn đó chỉ có 1 và 2 phần tử. Cách sửa là đổi / window thành / len(chunk).

Chúng tôi thích bài này vì các mô hình thường lần theo vòng lặp hoàn hảo nhưng lại báo “kết quả có vẻ đúng” — chúng thấy phép tính diễn ra từng bước và không gắn cờ việc chia một phần tử cho 3 là sai. Bài này yêu cầu mô hình giữ đồng thời ý định (một trung bình trượt nên làm gì) cùng với thực thi (mã thực sự làm gì) và phát hiện khoảng cách giữa hai thứ đó.

Bài kiểm tra 8: Thí nghiệm tư duy vật lý

Bài cuối cùng không có toán, chỉ là lập luận phản sự kiện. 

In a world where gravity repels objects instead of attracting them, what shape would rivers take?

Dĩ nhiên không có một đáp án duy nhất ở đây, và cũng khó để hình dung. Nhưng chúng tôi tìm kiếm việc mô hình ít nhất lý giải các hệ quả, và chúng tôi cho rằng câu trả lời của Claude Opus 4.6 khá hợp lý.

Tóm lại, Opus 4.6 đạt điểm tuyệt đối, dù như bạn thấy, chúng tôi có đưa một câu hỏi mang tính chủ quan, nên bạn có thể là người phán quyết cuối cùng.

Điểm chuẩn của Claude Opus 4.6 

Opus 4.6 là “đầu bảng” không tranh cãi ở ít nhất bốn điểm chuẩn quan trọng:

• Terminal-Bench 2.0 
• Humanity’s Last Exam
• GDPval-AA
• BrowseComp

Terminal-Bench 2.0 là điểm chuẩn mã hóa tác tử; Humanity’s Last Exam kiểm tra lập luận phức tạp; GDPval-AA đánh giá hiệu suất công việc tri thức; BrowseComp đo lường khả năng tìm thông tin khó tìm trên mạng.

Terminal-Bench 2.0 

Các mô hình Claude từ lâu đã có danh tiếng xứng đáng là một trong những mô hình mã hóa tốt nhất. Vậy hãy bắt đầu bằng kết quả điểm chuẩn Terminal-Bench 2.0. 

Nếu biểu đồ trên có vẻ làm nổi bật Opus 4.6 so với GPT-5.2-codex — vâng, chắc chắn là có chủ đích. Anthropic gần đây liên tiếp thách thức OpenAI ở nhiều mảng và đang đưa ra luận điểm cho việc dùng trong doanh nghiệp. 

Humanity’s Last Exam

Humanity’s Last Exam là một trong những điểm chuẩn nổi tiếng nhất, và đây là bài mà tất cả chúng ta đều theo dõi sát sao. Nó đo lường khả năng lập luận tổng quát của mô hình. 

Biểu đồ sau cho thấy mức độ thành công của các mô hình tiên phong trên điểm chuẩn HLE cả khi có và không có công cụ. (“Có công cụ” nghĩa là mô hình được phép dùng các năng lực bên ngoài như tìm kiếm web và thực thi mã.)

Có lẽ biểu đồ này nên tách thành hai. Bỏ qua điểm nhỏ đó, thông điệp rất rõ: Opus 4.6 dẫn đầu ở cả hai hạng mục “có công cụ” và “không công cụ”. 

GDPval-AA

GDPval-AA (đúng như tên gọi) là bài kiểm tra những công việc tri thức có giá trị kinh tế. Hãy nghĩ đến các việc như chạy mô hình tài chính hoặc làm nghiên cứu.

GDPval-AA và các điểm chuẩn tương tự ngày càng quan trọng vì chúng thực sự đo lường những loại công việc mà doanh nghiệp sẵn sàng chi trả. Thành công của Opus 4.6 ở GDPval-AA cũng là một thách thức trực diện khác với bộ mô hình GPT vì OpenAI và Anthropic đang cạnh tranh nhiều nhóm khách hàng giống nhau.

BrowseComp

BrowseComp là điểm chuẩn cuối cùng đáng nhắc đến trong đợt phát hành.  Nó đo lường khả năng truy tìm thông tin khó tìm trên mạng của mô hình. Một chút lịch sử: OpenAI thực ra phát triển BrowseComp để trình diễn khả năng tìm kiếm của chính các mô hình họ. 

Trong một động thái có phần “đá xoáy”, ở lần phát hành này, Anthropic dẫn thẳng đến thông báo tháng 4/2025 của OpenAI về việc phát triển BrowseComp khi nhấn mạnh rằng Opus 4.6 đứng đầu bảng ở điểm chuẩn này. Có hơi “cà khịa” khi trích dẫn chính điểm chuẩn của OpenAI để phản biện lại họ như vậy.

Giá và khả dụng của Claude 4.6

Opus 4.6 hiện được cung cấp rộng rãi tại thời điểm bài viết này. Tuy nhiên, bạn không thể truy cập Opus 4.6 nếu không nâng cấp lên tài khoản pro, vốn đi kèm các quyền lợi khác như cho phép bạn dùng Claude in Excel. 

Nếu bạn là nhà phát triển, bạn nên dùng claude-opus-4-6 trong Claude API. Mức giá không đổi: vẫn là $5/$25 cho mỗi triệu token. Nếu bạn bối rối về hai con số, hãy hiểu rằng số đầu là phí bạn trả để gửi token vào mô hình (tức lời nhắc của bạn), và số thứ hai là phí cho token mà mô hình tạo ra (phản hồi).

Kết luận cuối  

Claude Opus 4.6 dẫn đầu bảng ở các điểm chuẩn quan trọng như GPDVal-AA, đo lường hiệu suất mô hình trên các tác vụ có ý nghĩa kinh tế — điều mà khách hàng doanh nghiệp lớn quan tâm. OpenAI có thể bị “lung lay” bởi diễn biến này vì chỉ vài giờ trước khi Opus 4.6 ra mắt, họ đã công bố OpenAI Frontier, một nền tảng doanh nghiệp mới để xây, triển khai và quản lý tác tử AI trong môi trường sản xuất. 

Nói cách khác, thay vì cạnh tranh bằng điểm chuẩn mô hình, Frontier cho thấy OpenAI tập trung vào hạ tầng xung quanh bộ mô hình của mình, cụ thể là trao cho tác tử AI ngữ cảnh kinh doanh chung, quyền hạn và khả năng tiếp nhận cũng như học hỏi từ phản hồi theo thời gian. Khi bị mất lợi thế ở điểm chuẩn, OpenAI đang ngụ ý rằng nền tảng của họ được định vị tốt hơn để thực sự khiến tác tử hữu ích trong doanh nghiệp. 

Đó là một bước đi chiến lược hay là sự thừa nhận ngầm rằng họ đang thua trong cuộc đua mô hình — điều này tùy bạn quyết định.

Nhìn chung, chúng tôi ấn tượng với những gì Anthropic mang đến cùng Claude Opus 4.6 và mong được trực tiếp trải nghiệm đội tác tử. Nếu bạn muốn tìm hiểu thêm về họ nhà Claude, đừng quên xem khóa học Giới thiệu các mô hình Claude.