GPT-6 Astra so với Claude Opus 5.5: Nên dùng mô hình nào

Khi OpenAI ra mắt GPT-6 Astra vào đầu tháng 9, công ty giới thiệu đây là mô hình có thể làm "bất cứ điều gì bạn có thể làm trên máy tính."

Cùng tháng đó, Anthropic đáp lại bằng Claude Opus 5.5, một mô hình được cho là đạt hiệu năng ngang với Claude Fable 5.1 cao cấp nhất của chính họ. (Chúng tôi đã thực hiện so sánh giữa GPT-Astra và Claude Fable 5.1 trước đó.)

Hai mô hình này hiện là lựa chọn mặc định phổ biến cho các tác vụ agent nghiêm túc. Chúng đã ra mắt được vài tháng, và chúng tôi đã có đủ thời gian thực hành với cả hai. Trong bài viết này, tôi sẽ so sánh GPT-6 Astra và Claude Opus 5.5 về benchmark, tính năng và giá. Để đi xa hơn, tôi cũng sẽ cho cả hai làm cùng một bài kiểm tra mã hoá thực tế, và đưa ra khuyến nghị cụ thể về mô hình tôi đánh giá cao hơn.

GPT-6 Astra là gì?

GPT-6 Astra là mô hình chủ lực của OpenAI công bố vào tháng 9. Nó có sẵn trong ChatGPT Plus, Pro, Business và Enterprise, trong Codex, qua OpenAI API và trên Amazon Bedrock. 

OpenAI xây dựng Astra xoay quanh việc sử dụng máy tính. Nó có thể vận hành máy tính để bàn từ đầu đến cuối, bao gồm các ứng dụng không có API, và được huấn luyện để hoàn thành tác vụ với ít token và ít lần thử lại hơn.

OpenAI cũng gọi GPT-6 Astra là mô hình phù hợp (aligned) nhất của họ cho đến nay, và đây là mô hình OpenAI đầu tiên đạt ngưỡng năng lực an ninh mạng "Critical" theo Khung Chuẩn Bị (Preparedness Framework) của công ty.

Claude Opus 5.5 là gì?

Claude Opus 5.5 là mô hình Opus mới nhất của Anthropic, cũng ra mắt vào tháng 9 vừa qua. Nó có sẵn trong các ứng dụng Claude, Claude Code, Claude Platform API (với mã claude-opus-5-5), Amazon Bedrock, Google Cloud Vertex AI và Microsoft Foundry.

Anthropic định vị Opus 5.5 là đạt hiệu năng cấp độ Claude Fable 5.1 cho hầu hết công việc, đồng thời rẻ hơn 20% mỗi token so với Opus 5 và rẻ hơn khoảng 40% trên khối lượng công việc điển hình, vì nó cũng dùng ít token hơn. Anthropic cho biết tốc độ sinh đầu ra nhanh hơn hơn 30% so với Opus 5. 

Trọng tâm ra mắt của Anthropic nghiêng mạnh về công việc kỹ thuật kéo dài: một người thử nghiệm sớm đã hoàn thành việc di trú 680.000 dòng mã trong chưa đầy một ngày, và trong bài dịch nội bộ từ C sang Rust của HAProxy, Opus 5.5 hoàn thành trong 9,5 giờ so với 12 giờ của Fable 5.1.

GPT-6 Astra vs. Claude Opus 5.5: So sánh trực diện

Dữ liệu so kè trực quan nhất chúng tôi có đến từ bài đăng ra mắt Opus 5.5 của Anthropic, trong đó liệt kê GPT-6 Astra bên cạnh các mô hình của chính họ. Lưu ý rằng các con số về Astra ở đó là điểm do OpenAI báo cáo hoặc kết quả bảng xếp hạng công khai, không phải do Anthropic tự chạy.

Mã hoá và kỹ nghệ phần mềm

Đây là lĩnh vực Opus 5.5 thể hiện mạnh nhất. Trên Terminal-Bench 4.0, bài kiểm tra agent làm việc trong terminal thực, Opus 5.5 đạt 66,4% so với 57,9% của Astra, dẫn 8,5 điểm. 

FrontierCode sát hơn nhiều: 54,4% cho Opus 5.5 so với 53,3% cho Astra, gần như hoà. 

Nhưng Astra cũng có thế mạnh về mã hoá. OpenAI báo cáo 74,1% trên DeepSWE v1.1, mà họ gọi là kỷ lục mới, và cho biết Astra trong bộ harness Codex hoàn thành tác vụ nhanh hơn thế hệ trước. Anthropic không công bố điểm DeepSWE cho Opus 5.5.

Công việc tri thức và lập luận

Trên GDPval-AA v2.1, chấm điểm các tác vụ chuyên môn ở 44 ngành nghề, Opus 5.5 đạt 1846 Elo so với 1542 của Astra. Đó là cách biệt lớn. Opus 5.5 cũng dẫn trên Humanity's Last Exam có sử dụng công cụ, ở mức 67,7% so với 57,2%.

Astra vượt lên trong công việc khoa học trên terminal, đạt 64,6% trên Terminal-Bench-Science so với 58,7% của Opus 5.5. OpenAI cũng báo cáo kết quả toán và khoa học rất mạnh cho Astra, gồm 97,6% trên FrontierMath Tier 4 v2 và 96,0% trên GPQA Diamond. Anthropic không báo cáo các benchmark đó cho Opus 5.5, nên nếu lập luận nặng về toán là trọng tâm của bạn, Astra có bằng chứng công bố mạnh hơn.

Sử dụng máy tính và tự động hoá nghiệp vụ

Sử dụng máy tính là tính năng nổi bật của Astra. OpenAI báo cáo 72,6% trên OSWorld 2.0 và 92,7% trên ScreenSpot-Pro, đồng thời cung cấp các kiểm soát cho doanh nghiệp: quản trị viên có thể hạn chế website và ứng dụng desktop, yêu cầu phê duyệt trước khi thực hiện hành động hệ trọng, và tự động rà soát các lần gọi công cụ có thể không an toàn.

Anthropic báo cáo 81,8% trên OSWorld 2.1 (tính điểm một phần) cho Opus 5.5. Đây là phiên bản benchmark khác với cách chấm khác, nên không thể so trực tiếp với mức 72,6% của Astra. Trên AutomationBench, benchmark quy trình nghiệp vụ của Zapier, hai bên khá sát, Astra nhỉnh hơn chút ở 41,4% so với 40,0%.

Cửa sổ ngữ cảnh và đầu ra

Cả hai mô hình đều xử lý đầu vào rất dài. Astra có cửa sổ ngữ cảnh 1,05 triệu token, và Opus 5.5 là 1 triệu token. Cả hai cho phép tối đa 128K token đầu ra, và Opus 5.5 có thể lên tới 300K token đầu ra qua Message Batches API (beta).

An toàn và khả dụng

Cả hai phòng thí nghiệm đều giới hạn các năng lực nhạy cảm nhất. Astra được xếp hạng "Critical" về an ninh mạng, nên công việc khai thác nâng cao cần chương trình truy cập tin cậy của OpenAI. Opus 5.5 chuyển hướng hầu hết tác vụ an ninh mạng sang Claude Opus 4.8 và dùng các biện pháp bảo vệ sinh học giống Fable 5.1, kèm chương trình xác minh cho các tổ chức đã thẩm định. 

Giá: khoản bạn thực sự phải trả

Theo bảng giá niêm yết, Opus 5.5 rẻ hơn 60% so với Astra cho cả input lẫn output, và rẻ hơn 80% cho đọc từ cache. Một yêu cầu với 100K token đầu vào và 10K token đầu ra tốn khoảng $0,60 trên Opus 5.5 và $1,50 trên Astra.

Tuy nhiên, giá token không nói lên toàn bộ câu chuyện. OpenAI huấn luyện Astra để hoàn thành tác vụ với ít token hơn, và Opus 5.5 ở mức nỗ lực tối đa có thể sinh rất nhiều lập luận, điều này thu hẹp khoảng cách trên một số khối lượng công việc. 

Kiểm tra thực tế: Xây một chiếc đồng hồ truyền động bằng bánh răng

Giờ đến phần thú vị: tôi giao cho cả hai mô hình cùng một tác vụ xây dựng, với cùng prompt, trong cùng một agent mã hoá.

Tác vụ: một trang web một file hiển thị đồng hồ kim được truyền động hoàn toàn bởi một dãy bánh răng nhìn thấy được. Trang đọc thời gian một lần khi tải; sau đó, chỉ các bánh răng mới được phép làm kim chuyển động.

Tôi chọn bài kiểm tra này vì người đọc có thể tự kiểm tra kết quả bằng mắt. Các răng có khớp nhau không? Các bánh răng kề nhau có quay ngược chiều không?

Thiết lập

Cả hai mô hình chạy trong OpenCode trên cùng một máy Mac, lần lượt, với thiết lập mặc định và mỗi mô hình một lần thử. Tôi dùng phiên bản tiêu chuẩn của mỗi mô hình (gpt-6-astra qua OpenRouter và claude-opus-5-5 qua Anthropic API), không dùng biến thể Pro hoặc chế độ nhanh. Đây là prompt, dán nguyên văn:

Build a single-file web page, index.html, with inline CSS and JavaScript. Use canvas or SVG. No external libraries, no network requests, no build step.

The page shows an analog clock driven entirely by a visible mechanical gear train.

Requirements:

One driving gear (the "motor") turns at a constant rate. Everything else moves only because gears mesh: the second, minute, and hour hands must be driven through the gear train, with the minute hand turning exactly 1/60 as fast as the second hand and the hour hand exactly 1/12 as fast as the minute hand. Do not compute hand angles from Date() each frame; read the current local time once at load to set the starting position, then let the gears drive the hands.
Show at least six gears with visible teeth. Gears that mesh must have matching tooth size, teeth that visibly interlock without overlapping, and opposite directions of rotation. Each pair's speed ratio must equal the inverse of its tooth-count ratio. Compound gears (two gears fixed on one axle) are allowed and should look like they share an axle.
Hovering over any gear shows its tooth count and its current speed in RPM.
Controls: a speed slider from 1x to 3600x real time, a pause/resume button, and a "reset to now" button.
After running at any speed for several minutes and then returning to 1x, the clock must still show the correct time for the simulated elapsed time (no drift from floating-point accumulation).
It should look like a well-made piece of clockwork, readable at both desktop and phone widths.

When you're done, briefly explain your gear train: the tooth counts and how they produce the 60:1 and 12:1 ratios.Được hỗ trợ bởi

Kết quả

Đây là hai chiếc đồng hồ chạy song song ở tốc độ 10x. Ở tốc độ này, bánh xe lớn đầu tiên trong mỗi đồng hồ quay một vòng mỗi sáu giây và kim phút nhích dần về phía trước.

Những gì tôi nhận thấy khi quan sát

Họ hiểu "đồng hồ analog" theo cách khác nhau. Astra xây một mẫu mà thợ đồng hồ gọi là regulator: giây, phút, giờ mỗi loại có một mặt số riêng, gắn trên các bánh xe tách biệt trên bảng. Opus xây một mặt đồng hồ truyền thống, với kim giờ và kim phút cùng chung tâm, một mặt phụ hiển thị giây ở phía trên, và dãy bánh răng lộ ra qua phần mặt cắt.

Bánh răng của Astra dễ theo dõi hơn, và thời gian của Opus dễ đọc hơn. Với Astra, mọi bánh xe đều lộ ra ngoài, và bạn có thể lần chuyển động từ động cơ đến tận mặt số giờ. Nhưng để đọc giờ, bạn phải nhìn ba mặt số. Với Opus, bạn có thể đọc giờ trong nháy mắt, nhưng một số bánh răng nằm sau vành mặt số, nên bạn không thể thấy tất cả chúng ăn khớp.

Bánh xe lớn đầu tiên trông quá nhanh, nhưng thực ra không phải. Khi tôi tăng tốc đồng hồ, bánh xe lớn đầu tiên trong mỗi chiếc trông như đang lao đi, đặc biệt là của Astra. Trong cả hai thiết kế, bánh xe đó mang kim giây, nên nó quay một vòng mỗi phút ở tốc độ thực và một vòng mỗi giây ở 60x. Ở tốc độ thật, bạn có thể thấy nó di chuyển đúng nhịp với kim giây.

Một số bánh của Astra bị chồng lấp. Ở vài chỗ, Astra vẽ một bánh lớn đè lên một bánh lớn khác, như nơi bánh giờ cắt qua bánh màu xanh bên cạnh. Điều đó không sai, vì cơ cấu đồng hồ thật xếp bánh theo lớp, nhưng nó khiến khó thấy cặp răng nào thực sự đang ăn khớp.

Cả hai đều giữ đúng giờ. Tôi tua nhanh cả hai đồng hồ 10 giờ, mất khoảng 10 giây ở tốc độ cao nhất, và cả hai đều dừng ở 20:10:30, đúng như mong đợi.

Tôi thích chiếc nào hơn

Cả hai đồng hồ đều hoạt động. Nếu tôi muốn thứ gì đó để ngắm, tôi sẽ chọn của Astra: toàn bộ cơ cấu được phô bày và trông như một sản phẩm kỹ thuật. Dù vậy, những gì Opus làm ra sát với yêu cầu của prompt hơn: một mặt đồng hồ analog duy nhất.

Khi nào nên chọn GPT-6 Astra so với Claude Opus 5.5

Bản dựng đồng hồ chỉ là một dự án vui. Tôi không có cơ hội thử mọi trường hợp sử dụng. Dưới đây là các hướng dẫn hữu ích:

Chọn Claude Opus 5.5 nếu...

• Bạn đang xây hoặc vận hành các agent mã hoá, đặc biệt là các tác vụ di trú, tái cấu trúc kéo dài và công việc trong terminal.
• Khối lượng công việc của bạn là công việc tri thức chuyên nghiệp, như nghiên cứu, phân tích và tài liệu. Tôi nói vậy vì Opus 5.5 dẫn đầu trên GDPval-AA.
• Chi phí quan trọng ở quy mô lớn, hoặc bạn thường xuyên gửi prompt dài hơn 272K token.
• Bạn cần mô hình trên Google Cloud hoặc Microsoft Foundry.

Chọn GPT-6 Astra nếu...

• Trường hợp sử dụng chính của bạn là dùng máy tính: điều khiển ứng dụng desktop và trình duyệt, điền biểu mẫu và QA trên các công cụ không có API.
• Bạn cần khả năng lập luận toán và khoa học có kết quả công bố mạnh nhất. Tôi nói vậy vì Astra dẫn trên Terminal-Bench-Science và báo cáo điểm FrontierMath và GPQA hàng đầu.
• Nhóm của bạn đã làm việc trong ChatGPT Enterprise và Codex, và bạn muốn có các kiểm soát quản trị cùng plugin doanh nghiệp của Astra.

Kết luận

Trên giấy tờ, Claude Opus 5.5 có giá trị tốt hơn. Nó dẫn GPT-6 Astra trên hầu hết các benchmark nơi cả hai đều có điểm, bao gồm lợi thế rõ rệt về mã hoá theo kiểu agent và công việc tri thức, và làm được điều đó với 40% mức giá niêm yết của Astra.

Nhưng Astra không hề lép vế. Đây là lựa chọn mạnh hơn cho việc sử dụng máy tính, có kết quả công bố tốt hơn về toán và khoa học, và hiệu quả token của nó khiến khoảng cách chi phí thực tế nhỏ hơn so với bảng giá gợi ý.