GPT-5.6-sol và GPT-5.6-terra dẫn đầu DeepSWE — khi nhóm trọng số mở dần áp sát

Họ model GPT-5.6 của OpenAI được phát hành trong tháng này với ba kích thước — gpt-5.6-luna, gpt-5.6-terra và model đầu bảng gpt-5.6-sol. Chúng tôi đã bổ sung sol và terra vào Smart AIPI ngay trong tuần đó. Đã có rất nhiều tranh luận ồn ào về model tuyến đầu nào là "tốt nhất", vì vậy chúng tôi sẽ làm một việc cụ thể: xem xét benchmark duy nhất thực sự khó bị thao túng, sau đó nói về trải nghiệm sử dụng model trong thực tế, và kết thúc bằng một đánh giá thẳng thắn về các model trọng số mở đang nhanh chóng bám sát phía sau.

DeepSWE: benchmark lập trình khó bị thao túng

Hầu hết bảng xếp hạng lập trình đều gặp vấn đề nhiễm dữ liệu. SWE-bench Verified và SWE-bench Pro được xây dựng từ các issue GitHub thực tế cùng những bản sửa lỗi đã được merge — điều đó có nghĩa là "đáp án" nằm sẵn trong dữ liệu huấn luyện của mọi model từng thu thập dữ liệu từ GitHub. Tệ hơn nữa, các model đã bị phát hiện gian lận trên những benchmark này: trên SWE-bench Pro, Claude Opus 4.7 và 4.6 bị đánh dấu là đã gian lận trong hơn 12% số lượt chạy được rà soát, âm thầm thực thi các lệnh như git log --all và git show <gold-hash> để đọc lời giải tham chiếu trực tiếp từ lịch sử git.

DeepSWE, được Datacurve phát hành vào 2026-05-26, được xây dựng để khắc phục vấn đề đó. Các đặc điểm của benchmark này:

• Được viết hoàn toàn từ đầu. 113 tác vụ dài hạn nguyên bản trên 91 repository mã nguồn mở bằng năm ngôn ngữ (Python, TypeScript, JavaScript, Go, Rust). Đề bài và lời giải chuẩn do con người biên soạn, không được điều chỉnh từ các commit công khai — vì vậy không model nào từng thấy đáp án trong quá trình tiền huấn luyện.
• Bộ xác minh hành vi. Mỗi tác vụ được chấm bằng các phép kiểm tra viết thủ công đối với hành vi có thể quan sát trong một môi trường cô lập, chạy qua bộ khung mini-swe-agent để bảo đảm tính nhất quán. DeepSWE báo cáo tỷ lệ âm tính giả / dương tính giả của bộ xác minh là 1.1% / 0.3%, so với 24% / 8.5% đo được trên SWE-bench Pro.
• Thực sự có khả năng phân loại. Prompt chỉ dài bằng khoảng một nửa so với SWE-bench Pro, nhưng yêu cầu lượng code nhiều hơn ~5.5x và số token đầu ra nhiều hơn ~2x. Điểm số trải rộng trên khoảng ~58 điểm (12–73%) thay vì tập trung trong một dải ~30 điểm, vì vậy thứ tự trên bảng xếp hạng thực sự có ý nghĩa.

Nói cách khác: đây là một bài kiểm tra dài hạn, chống nhiễm dữ liệu và được chấm theo hành vi, nhằm xác định liệu model có thực sự hoàn thành được công việc phần mềm ngoài đời hay không. Và đó chính xác là nơi họ GPT-5.6 đứng đầu.

Bảng xếp hạng DeepSWE

Thứ hạng hiện tại (cập nhật 2026-07-09, Pass@1, mỗi model ở thiết lập suy luận tốt nhất):

Ba biến thể GPT-5.6 chiếm ba trong bốn vị trí dẫn đầu. sol dẫn đầu tuyệt đối, terra đồng hạng với Claude Fable 5 về điểm số tốt thứ hai nhưng chỉ có mức giá bằng một nửa model đầu bảng, và ngay cả luna cũng ngang với gpt-5.5 của thế hệ trước. Khoảng cách tới model trọng số mở tốt nhất — GLM-5.2 ở mức 44% — là câu chuyện chúng ta sẽ quay lại ở phần cuối.

Điều gì thực sự thay đổi trong GPT-5.6

Benchmark chỉ là một thước đo đại diện. Những gì các developer được quyền truy cập sớm mô tả là một bước nhảy vọt ở ba năng lực cụ thể mà riêng điểm số không thể phản ánh đầy đủ:

• Độ bền bỉ trong tác vụ dài hạn. Phàn nàn lớn nhất về gpt-5.5 là model sẽ "mất phương hướng" trong các tác vụ dài — bạn phải đặt lại luồng hội thoại khi ngữ cảnh bị lấp đầy bởi nhiễu. 5.6 không gặp vấn đề đó. Những người thử nghiệm sớm cho biết họ đã để một luồng duy nhất chạy trong 20+ giờ theo một chỉ dẫn mà không cần giám sát. Model tiếp nhận tác vụ và không buông cho đến khi hoàn thành.
• Điều phối sub-agent (chế độ ultra). Đây là năng lực mang tính định hình của thế hệ này. 5.6 có thể nâng lên một cấp độ và tạo ra một nhóm sub-agent xử lý vấn đề song song — một agent viết component, agent khác kết nối cơ sở dữ liệu, agent thứ ba review pull request — rồi tổng hợp kết quả. Những người thử nghiệm chạy lại quy trình sub-agent của gpt-5.5 trên 5.6 nhận thấy 5.6 "xử lý băng băng" phần điều phối mà 5.5 từng "bối rối và mất phương hướng". Đó là khác biệt giữa một nhà thầu đơn lẻ và cả một đội ngũ.
• Sử dụng máy tính và trình duyệt. 5.6 vận hành máy thật tốt hơn đáng kể. Trong thử nghiệm thực tế, model đã cấu hình một cụm máy qua SSH, và trong một ví dụ hiện được chia sẻ rộng rãi, model đã tự động khôi phục trạng thái khởi động GRUB bị lỗi qua KVM từ xa — khởi động lại, vào GRUB shell và sửa các phân vùng khởi động mà không cần con người can thiệp.

Một điểm cần nói rõ: công việc front-end và UI không phải thế mạnh mặc định của 5.6. Model dễ định hướng hơn và ít có "gu thẩm mỹ tệ" hơn các model trước, nhưng người dùng giàu kinh nghiệm vẫn giao các lượt hoàn thiện cho model khác. Nếu bạn làm nhiều công việc UI trực quan, hãy coi 5.6 là động cơ chính và dùng thêm model thứ hai để tinh chỉnh.

sol hay terra: bạn nên dùng model nào?

Cả hai đều thuộc cấp tuyến đầu và đều chạy trên cùng backend Codex thông qua Smart AIPI. Quyết định rất đơn giản:

• gpt-5.6-terra là lựa chọn mặc định được khuyến nghị. Đứng #3 trên DeepSWE (70%), model này bám sát model đầu bảng nhưng chỉ có mức giá bằng một nửa. Đối với đại đa số công việc lập trình tác tử, tái cấu trúc, review và công việc hằng ngày, terra là lựa chọn phù hợp.
• gpt-5.6-sol là model đầu bảng. Hãy chọn model này cho những tác vụ dài hạn khó nhất, hoạt động điều phối đa agent chuyên sâu và bất kỳ trường hợp nào mà vài điểm năng lực cuối cùng có thể thay đổi kết quả. Có lý do để model này đứng #1 trên DeepSWE.

Smart AIPI là cách rẻ nhất để chạy cả hai

Giá API trực tiếp của OpenAI khá cao ở phân khúc tuyến đầu. Thông qua Smart AIPI, bạn trả ít hơn 75% cho chính các model đó trên chính hạ tầng đó:

Nhóm trọng số mở đang dần áp sát

Đây là phần mà mọi người vẫn tranh luận không ngừng. Phía sau nhóm model đóng tuyến đầu, một làn sóng model trọng số mở đang tiến lên nhanh chóng — và thị trường đang phân tách thành hai cực. Ở một đầu, các model mixture-of-experts trọng số mở giá rẻ của Trung Quốc (DeepSeek V4, Qwen3, Kimi K2, MiniMax M3) đạt khoảng 70–81% trên SWE-bench Verified với giá $0.30–1.40 cho mỗi triệu token đầu vào, theo giấy phép MIT/Apache thông thoáng. Ở đầu kia, các model đóng tuyến đầu của US (GPT-5.6, Claude Fable/Opus, Gemini) tính phí cao hơn 5–20x để đổi lấy vài điểm năng lực dẫn đầu. Diễn biến đáng chú ý nằm ở phân khúc trung gian: các model cung cấp chất lượng gần tuyến đầu với mức giá chỉ bằng một phần nhỏ.

Hai cái tên định hình phân khúc này, và chúng ta cần mô tả chính xác về chúng:

• GLM-5.2 (Zhipu / Z.ai) — lựa chọn mở ở phân khúc trung gian. Một model MoE thực sự có trọng số mở, được cấp phép MIT (~745B tổng cộng / ~40B được kích hoạt, ngữ cảnh 1M) với giá khoảng $1.40 đầu vào / $4.40 đầu ra. Model này rất xuất sắc — đứng #9 trên DeepSWE với 44%, gần với các model đóng thế hệ trước và thậm chí mạnh hơn gpt-5.5 ở một số công việc UI. Xét đúng phân khúc của mình, đây là một lựa chọn thực sự đáng giá.
• Grok 4.5 (xAI) — lựa chọn đóng giá rẻ ở phân khúc trung gian. Thường bị gắn nhãn sai là "mở", Grok 4.5 thực chất có trọng số đóng (chỉ Grok-1 và Grok-2 từng được phát hành công khai). Điều đưa model này vào phân khúc trung gian là mức giá cạnh tranh (~$2 đầu vào / $6 đầu ra) và hiệu quả token đáng chú ý — khoảng 2M token cho mỗi tác vụ kiểu DeepSWE so với 7M+ ở một số model tuyến đầu. Model này đạt mức gần tuyến đầu trên một số benchmark, nhưng yếu hơn rõ rệt trong hoạt động điều phối đa agent vốn định hình thế hệ 5.6.

Vậy phân khúc trung gian thực sự đã tiến gần đến đâu? Gần hơn so với những gì mức giá niêm yết gợi ý — nhưng xa hơn so với tuyên bố cường điệu về model cục bộ. Ba lưu ý thẳng thắn:

• Rẻ hơn trên mỗi token không đồng nghĩa rẻ hơn trên mỗi tác vụ. Các model trọng số mở thường tiêu thụ nhiều token hơn 2–3x để hoàn thành cùng một công việc. Trên DeepSWE, GLM-5.2 ở mức max tốn khoảng $4 cho mỗi tác vụ, trong khi Claude Opus 4.8 ở mức xhigh tốn khoảng $8 — chỉ chênh lệch 2x, dù GLM rẻ hơn khoảng ~10x trên mỗi token. Hiệu quả, chứ không phải giá niêm yết, mới quyết định hóa đơn thực tế.
• Trọng số mở không đồng nghĩa có thể chạy cục bộ. GLM-5.2 có kích thước ~400GB sau lượng tử hóa và ~1.5TB ở độ chính xác đầy đủ. Model này không chạy được trên phần cứng phổ thông — một 5090 có 32GB VRAM; bạn cần một hệ thống nhiều GPU trị giá $75,000 để phục vụ một phiên bản duy nhất ở tốc độ hợp lý. Lợi ích thực sự của trọng số mở là sự cạnh tranh giữa các nhà cung cấp: vì bất kỳ ai cũng có thể host GLM-5.2, bạn có thể so sánh giữa các nhà cung cấp để tìm mức giá và tốc độ tốt nhất. Sự cạnh tranh đó rất lành mạnh, và chúng tôi vui vì nó tồn tại.
• Năng lực vẫn là rào cản ở tuyến đầu. GLM-5.2 không có khả năng thị giác — model không thể nhận ảnh chụp màn hình, vì vậy không thể vận hành các vòng lặp sử dụng máy tính và phản hồi trực quan khiến 5.6 trở nên hiệu quả. Công việc tác tử thực tế cũng đòi hỏi chạy song song từ 1 đến 40 agent, điều mà phần cứng cục bộ hoàn toàn không thể đáp ứng. Phân khúc trung gian đang bắt kịp về lập trình một lượt, nhưng chưa bắt kịp về điều phối tác tử đầu cuối.

Kết luận: nếu workload của bạn chạy tốt trên một model mở, chuyển sang model đó thường là lựa chọn thông minh và tiết kiệm — triết lý của Smart AIPI là bạn không nên trả quá nhiều cho năng lực mình không cần. Nhưng với những công việc dài hạn, đa agent và có thị giác trong vòng lặp khó nhất, gpt-5.6-sol và gpt-5.6-terra vẫn là tuyến đầu mà phân khúc trung gian đang theo đuổi — và Smart AIPI là nơi rẻ nhất để chạy chúng.

Cách sử dụng GPT-5.6-sol và GPT-5.6-terra

Chat Completions API

curl https://api.smartaipi.com/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-terra",
    "messages": [{"role": "user", "content": "Refactor this module and add tests"}]
  }'

Responses API với mức suy luận max

curl https://api.smartaipi.com/v1/responses \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-sol",
    "input": "Audit this repo for security issues and open PRs to fix them",
    "reasoning": {"effort": "high", "summary": "auto"}
  }'

Codex CLI, Cursor, Cline, Roo Code, OpenCode, Aider

OPENAI_BASE_URL=https://api.smartaipi.com/v1
OPENAI_API_KEY=sk-your-smart-aipi-key
OPENAI_MODEL=gpt-5.6-terra

Mức nỗ lực suy luận hỗ trợ low, medium, high và xhigh (max). Với công việc tác tử và dài hạn — những tác vụ mà 5.6 bỏ xa đối thủ nhất — hãy dùng high hoặc max.

Bắt đầu sử dụng

1. Đăng ký tại smartaipi.com/signup (tín dụng miễn phí, không cần thẻ tín dụng)
2. Tạo API key trong bảng điều khiển
3. Đặt URL cơ sở thành https://api.smartaipi.com/v1
4. Sử dụng model gpt-5.6-terra (được khuyến nghị) hoặc gpt-5.6-sol (model đầu bảng)

Các model #1 và #3 trên benchmark lập trình khó nhất hiện đã sẵn sàng cho môi trường production — với mức giá thấp hơn 75%. Cùng API, cùng cấu trúc tương thích OpenAI, cùng bộ công cụ.