Claude Opus 5.5 đạt hiệu suất ngang Fable 5.2 với chi phí chỉ bằng một phần tư
Các bài kiểm tra độc lập cho thấy Claude Opus 5.5 đạt điểm số tương đương với phiên bản mới hơn Fable 5.2 trong các tác vụ lập trình, đồng thời có chi phí thấp hơn đáng kể và tốc độ xử lý nhanh hơn.
Được dịch tự động từ bản gốc tiếng Anh.
Anthropic đã phát hành Claude Fable 5.2 vào ngày 9 tháng 11 năm 2026, định vị nó là vượt trội so với Claude Opus 5.5 hiện tại về hầu hết các khả năng. Bất chấp những tuyên bố này, công ty đồng thời khuyên các nhà phát triển nên sử dụng Opus 5.5 làm mô hình chính cho công việc lập trình hàng ngày và xử lý tri thức. Hướng dẫn mâu thuẫn này đã thúc đẩy các cuộc thử nghiệm độc lập để xác định xem liệu mô hình cũ hơn, rẻ hơn có thực sự sánh kịp hiệu suất của phiên bản chủ lực hay không.
Chuyện gì đã xảy ra
Trong một loạt thí nghiệm được kiểm soát chặt chẽ vào giữa tháng 11 năm 2026, nhà phát triển Jessica Wachtel đã so sánh Claude Fable 5.2 và Claude Opus 5.5 trên ba tác vụ kỹ thuật riêng biệt. Các bài kiểm tra bao gồm xây dựng một bộ lập lịch cron, sửa lỗi trong kho lưu trữ mã nguồn hóa đơn và điều tra một sự cố sản xuất giả lập. Mỗi tác vụ được lặp lại qua ba phiên bản ngày càng khó hơn để kiểm tra áp lực lên khả năng suy luận và tạo mã của các mô hình.
Kết quả cho thấy cả hai mô hình đều đạt điểm tuyệt đối trên tất cả chín biến thể kiểm tra. Tuy nhiên, mức tiêu thụ tài nguyên khác nhau rất lớn. Opus 5.5 hoàn thành các tác vụ trong khoảng nửa thời gian và với chi phí API ước tính chỉ bằng khoảng một phần tư so với Fable 5.2. Fable tạo ra nhiều token suy luận hơn đáng kể, nhưng nỗ lực tính toán bổ sung này không chuyển hóa thành độ chính xác cao hơn hay chất lượng mã tốt hơn trong các benchmark cụ thể này.
Những phát hiện này phù hợp với khuyến nghị của chính Anthropic là bắt đầu với Opus cho các công việc phát triển thường quy. Mặc dù Fable 5.2 tự hào với điểm số cao hơn trên các benchmark độc quyền như FrontierCode 2.0 và FrontierSWE v2, ứng dụng thực tế trên các agent lập trình tiêu chuẩn cho thấy lợi ích giảm dần so với mức giá cao hơn. Dữ liệu gợi ý rằng đối với nhiều tác vụ kỹ thuật phổ biến, các bước suy luận bổ sung của mô hình cao cấp là gánh nặng không cần thiết.
Cách thức hoạt động
Việc so sánh dựa trên các mặc định API của Anthropic, vốn gán các mức nỗ lực (effort levels) khác nhau cho từng mô hình. Fable 5.2 hoạt động ở mức nỗ lực cao theo mặc định, khiến nó tạo ra lượng suy luận nội bộ lớn trước khi xuất kết quả. Opus 5.5 chạy ở mức nỗ lực trung bình, hướng tới sự cân bằng giữa tốc độ và độ chính xác. Sự khác biệt cấu trúc này có nghĩa là Fable tự nhiên tiêu thụ nhiều token đầu vào và đầu ra hơn, đặc biệt là trong giai đoạn suy luận, làm tăng chi phí và độ trễ.
Script kiểm thử của Wachtel chấm điểm đầu ra của mỗi mô hình dựa trên một bộ ẩn gồm năm mươi bài kiểm tra cho mỗi phiên bản. Các chỉ số được theo dõi bao gồm mức sử dụng token cho đầu vào, đầu ra và suy luận, cũng như tổng thời gian thực thi và chi phí đô la ước tính dựa trên bảng giá công khai của Anthropic. Mức giá tiêu chuẩn của Fable gấp đôi so với Opus, tính phí $8 cho mỗi triệu token đầu vào không cache và $40 cho mỗi triệu token đầu ra, so với $4 và $20 cho Opus. Sự kết hợp giữa khối lượng token cao hơn và giá mỗi token cao hơn dẫn đến tổng chi phí của Fable cao hơn đáng kể.
Chi tiết quan trọng
- Độ chính xác giống hệt nhau: Cả Claude Fable 5.2 và Opus 5.5 đều ghi được 150/150 điểm trên cả ba danh mục kiểm tra và các phiên bản tương ứng của chúng.
- Chênh lệch chi phí: Tổng chi phí ước tính cho Fable 5.2 là $8.98, trong khi Opus 5.5 chỉ tốn $2.29, khiến Opus rẻ gần gấp bốn lần cho các tác vụ này.
- Khác biệt về độ trễ: Opus 5.5 hoàn thành tất cả các bài kiểm tra trong 701 giây, trong khi Fable 5.2 mất 1.579 giây, lâu hơn gấp đôi.
- Hiệu quả token: Opus sử dụng ít token suy luận hơn đáng kể, ví dụ như 3.846 so với 11.122 trong bài kiểm tra bộ lập lịch cron đầu tiên, cho thấy cách giải quyết vấn đề trực tiếp hơn.
- Cấu trúc giá: Fable 5.2 có giá $8 cho mỗi triệu token đầu vào và $40 cho mỗi triệu token đầu ra, gấp đôi mức $4 và $20 của Opus 5.5.
- Bối cảnh Benchmark: Anthropic báo cáo Fable đạt 49.1% trên FrontierCode 2.0 so với 45.5% của Opus, nhưng các bài kiểm tra độc lập này tập trung vào quy trình làm việc thực tế của agent thay vì các benchmark tĩnh.
Tại sao điều này quan trọng
Đối với các nhóm phần mềm xây dựng công cụ phát triển hỗ trợ bởi AI hoặc các agent nội bộ, những kết quả này nhấn mạnh tầm quan trọng của việc xác minh lựa chọn mô hình dựa trên khối lượng công việc thực tế thay vì chỉ dựa vào điểm số benchmark do nhà cung cấp báo cáo. Giả định rằng một mô hình mới hơn, đắt tiền hơn sẽ luôn mang lại kết quả tốt hơn bị thách thức bởi bằng chứng cho thấy các cài đặt mặc định có thể dẫn đến việc xử lý quá mức. Các kỹ sư mặc định sử dụng mô hình cấp cao nhất có thể đang trả tiền cho các bước suy luận không cần thiết mà không cải thiện chất lượng đầu ra cho các tác vụ lập trình tiêu chuẩn.
Tối ưu hóa chi phí trong các ứng dụng LLM thường tập trung vào caching hoặc prompt engineering, nhưng việc lựa chọn mô hình vẫn là đòn bẩy chính. Chọn Opus 5.5 thay vì Fable 5.2 cho các công việc gỡ lỗi thường quy, tạo mã hoặc phân tích log có thể giảm hóa đơn hạ tầng xuống 75% mà không hy sinh độ chính xác. Điều này đặc biệt liên quan đến các startup và doanh nghiệp đang mở rộng quy mô các AI agent, nơi những khoản tiết kiệm nhỏ trên mỗi yêu cầu sẽ cộng dồn nhanh chóng qua hàng nghìn tương tác hàng ngày.
Bạn có thể làm gì
- Bắt đầu các dự án mới với Claude Opus 5.5 cho các tác vụ lập trình và tri thức chung để thiết lập một cơ sở nền tảng hiệu quả về chi phí.
- Benchmark các trường hợp sử dụng cụ thể của bạn với cả hai mô hình bằng cài đặt mặc định trước khi cam kết sử dụng Fable 5.2 có giá cao hơn.
- Theo dõi mức sử dụng token suy luận trong nhật ký API của bạn để xác định xem mô hình hiện tại có đang tạo ra các quá trình suy nghĩ trung gian quá mức hay không.
- Dành riêng Fable 5.2 cho các vấn đề kỹ thuật mở-ended nơi Opus không thể tạo ra kết quả thỏa mãn sau khi lặp lại prompt.
- Xem xét tài liệu của Anthropic về các cài đặt nỗ lực (effort settings) để hiểu cách các cấu hình mặc định ảnh hưởng đến mức tiêu thụ token và độ trễ.
- Triển khai các script chấm điểm tự động tương tự như bộ kiểm tra được sử dụng ở đây để đo lường khách quan hiệu suất mô hình trên các codebase độc quyền của bạn.



