Chúng tôi đo lại sáu model Trung Quốc thế hệ flash và pro — không phải trên bảng tổng hợp, mà trong đúng agent harness (gọi tool, quản lý ngữ cảnh, chốt kết quả) của đội kỹ thuật. Điểm DeepSWE công bố 74,2, thả vào Codex ra 65,6, vào OpenCode ra 65,5; build 1017 tháng 10 chấm lại cùng benchmark ra 77,0 trên harness Mini-SWE-V2: cùng dòng model, số đổi vì khung chạy và vì build.
Điểm số đẹp không nói model có sống được trong pipeline của bạn. Bài chiếu sáu model theo cách chủ doanh nghiệp thật sự cần quyết định: việc cần làm, benchmark, giá chính hãng, và thứ bảng benchmark không nói — hành vi wire.
- Không có model cho mọi việc, chỉ có model hợp việc. Coding nghiêng về DeepSeek, tool-calling về GLM, JSON strict về Qwen, việc lặp lại khối lượng lớn thì MiMo V2.6 Flash rẻ nhất.
- Giá chuẩn chính thức ngày 20/10/2026: input từ 14 đến 43,5 cent, output từ 28 đến 87 cent mỗi triệu token ở khung giờ chuẩn (riêng DeepSeek giờ cao điểm gấp đôi, $1,20) — đọc từ trang giá chính thức, không phải giá khuyến mãi gateway.
- Điều bảng benchmark không nói: BFCL và GAIA vắng toàn hàng; văn dài tiếng Việt và JSON strict không có benchmark công khai — phải tự đo.
Bảng benchmark thay đổi nhanh hơn bạn kịp đọc
Trong một tháng, lớp model này đã đổi: MiniMax chỉ chính thức ra mắt M3.1 Flash ngày 19/10/2026 (bản stealth "Space Bunny" từ 23/09); Xiaomi ra mắt dòng MiMo V2.6 rồi ấn lịch deprecate mimo-v2.5 và mimo-v2.5-pro lúc 10:00 giờ Bắc Kinh ngày 21/10; DeepSeek release bản V4.1-Flash-1017 ngày 17/10 kèm bảng benchmark mới (bảng build 09/2026 bị deprecated, Artificial Analysis chấm bản mới 45 điểm index ngày 19/10); bảng 1017 không có cột OSWorld hay Toolathlon — hai ô n/p của hàng DeepSeek là vendor chưa từng công bố, không phải thiếu tìm.
Đây là phần thực dụng của bài DeepSeek, Claude Code hay Codex: chọn mô hình theo ROI thay vì theo hào quang — bài đó đi sâu vòng coding, bài này chiếu rộng sáu model. Mọi số là snapshot 20/10/2026, không phải monitoring.
Sáu model, một dòng mỗi bản: benchmark đã công bố
[V] là vendor tự công bố, [3P] là bên thứ ba đo (Artificial Analysis, Vals), n/p là không có số, ⚠️ là số còn cờ chưa xác minh.
| Model | DeepSWE v1.1 | Toolathlon-Verified | OSWorld | AA Intelligence Index |
|---|---|---|---|---|
| DeepSeek V4.1 Flash (1017) | 77,0 [V] | n/p | n/p | 45 [3P] |
| GLM 5.3 Flash | 63,4 [V] | 78,4 [V] | 59,1 [V] | 42 [3P] |
| Qwen 3.8 Flash | 58,7 [V] | 73,5 [V] | 52,3 [V] | 40 ⚠️ |
| MiMo V2.6 Flash | 67,9 [V] | 73,6 [V] | 80,8 [V] | 37,9 [3P] |
| MiMo V2.6 Pro | 71,9 [V] | 76,9 [V] | 82,0 [V] | 46,3 [3P] |
| MiniMax M3.1 Flash | 73,7 [V] | n/p | 61,7 [V] | 42,7 [3P] |
Bốn điểm cần đọc trước khi tin — bảng giờ chỉ còn đúng một ô mang cờ ⚠️: index của Qwen (40), chờ Artificial Analysis đo độc lập endpoint hosted. Ô DeepSeek từng mang cờ đã được thay bằng điểm bên thứ ba (45 [3P]); hai điểm còn lại là số vendor tự công bố — không cờ nhưng phải đọc đúng ngữ cảnh, mỗi điểm kèm ví dụ kiểm được. AA của DeepSeek: con số 39 thuộc build 09/2026; Artificial Analysis đã công bố ngày 19/10 build 1017 đạt 45 điểm, +6 so với build cũ, đồng hạng nhì open-weights với GLM-5.3 và chỉ kém MiMo-V2.6-Pro một điểm. Qwen: số 40 lấy từ bản open-weight Flash-Next vì endpoint hosted chưa được đo riêng; model card của Qwen trên Hugging Face ghi Qwen3.8-Flash chính là Flash-Next cộng tính năng production (context 1M mặc định, tool tích hợp) — proxy sát nhất hiện có, không phải số bản chính thức. DeepSWE của Qwen: 58,7 là mức cao nhất trong hai harness mà vẫn thấp nhất bảng; ví dụ hiệu ứng harness: build 09/2026 của DeepSeek công bố 74,2 kèm 65,6 (Codex) và 65,5 (OpenCode) — lệch gần 9 điểm chỉ vì đổi scaffold; build 1017 chấm lại cùng benchmark ở 77,0 trên Mini-SWE-V2. OSWorld của MiMo: 80,8/82,0 thuộc task set Verified; bảng tổng hợp xác nhận cùng cột (MiMo Pro 82,0, Flash 80,8; Kimi K3 84,8 và Qwen3.8 27B 84,3 xếp trên), trong khi GLM 59,1 và MiniMax 61,7 là OSWorld 2.0 — gộp hai task set vào một cột so sánh là lỗi. BFCL dừng ở 12/04/2026, trước ngày phát hành mọi model; GAIA vắng toàn hàng.
Nhớ chi tiết mở bài: cùng dòng model, đổi scaffold là số DeepSWE lệch vài điểm — vendor tự chọn harness cũng có lợi thế, mọi so sánh giữa các hàng là hướng đi. Ngày 19/10, một ảnh leaderboard cộng đồng (0xSero) xếp V4.1-Flash-1017 thứ ba open-weights, trên Kimi K3 và GLM-5.3; vài giờ sau, bài chính thức của Artificial Analysis gọi cùng model là đồng hạng nhì với GLM-5.3 — hai nguồn, hai snapshot, thứ hạng đã khác nhau. Bảng xếp hạng nào cũng vậy: đọc để lấy hướng, đừng lấy vị trí.
Bảng giá chính hãng của sáu model
Đọc từ trang giá chính thức của từng provider, kiểm lại HTTP 200 ngày 20/10/2026; đơn vị USD mỗi 1 triệu token. Bài cố tình không dùng giá khuyến mãi của các gateway nhỏ làm cơ sở so sánh.
| Model | Input chuẩn | Cache-read | Output chuẩn | Trang giá chính thức |
|---|---|---|---|---|
| DeepSeek V4.1 Flash | $0,15 giờ thấp điểm · $0,30 giờ cao điểm | $0,003 / $0,006 | $0,60 / $1,20 | api-docs.deepseek.com |
| GLM 5.3 Flash | $0,15 | $0,03 | $0,50 | docs.z.ai |
| Qwen 3.8 Flash | $0,15 (Beijing $0,113) | $0,015 | $0,47 | alibabacloud.com |
| MiMo V2.6 Flash | $0,14 | $0,0028 | $0,28 | mimo.mi.com |
| MiMo V2.6 Pro | $0,435 | $0,0036 | $0,87 | mimo.mi.com |
| MiniMax M3.1 Flash | $0,15 | $0,015 | $0,60 | minimax.io |
Hai lưu ý. Khung cao điểm của DeepSeek là 01:00–04:00 và 06:00–10:00 UTC (thứ Hai đến thứ Sáu, trừ lễ Trung Quốc). Vòng lặp agent hay gửi lại context nên cache-read quyết định hóa đơn: MiMo Flash $0,0028, DeepSeek $0,003 giờ thấp điểm, MiMo Pro $0,0036, DeepSeek $0,006 giờ cao điểm, Qwen và MiniMax $0,015, GLM $0,03.
Chi phí mỗi agent-run xấp xỉ cộng input, cache, output rồi chia một triệu; output gồm reasoning, phần này nặng nhất ở ba model luôn bật suy nghĩ. Artificial Analysis với giá list 19–20/10/2026: một task khoảng $0,13 (MiMo V2.6 Pro — AA công bố 19/10), $0,26 (DeepSeek build 1017), $0,28 (GLM), $0,37 (Qwen, bản Flash-Next); số DeepSeek trôi theo build chứ không chỉ theo giá: bản cũ đọc 20/10 là $0,49, bản 1017 công bố ngay trước đó $0,26, giữa tháng 9 là $0,27. Xu hướng giảm giá nói chung thuộc dòng DeepSeek V4, bài này so sánh V4.1 Flash và bảng giá live 20/10 — không dùng con số giảm giá cũ làm cơ sở. MiMo Flash và MiniMax chưa có ước tính, không suy diễn. Serving stack cũng đổi chi phí thật của vòng lặp agent: trên harness SemiAnalysis AgentX, vLLM công bố DeepSeek-V4.1-Flash đạt 1,3 tỷ token mỗi đô la chi phí TCO — 830K tok/s mỗi GPU ở mức 100 tok/s mỗi user, throughput agentic gấp 5 lần ngày đầu (17/10); cùng giá list, khác hạ tầng, hóa đơn mỗi run khác vài lần.
Hướng mix nhiều model trong bài Mix DeepSeek và Gemini: tối ưu chi phí agentic apps cho SMB Việt Nam vẫn đúng: model rẻ xử lý lượt đầu, model chắc giữ lượt chốt.
Việc nào trong harness thì model nào
Tám loại việc, model hợp nhất và bằng chứng — bảng quyết định mà mục Takeaway nhắc lại, kèm ràng buộc wire bên dưới:
| Loại việc | Model hợp nhất | Bằng chứng chính |
|---|---|---|
| Vòng coding (loop) | DeepSeek V4.1 Flash | Đúng Codex và OpenCode; MiniMax thứ hai, toàn số vendor |
| Tool-calling / MCP | GLM 5.3 Flash | Toolathlon dẫn đầu bảng có số chuẩn; probe tool-call 52,2 giây |
| Research / tra cứu | GLM 5.3 Flash | Chống bịa đứng đầu hàng (đo 17/09, chưa xác minh lại); DeepSeek thứ hai, HLE 63,9 |
| Văn dài tiếng Việt | Qwen 3.8 Flash | Probe format duy nhất PASS: 700 từ ra 5 mục (mẫu thử n=1) |
| JSON strict | Qwen 3.8 Flash | Duy nhất trong bộ có json_schema verified HTTP 200 |
| OCR tài liệu / vision | DeepSeek V4.1 Flash | DocVQA 95,6 [V]; âm thanh thì MiMo |
| Rà soát, chốt số (gate) | MiMo V2.6 Pro | AA 46,3 [3P] cao nhất hàng; GLM thiên chất lượng |
| Việc lặp lại khối lượng lớn | MiMo V2.6 Flash | Giá input thấp nhất, DeepSWE vẫn 67,9 [V] |
- DeepSeek V4.1 Flash: né
minimal(timeout đã đo),max_tokens ≥ 12000cho văn dài, context dưới 150K, từ chốijson_schema(HTTP 400) — schema cứng phải ép bằng prompt. - GLM 5.3 Flash: thinking bật mọi lúc, effort chỉ nhận
{low, high, max}, tổng hợp cầnmax_tokens ≥ 6000; JSON pass nhưng 54,4 giây/lượt (đo nội bộ). - Qwen 3.8 Flash: effort rộng nhất, gồm cả
none; 700 từ tiếng Việt đốt 22.003 token (đo nội bộ) — văn dài pin effort thấp, trích output không suy nghĩ là đường rẻ nhất. - MiMo V2.6 Flash:
max_tokens ≥ 2000, câu ba chữ cũng sinh reasoning; effort-set mâu thuẫn giữa hai phép đo, gặp 400 thì thu về{none…high}. - MiMo V2.6 Pro: mọi mức
none…max(đo 20/10, cả năm mức đều qua), object-mode nhưng không có schema cứng. - MiniMax M3.1 Flash: always-thinking, tắt là 400, không có
none; temperature và top_p cố định.
Quy tắc ngang-model: nâng reasoning mua latency và token, không mua điểm pass@1 trên task ngắn. Đừng pin mức cao "cho chắc"; effort model chính không tự hợp lệ khi card rơi sang model fallback.
Vì sao chúng tôi không chọn theo bảng tổng hợp
Model hợp nhất cho harness của bạn không phải model đứng đầu bảng tổng hợp, mà là model không làm hỏng pipeline ở lượt gọi thứ một trăm. Bảng tổng hợp chấm chất lượng trong điều kiện lý tưởng; agent harness chấm lại thứ khác: model có nhận đúng effort, trả JSON đúng schema, giữ nhịp qua hàng trăm lượt lặp.
Bốn cảnh báo:
- Qwen có hồ sơ bịa số. Artificial Analysis ghi tỷ lệ bịa số liệu 45,3% và Omniscience −9,7, đều đo 17/09, chưa xác minh lại. Luật: Qwen không bao giờ là model duy nhất ký chốt số; deliverable chứa số phải qua rà chéo.
- M3.1 Flash mới ra mắt 19/10/2026, mọi benchmark do chính MiniMax công bố, chưa có bên thứ ba tái đo — xếp hạng là hướng tiềm năng.
- DeepSeek 1017 còn quá mới: benchmark, điểm AA 45 và giá $0,26/task đều vừa cập nhật 17–19/10; trong khi đó bản 09/2026 (74,2 DeepSWE, 31,2 Terminal-Bench, $0,49/task) vẫn trôi nổi trên các trang so sánh — đọc số DeepSeek, hỏi trước đó là build nào.
- GLM một chỉ số ba giá: vendor trích 57, trang AA ghi 42, OpenRouter 41,8. Cộng tiền sử lỗi ghép dấu tiếng Việt ở văn dài: văn xuôi ngắn ổn, văn dài phải kiểm tra lại.
5ac khác các bảng so sánh trôi nổi ở chỗ: mọi số quy về nguồn, thiếu thì ghi thiếu.
Takeaway: chạy thử một lane, đừng đổi cả hệ thống
Bảng việc → model dùng thế này: chọn ô đang đau nhất (thường là coding hoặc văn dài tiếng Việt), chạy vài card thật rồi đối chiếu tỷ lệ pass, chi phí mỗi run, lỗi phải sửa tay. Chi phí mỗi run đã tính ở mục giá; ba ô còn mỏng (văn dài, JSON strict, research) mới probe mẫu thử n=1 — kết quả của bạn quan trọng hơn bảng của chúng tôi.
Với đội một người: giữ lane đang chạy tốt, lấp ô chưa ai phủ, tách bạch model sinh số với model chốt số. Cần một thí nghiệm có đo đạc, không cần đổi cả hệ thống trong đêm.
Câu hỏi thường gặp
Có model nào chạy được mọi việc trong harness không?
Không. Model dẫn đầu bảng tổng hợp (MiMo V2.6 Pro, AA 46,3) lại gần cuối ở việc lặp lại khối lượng lớn vì giá input cao hơn; model rẻ nhất bị loại khỏi ghế rà soát vì không có số calibration. Các ô hầu như không chồng nhau — đó là lý do bảng tồn tại.
Số của vendor tự công bố dùng được không?
Dùng được như hướng đi, không như chân lý. Nhãn [V] và [3P] phân biệt nguồn; BFCL, GAIA vắng toàn hàng, độ lệch giữa hai harness có thể vài điểm vì scaffold. Số ⚠️ thì tự kiểm trước khi đưa vào slide.
Vậy giá khuyến mãi trên các gateway nhỏ thì sao?
Bài chỉ dùng giá chuẩn chính thức vì đó là con số quyết định lâu dài; giá khuyến mãi gateway thay đổi nhanh và thuộc một kênh. Chạy qua gateway thì hãy quy mọi thứ về giá chuẩn.
Nguồn tham khảo
- Giá DeepSeek chính thức (truy cập 20/10/2026).
- Giá Z.AI (GLM).
- Giá Alibaba Model Studio — giá chuẩn Qwen.
- Giá Xiaomi MiMo — lịch deprecate mimo-v2.5.
- MiniMax M3.1 Flash — ra mắt 19/10/2026.
- Artificial Analysis (DeepSeek V4.1 Flash).
- Artificial Analysis đánh giá DeepSeek V4.1 Flash 1017 — index 45, $0,26/task, 19/10/2026.
- vLLM và blog vLLM — 1,3 tỷ token/đô TCO, 830K tok/s mỗi GPU trên SemiAnalysis AgentX, 17/10/2026.
- Snapshot leaderboard open-weights cộng đồng (0xSero) — 19/10/2026.
- Model card Qwen3.8-Flash-Next — Qwen3.8-Flash hosted là bản production của Flash-Next.
- DeepSeek thông báo V4.1-Flash-1017 (17/10/2026) và model card Hugging Face — Terminal-Bench 4.0 42,3 (Claude Code harness), DeepSWE v1.1 77,0 (Mini-SWE-V2), không có dòng OSWorld/Toolathlon/GAIA.
- Bảng Toolathlon (merge_api) và so sánh của Grok 11/10 — đối chiếu 78,4 GLM / 73,5 Qwen / 73,6 MiMo; DeepSeek và MiniMax không có điểm Toolathlon trên bảng.
- Post Qwen3.8-Max-0902 — số TerminalBench 3.0 duy nhất trong họ (29,0), thuộc model khác bản Flash.
- Bảng OSWorld-Verified tổng hợp, bảng tổng hợp fei3 và bảng ra mắt MiMo-V2.6 — cùng cột Verified: Fable 5 86,0; Kimi K3 84,8; Qwen3.8 27B 84,3; Opus 5 83,4; GPT-5.6 Sol 83,0; MiMo Pro 82,0.
Cập nhật lần cuối: 21/10/2026 · Snapshot số liệu: 20/10/2026