Musk đánh giá Grok 4.8 kém Claude Opus 5.5, gọi Opus 5.5 là “kiệt tác”

“Grok 4.8 không tốt bằng Claude Opus 5.5. Opus 5.5 là một kiệt tác”, Elon Musk, CEO SpaceX, viết trên X ngày 10. Đây là đánh giá cá nhân của Musk, không phải kết quả so sánh hiệu năng trong cùng điều kiện.

Musk đưa ra nhận xét khi trả lời câu hỏi đề nghị so sánh hai mô hình trên X. Ông không công bố bài kiểm tra hay điểm số dùng để đối chiếu.

Trong một bài đăng khác trên X cùng ngày, Musk cho biết Grok 4.8 đã hoàn tất giai đoạn tiền huấn luyện và đang được huấn luyện tăng cường. TokenPost từng đưa tin về việc mô hình chuyển sang giai đoạn huấn luyện tăng cường và kế hoạch thử nghiệm giới hạn.

Tiền huấn luyện giúp mô hình học các mẫu ngôn ngữ và thông tin từ lượng dữ liệu lớn. Huấn luyện tăng cường là quá trình điều chỉnh cách mô hình trả lời dựa trên kết quả đánh giá.

Musk viết rằng điểm đánh giá của Grok 4.8 bắt đầu tăng, nhưng không đưa ra con số cụ thể. Đây là thông tin về tiến độ phát triển, cần phân biệt với kết quả đo hiệu năng giữa các mô hình.

Trong bài đăng trên X ngày 10, Musk cũng cho biết dự kiến mở quyền truy cập Grok 4.8 giới hạn cho người dùng bot Grok trong tuần này để xem phản hồi.

Anthropic công bố Opus 5.5 ngày 22 tháng 9. Mô hình được cung cấp qua dịch vụ Claude và nền tảng dành cho nhà phát triển. TokenPost trước đó đã đưa tin về thời điểm ra mắt và việc giảm giá.

Anthropic cho biết, với các tác vụ thông thường chạy theo thiết lập mặc định, Opus 5.5 có chi phí thấp hơn 40% so với mô hình trước đó là Opus 5. Đây là mức so sánh dựa trên tác vụ và thiết lập do công ty đưa ra.

Công ty cũng cho biết đơn giá token đầu vào và đầu ra đều giảm 20%. Mức giảm đơn giá token và mức giảm chi phí cho mỗi tác vụ được tính theo các tiêu chí khác nhau.

Token là đơn vị AI sử dụng để xử lý văn bản và mã. Chi phí dùng mô hình phụ thuộc không chỉ vào đơn giá token mà còn vào độ dài và lượng xử lý của tác vụ.

Bảng hiệu năng do Anthropic công bố ghi nhận Opus 5.5 đạt 66,4% trong bài kiểm tra Terminal-Bench 4.0. Công ty đưa ra sai số chuẩn của điểm số là ±2,6 điểm phần trăm.

Terminal-Bench 4.0 đánh giá khả năng AI thực hiện các tác vụ nhiều bước trong môi trường dòng lệnh. Nội dung đánh giá này khác với bài kiểm tra chỉ xem xét câu trả lời cho một câu hỏi đơn lẻ.

Anthropic cho biết chênh lệch điểm chuẩn không nhất thiết phản ánh đầy đủ chênh lệch hiệu năng trong công việc thực tế. Vì vậy, điểm được công bố nên được hiểu là kết quả đo trong bài kiểm tra tương ứng.

Bảng hiệu năng của Anthropic không có điểm Grok 4.8. Do đó, không thể xem mức 66,4% của Opus 5.5 và nhận xét của Musk là kết quả so sánh trực tiếp trong cùng điều kiện.

Tài liệu chính thức và tài liệu dành cho nhà phát triển của SpaceXSI, công ty phát triển Grok, giới thiệu Grok 4.7. Các tài liệu này chưa đăng bảng hiệu năng hoặc thông số mô hình của Grok 4.8.