GPT-6.1 Terra soát bảng doanh số: đo thật với GPT-6 Astra và Claude Fable 5.1

Đo ngày 27/10/2026 qua API của OpenAI và Anthropic, chạy bằng script Python. Dữ liệu là dữ liệu giả; đề, đáp án và code chấm được khoá (commit) trước khi gọi model nào, câu trả lời thô lưu cùng file nguồn của bài.

Kết quả chính

• Terra ở mức mặc định đạt 10/10 cả 3 lượt, bằng GPT-6 Astra. Claude Fable 5.1 đạt 9/10 cả 3 lượt.
• Nhanh hơn và rẻ hơn nhiều. Trung vị mỗi lượt: Terra (mặc định) 17,4 giây, 0,0085 USD; Astra 27,2 giây, 0,088 USD; Fable 5.1 26,3 giây, 0,152 USD.
• Cả ba model bắt đủ 6 lỗi cài sẵn ở mọi lượt, không báo nhầm dòng sạch nào. Mọi điểm bị trừ đều ở cùng một ô: giá "1tr2" ở dòng 18.
• Mức nghĩ không quyết định ô đó. Trên bảng tiếng Việt, Terra mức "high" loại dòng 18 cả 3 lượt còn mức mặc định tính cả 3 lượt. Trên bản dịch tiếng Anh của cùng bảng, kết quả đảo lại: mức "high" tính cả 3 lượt, mức mặc định loại 2/3 lượt.
• Mức "max" không đáng tiền ở bài này: 10/10 nhưng mất 1,4–2,1 phút mỗi lượt, tốn gấp khoảng 6 lần mức mặc định.
• Chưa thử: tính năng chính của Terra là tự thao tác máy tính (computer use), và chưa thử trong app ChatGPT. Đây là một bài toán, qua API, 3 lượt mỗi cấu hình.

Cách đo

• Đề: file CSV 40 dòng doanh số quý 3 của một công ty nội thất giả có ba chi nhánh Hà Nội, Đà Nẵng, Sài Gòn, tiền tính bằng đồng. Câu lệnh tiếng Việt, giống hệt nhau cho mọi model: tính tổng doanh thu từng chi nhánh, chỉ ra chi nhánh cao nhất, liệt kê mọi dòng bất thường theo số thứ tự, trả về JSON.
• Quy ước trong câu lệnh: dòng nghi sai dữ liệu thì loại; dòng chỉ khác cách viết (viết tắt, tên khác của cùng chi nhánh hay cùng mức giá) thì chuẩn hoá rồi tính; dòng trùng thì tính một lần.
• 6 lỗi cài sẵn: một đơn bị nhập hai lần (dòng 13 và 39, phải báo cả hai), ngày 31/09, giá ghi "1tr2", chi nhánh ghi "HCM" thay vì Sài Gòn, số lượng âm.
• Chấm bằng code, không chấm bằng AI: mỗi tổng chi nhánh đúng tới đồng 1 điểm, chi nhánh cao nhất đúng 1 điểm, mỗi lỗi bắt được 1 điểm, báo nhầm một dòng sạch trừ 1 điểm. Tối đa 10.
• Model: gpt-6.1-terra ở ba mức nghĩ medium (mặc định của model), high và max; gpt-6-astra mức high; claude-fable-5-1 mặc định. Mỗi cấu hình 3 lượt.
• Tiền: số token × giá niêm yết (Terra 1/5 USD mỗi triệu token vào/ra; Astra và Fable 5.1 cùng 10/50 USD), token ra gồm cả token nghĩ. Chưa trừ giảm giá cache đầu vào của OpenAI, nên số của OpenAI hơi cao hơn thực tế.
• Bản tiếng Anh để đối chiếu: cùng 40 dòng, cùng 6 lỗi, đổi sang nhãn tiếng Anh, đô la Mỹ, "1.2k" và "SF"; chạy cùng 5 cấu hình, mỗi cấu hình 3 lượt.

Bảng kết quả

Cả 9 lượt Terra cộng lại hết 0,19 USD, nhỉnh hơn một lượt Fable 5.1 (0,14–0,16 USD). Lưu ý: trên bảng tiếng Việt, Terra chạy lúc 19:33 còn Astra và Fable chạy lúc 14:05 cùng ngày, nên so thời gian chỉ để tham khảo; bản tiếng Anh thì chạy xen kẽ cả năm cấu hình.

Dòng "1tr2": một ô, hai con số tổng

Dòng 18 bán 9 tủ hồ sơ, giá ghi "1tr2", tức 1.200.000 đồng. Mọi tủ hồ sơ khác trong bảng đều bán 3.200.000 đồng. Đáp án của Dunggi coi "1tr2" là giá viết tắt, phải chuẩn hoá rồi tính, vì câu lệnh đã ghi "tên khác của cùng một mức giá" thì chuẩn hoá. Nhưng giá thấp như vậy cũng có thể là gõ nhầm, và bảng của Dunggi dễ dẫn tới cách hiểu đó vì viết tắt và giá lạ nằm chung một ô.

Trên bảng tiếng Việt, Terra mức mặc định, mức max và Astra tính dòng này ở mọi lượt. Claude Fable 5.1 và Terra mức high loại nó ở mọi lượt, và đều ghi lý do: Fable viết rằng giá "1tr2" sai định dạng và không khớp giá 3.200.000 của các tủ hồ sơ khác nên nghi sai dữ liệu; Terra mức high cũng ghi lý do là giá khác hẳn mức 3.200.000 của các tủ hồ sơ khác. Cả hai vẫn liệt kê dòng 18 là bất thường, tức là không bỏ sót; chỉ là xử lý khác đáp án, và tổng Đà Nẵng hụt 10,8 triệu.

Nhìn riêng bảng tiếng Việt thì dễ kết luận "mức high kém hơn mức mặc định". Bản tiếng Anh cho thấy không phải vậy: ở đó Terra mức high tính dòng 18 cả 3 lượt, mức mặc định lại loại 2 trong 3 lượt, Fable loại 1 trong 3 lượt. Cùng câu lệnh, cùng dữ liệu, cùng cài đặt mà kết quả đổi theo lần chạy. Chỉ GPT-6 Astra và Terra mức max tính dòng 18 ở cả 6 lượt trên hai bảng.

Áp vào bảng tính ở công ty Việt Nam

Bảng do nhiều người nhập ở Việt Nam hay có đúng những kiểu viết trong bài thử: "1tr2", "1,2tr", "1.2M" cho tiền; "HCM", "TP.HCM", "Sài Gòn" cho cùng một nơi; ngày kiểu 31/09 do gõ tay. Bốn điều rút ra:

1. Bắt AI nói rõ từng dòng nó đánh dấu là đã sửa rồi tính, hay đã loại. Chỉ hỏi "vì sao bất thường" thì chưa đủ: trên bản tiếng Anh, có lượt Terra chỉ ghi lý do là giá 1.2k khác giá 3.200 của các tủ khác, không nói đã loại dòng, phải dò con số tổng mới biết.
2. Viết luật cho trường hợp lấn cấn vào câu lệnh, bằng tiếng Việt cũng được. Ví dụ: "Giá viết kiểu 1tr2 nghĩa là 1.200.000 đồng, vẫn tính vào tổng; HCM và TP.HCM là chi nhánh Sài Gòn." Model làm theo luật được giao; chỗ lệch là chỗ Dunggi để ngỏ.
3. Chạy hai lần, hoặc tự cộng tay một tổng. Một lần chạy không cho thấy kết quả có dao động hay không; hai lần ra hai tổng khác nhau là biết ngay chỗ cần xem.
4. Đừng mặc định chọn mức nghĩ cao nhất. Mức max không đúng hơn mức mặc định ở bảng này mà chậm hơn khoảng 7 lần, đắt hơn khoảng 6 lần.

Muốn dùng Terra mà không gọi API: theo thông báo ra mắt của OpenAI, Terra có cho người dùng Plus, Pro, Enterprise và Edu trong ChatGPT Work và Codex. Dunggi chưa thử Terra trong app ChatGPT nên chưa nói được trong app nó có cư xử giống qua API hay không.

Cái được

• Terra hiểu câu lệnh tiếng Việt và cách viết tắt kiểu Việt ("1tr2", "HCM") mà không cần giải thích thêm.
• Mọi lượt của mọi model đều trả JSON đọc được, không lượt nào phải chạy lại vì sai định dạng.
• Khoá đề trước khi gọi model giữ được sự công bằng: Terra vào sau nhưng dùng đúng câu lệnh, dữ liệu và code chấm của hai model trước.

Cái chưa được

• 3 lượt mỗi cấu hình đủ để thấy dòng 18 lúc tính lúc loại, chưa đủ để đo tỉ lệ.
• Terra mức max dùng phần lớn 2 phút để nghĩ (khoảng 7.000–10.700 token nghĩ mỗi lượt) mà không hơn mức mặc định.
• Một bài toán không xếp hạng được các model nói chung. Các con số OpenAI công bố khi ra mắt Terra (thao tác máy tính, điểm trên Agents' Last Exam — bộ đo agent dùng phần mềm chuyên nghiệp) là của OpenAI, Dunggi chưa đo.

Kết luận

Với việc văn phòng có cấu trúc như soát và cộng một bảng doanh số, GPT-6.1 Terra làm được mọi thứ GPT-6 Astra làm trong bài thử, nhanh hơn và rẻ khoảng một phần mười. Nhưng ở ô lấn cấn, Terra và cả Claude Fable 5.1 có lúc tính, có lúc loại. Dùng model nào cũng nên bắt nó nói rõ từng dòng đã tính hay đã loại, và viết sẵn luật cho kiểu viết tắt như "1tr2": trong bảng của Dunggi, một ô đó là khác biệt giữa hai con số tổng lệch nhau 10,8 triệu đồng.

Cách làm bài này: AI (Claude) hỗ trợ viết; biên tập Dunggi chạy script đo, đối chiếu từng con số với kết quả thô và kiểm dữ kiện theo nguồn đã dẫn.