Một điều kỳ lạ đã xảy ra với ngành AI trong tám tuần qua.

Tháng 6, Z.ai phát hành GLM-5.2 và lặng lẽ trở thành mô hình trọng số mở đầu tiên vượt 80% trên Terminal-Bench. Tháng 7, Moonshot AI tung ra Kimi K3 — 2,8 nghìn tỷ tham số, mô hình trọng số mở lớn nhất từng được công bố — và cổ phiếu AI Trung Quốc lao dốc theo. Rồi ngày 3 tháng 8, Alibaba đáp lại bằng Qwen3.8-Max, 2,4 nghìn tỷ tham số, và lần đầu tiên trong lịch sử công ty mở mã nguồn một mô hình hạng Max.

Ba mô hình gần mức tiên phong. Ba triết lý cấp phép khác nhau. Ba mức giá chênh lệch rất xa. Và vô số bài đưa tin lẫn lộn coi chúng là thứ có thể hoán đổi cho nhau.

Chúng không thể hoán đổi cho nhau. Một mô hình không nhìn được ảnh. Một mô hình thực ra vẫn chưa tải về được, dù hàng trăm tiêu đề gọi nó là “mã nguồn mở.” Và một mô hình có giá mỗi token đầu ra cao gấp năm lần mô hình khác, trong khi điểm số lại thấp hơn trên vài benchmark lập trình.

Đây là bài so sánh giúp làm rõ mọi chuyện.

TL;DR — Kết luận trong 30 giây

Nếu bạn muốn năng lực thô mạnh nhất và đủ khả năng chi trả: Kimi K3. Mô hình này đứng #4 trên Artificial Analysis Intelligence Index và #1 trên Frontend Code Arena, và là mô hình duy nhất trong ba mô hình đủ sức so găng với các mẫu flagship của Claude và GPT. Bạn sẽ trả $3/$15 cho mỗi triệu token để có được điều đó.

Nếu bạn muốn tỷ lệ chi phí trên năng lực tốt nhất cho lập trình: GLM-5.2. Với mức $1,40/$4,40, giá đầu ra chưa bằng một phần ba của K3, giấy phép MIT thực sự, và trọng số đã có trên Hugging Face từ tháng 6. Chỉ là mô hình này không xử lý được ảnh.

Nếu bạn cần đầu vào đa phương thức và tác nhân dài hơi trong một mô hình: Qwen3.8-Max. Văn bản, hình ảnh và và video, cộng với những con số về tác nhân thị giác mạnh nhất được công bố trong ba mô hình. Nhưng tại thời điểm viết bài, trọng số vẫn chỉ là lời hứa, chưa phải thứ tải về được.

Nếu bạn đang xây dựng thứ gì đó nghiêm túc: Hãy dùng nhiều hơn một mô hình. Phần định tuyến bên dưới giải thích vì sao đó không phải câu trả lời né tránh.

Mục lục

Vì sao so sánh này quan trọng ngay lúc này
Các ứng viên
Thông số đối chiếu
Đi sâu vào benchmark
Dấu hoa thị benchmark không ai nhắc
Giá: bài toán chi phí thực
“Trọng số mở” thực sự nghĩa là gì ở đây
Bạn có thực sự tự lưu trữ được những mô hình này?
Ba cửa sổ ngữ cảnh 1M không giống nhau
Nên chọn mô hình nào?
Chiến lược định tuyến đa mô hình
Rủi ro, lưu ý và dấu hiệu cảnh báo
Điều gì tiếp theo
Câu hỏi thường gặp
Kết luận cuối cùng

Vì sao so sánh này quan trọng ngay lúc này

Suốt phần lớn năm 2024 và 2025, câu chuyện trọng số mở chỉ là bảng đấu an ủi. Bạn chọn một mô hình tiên phong phương Tây cho việc khó và một mô hình mở cho những việc rẻ, khối lượng lớn. Khoảng cách là thật và ai cũng biết.

Cách nhìn đó đổ vỡ vào mùa hè này.

Khi Moonshot phát hành Kimi K3 vào giữa tháng 7, phản ứng của thị trường kể câu chuyện rõ hơn mọi bảng benchmark. Cổ phiếu Z.ai niêm yết tại Hồng Kông giảm tới 30%. MiniMax giảm tới 16%. Alibaba trượt 4%. Nhà đầu tư không phản ứng với một bài nghiên cứu — họ phản ứng với một mô hình mà các lập trình viên, trong những đánh giá so sánh mù, chọn hơn các hệ thống hàng đầu của Mỹ ở công việc lập trình front-end.

Rồi màn ra mắt Qwen3.8-Max của Alibaba đẩy cổ phiếu của chính hãng tăng 7% tại Hồng Kông. Cùng tuần đó, doanh thu hằng ngày của Moonshot được cho là tăng ít nhất sáu lần sau K3, khi công ty đạt 300 triệu USD doanh thu định kỳ hằng năm vào tháng 6 — tăng từ 200 triệu USD vào tháng 4 — trong lúc tìm vốn ở mức định giá 50 tỷ USD.

Đây không còn là câu chuyện về những lựa chọn thay thế giá rẻ. Đây là câu chuyện về việc liệu giá của năng lực đẳng cấp tiên phong có vừa sụp đổ hay không, và nếu có, bạn nên thực sự đưa mô hình nào trong ba mô hình này vào vận hành.

Các ứng viên

Kimi K3 (Moonshot AI)

Phát hành: July 16, 2026 (API) · July 27, 2026 (weights)

Kimi K3 là nước đi về quy mô. Với 2,8 nghìn tỷ tham số tổng, nó lớn hơn khoảng 75% so với V4 Pro của DeepSeek, mô hình từng giữ danh hiệu “mô hình mở được dùng rộng rãi lớn nhất”. Nhưng con số quan trọng với ai đang nghĩ về chi phí suy luận là con số thưa: K3 dùng thiết kế mixture-of-experts với 896 expert và chỉ 16 expert hoạt động mỗi token, đưa khoảng 50 tỷ tham số vào làm việc trong mỗi lượt lan truyền tiến.

Hai thành phần kiến trúc là của riêng Moonshot: Kimi Delta Attention, một cơ chế attention tuyến tính lai, và Attention Residuals, mà công ty mô tả là thứ thay thế trực tiếp cho các kết nối residual tiêu chuẩn và càng có lợi khi bạn mở rộng quy mô. Cả hai đều đã được công bố như nghiên cứu mở trên GitHub trước khi K3 ra mắt.

Định vị rất rõ ràng — Moonshot xây mô hình này cho kỹ thuật dài hơi. Cách công ty trình bày xoay quanh việc duy trì những phiên làm việc nhiều giờ, điều hướng các kho mã lớn và phối hợp công cụ terminal với mức giám sát tối thiểu. Mô hình có khả năng hiểu hình ảnh gốc và chế độ suy luận luôn bật, tương thích với OpenAI SDK, nên việc tích hợp chủ yếu là đổi base-URL.

Qwen3.8-Max (Alibaba)

Phát hành: July 19, 2026 (preview at WAIC Shanghai) · August 3, 2026 (general availability)

Qwen3.8-Max có 2,4 nghìn tỷ tham số tổng với khoảng 95 tỷ tham số hoạt động mỗi token — gần gấp đôi số tham số hoạt động của K3, điều này ảnh hưởng thực sự đến chi phí phục vụ mà chúng ta sẽ quay lại sau.

Điều thực sự mới ở đây không phải quy mô mà là phương thức. Đây là mô hình Qwen đầu tiên trên một nghìn tỷ tham số chuyển sang đa phương thức, nhận văn bản, hình ảnh và và video làm đầu vào. Và đây là lần đầu Alibaba cam kết mở mã nguồn một mô hình flagship hạng Max. Mọi mô hình Max trước đó — Qwen3.7-Max, Qwen3.6-Max-Preview — đều bị khóa sau API trong khi dòng trọng số mở tiếp tục riêng ở các kích thước nhỏ hơn.

Các bản demo dài hơi của Alibaba là mảng marketing ấn tượng nhất trong ba hãng. Trong một bản, mô hình được cho là đã dành hơn mười ngày tự động xây dựng một harness phần mềm tự tiến hóa, tiếp thu phản hồi và lặp qua mã, bản xem trước và log mà không cần con người can thiệp. Trong bản khác, nó tái tạo một bài nghiên cứu machine learning từ đầu: 33 vòng huấn luyện GPU trong khoảng 125 giờ, 7.600 dòng mã, rồi 18 ý tưởng cải tiến tự sinh vượt qua phương pháp của bài báo gốc. Tham gia một cuộc thi trực tiếp với 526 đội người, nó xếp trên 87% số đội.

Hãy coi đó là demo của nhà cung cấp, vì chúng đúng là như vậy. Nhưng chúng cụ thể một cách bất thường đối với demo nhà cung cấp.

GLM-5.2 (Z.ai / Zhipu AI)

Phát hành: June 13, 2026 (Coding Plan preview) · mid-June 2026 (full open release)

GLM-5.2 là mô hình nhỏ nhất ở đây, cách biệt khá xa, và tập trung sắc nét nhất. Khoảng 744–753 tỷ tham số tổng với khoảng 40 tỷ hoạt động mỗi token, nó được xây cho một việc: lập trình tác nhân dài hơi.

Sự tập trung đó thể hiện ở một thiếu sót có chủ ý. GLM-5.2 không có bộ mã hóa thị giác. Nó nhận văn bản và mã. Đưa vào một ảnh chụp màn hình, một PDF hay bản mockup giao diện là lỗi. Đồng sáng lập Z.ai Jie Tang đã công khai lý do — ông coi suy luận dựa trên văn bản, chứ không phải đầu vào thị giác, là năng lực nâng trần của trí tuệ máy. Một cuộc thăm dò cộng đồng tháng 6 về các tính năng phiên bản sau thu hơn 466.000 lượt xem, và thị giác là yêu cầu đứng đầu áp đảo. Đến nay nó vẫn chưa được phát hành.

Điều GLM-5.2 có là câu chuyện cấp phép sạch nhất trong bài so sánh này và, cách xa phần còn lại, mức giá thấp nhất. Nó ra mắt dưới giấy phép MIT không hạn chế với trọng số đã có trên Hugging Face, và có hỗ trợ ngay từ ngày đầu trên hơn hai mươi môi trường lập trình bên thứ ba.

Thông số đối chiếu

	Kimi K3	Qwen3.8-Max	GLM-5.2
Nhà phát triển	Moonshot AI	Alibaba	Z.ai (Zhipu AI)
Tổng số tham số	2.8T	2.4T	~744–753B
Tham số hoạt động mỗi token	~50B (16 trong 896 expert)	~95B	~40B
Kiến trúc	MoE thưa + Kimi Delta Attention	MoE thưa	MoE thưa + attention IndexShare
Cửa sổ ngữ cảnh	1M token	1M token (tối đa 991K đầu vào)	1M token
Đầu ra tối đa	—	131K token	128K–131K token
Đầu vào văn bản	✅	✅	✅
Đầu vào hình ảnh	✅	✅	❌
Đầu vào video	❌	✅	❌
Chế độ suy luận	Suy nghĩ luôn bật	Tiêu chuẩn / suy nghĩ (ngân sách 262K)	Cao / Max
Có sẵn trọng số	✅ 27/07/2026	⏳ Hứa hẹn trong tuần 10 tháng 8	✅ Từ tháng 6 năm 2026
Giấy phép	MIT sửa đổi (có điều kiện)	Chưa công bố	MIT (không hạn chế)
Đầu vào API / 1M	$3.00	$2.00	$1.40
Đầu ra API / 1M	$15.00	$6.00	$4.40
Đầu vào đã lưu đệm / 1M	$0.30	$0.25	$0.26

Ba điều nổi bật từ bảng đó.

Thứ nhất, GLM-5.2 làm được nhiều hơn với ít hơn. Mô hình này chỉ bằng khoảng một phần tư tổng kích thước của K3 mà vẫn cạnh tranh trên các benchmark lập trình — cho thấy quy mô không phải toàn bộ câu chuyện trong năm 2026.

Thứ hai, Số tham số hoạt động của Qwen3.8-Max là ngoại lệ. Với ~95B tham số hoạt động, con số này gần gấp đôi K3 dù tổng tham số nhỏ hơn. Tham số hoạt động quyết định chi phí phục vụ, nên ai định tự lưu trữ cần lưu ý rằng mô hình flagship của Qwen chạy đắt hơn trên mỗi token so với một mô hình nhiều hơn 400 tỷ tham số.

Thứ ba, mức chênh giá là rất lớn. Token đầu ra của K3 đắt gấp 3,4 lần GLM-5.2. Qua một tháng dùng tác nhân cường độ cao, đó không phải sai số làm tròn.

Đi sâu vào benchmark

Hiệu năng lập trình và tác nhân

Đây là nơi cả ba mô hình đều nhắm tới, nên đây là chỗ bài so sánh thực sự có ý nghĩa.

Benchmark	Kimi K3	Qwen3.8-Max	GLM-5.2
Terminal-Bench 2.1	88.3	86.6	81.0
SWE-bench Pro	—	67.7	62.1
FrontierSWE	81.2	73.5	74.4
SWE Marathon	42.0 (#1)	—	—
Program Bench	77.8 (#1)	—	—
DeepSWE	67.5	56.6	—
MCP-Atlas (dùng công cụ)	~Fable 5 −0,5	—	77.0

Để có bối cảnh cho các con số Terminal-Bench đó: GPT-5.6 Sol ở mức suy luận tối đa đạt 88,8, còn Claude Opus 4.8 và Claude Fable 5 cùng đạt 84,6 trong bảng Alibaba công bố. Kimi K3 với 88,3 kém ngôi đầu nửa điểm. Qwen3.8-Max với 86,6 vượt cả hai mô hình Claude trong cùng bảng đó. GLM-5.2 với 81,0 khi đó là điểm trọng số mở đầu tiên vượt 80.

Chiến thắng nổi bật của GLM-5.2 là trước GPT-5.5 cụ thể: 62,1 so với 58,6 trên SWE-bench Pro, và 74,4 so với 72,6 trên FrontierSWE — con số sau đưa nó gần hòa với Claude Opus 4.8 ở 75,1. Trên MCP-Atlas về dùng công cụ, nó đạt 77,0 so với 75,3 của GPT-5.5 và 77,8 của Opus 4.8.

Suy luận và kiến thức chung

Benchmark	Kimi K3	Qwen3.8-Max	GLM-5.2
GPQA Diamond	93.5	92.6	89.5
Artificial Analysis Intelligence Index	57,11 (#4 trong 189)	—	51.09
BrowseComp	91.2 (#1)	—	—
PaperBench	—	93,0 (dẫn đầu)	—
IFBench	—	82,8 (dẫn đầu)	—

Điểm 93,5 của K3 trên GPQA Diamond khi ra mắt là điểm cao nhất mà bất kỳ mô hình trọng số mở nào công bố trên benchmark đó. Trên Artificial Analysis Intelligence Index độc lập, nó đạt 57,11, xếp thứ tư trong 189 mô hình được theo dõi — sau Claude Fable 5 (59,86) và cả hai cấu hình GPT-5.6 Sol (58,89 và 57,65), nhưng trước Claude Opus 4.8 ở 55,69.

GLM-5.2 nằm thấp hơn rõ rệt trên chỉ số tổng hợp đó, ở 51,09. Khoảng cách này là cái giá thực của lợi thế giá ở khả năng suy luận chung — dù nó thu hẹp mạnh khi chỉ xét công việc lập trình thuần.

Đa phương thức và thị giác

Đây là hạng mục mà GLM-5.2 đơn giản là không cạnh tranh, và là nơi Qwen3.8-Max có lập luận mạnh nhất.

Benchmark	Qwen3.8-Max	Ghi chú
OSWorld-Verified	86.1	Tác vụ tác nhân dùng máy tính
Parametric CAD Bench	91.5	Suy luận thiết kế có cấu trúc
OmniDocBench 1.5	92.1	Hiểu tài liệu
Vision Arena	#2 toàn cầu	Chỉ sau một biến thể Fable 5

Qwen3.8-Max đứng đầu hầu hết các dòng thị giác trong bảng Alibaba công bố, và vị trí thứ hai trên Vision Arena là một tín hiệu độc lập thực sự mạnh. Kimi K3 có khả năng hiểu hình ảnh gốc và được cho là làm tốt với biểu đồ, tài liệu và công việc đa phương thức, nhưng trong ba mô hình thì Qwen làm chủ hạng mục này.

Xếp hạng theo sở thích con người

Kết quả arena mù do cộng đồng bình chọn đáng đọc riêng, tách khỏi các bảng benchmark, vì chúng bắt được điều mà bảng không thể hiện.

Frontend Code Arena: Kimi K3 xếp #1 với 1.679 Elo, trên Claude Fable 5 ở 1.631. Qwen3.8-Max xếp #4 với 1.668 — kém Claude Opus 5 37 điểm.
Text Arena: Qwen3.8-Max gia nhập với tư cách mô hình Trung Quốc xếp hạng cao nhất, dù vẫn sau vài sản phẩm của Anthropic.
Code Arena: GLM-5.2 giành vị trí thứ hai trong nhóm mô hình lập trình trên bảng xếp hạng mù.

Việc Kimi K3 thắng tuyệt đối Frontend Code Arena — trước Fable 5 — có lẽ là kết quả ấn tượng nhất trong toàn bài viết này.

Dấu hoa thị benchmark không ai nhắc

Mọi bảng ở trên đều cần một lời cảnh báo, và phiên bản trung thực của bài so sánh này phải nói thẳng điều đó.

Hiệu ứng của harness là rất lớn. Một benchmark tác nhân lập trình không đo mô hình. Nó đo mô hình cộng với môi trường chạy quanh nó: quyền truy cập công cụ, quyền trên tệp, logic nén ngữ cảnh, hành vi thử lại, quy tắc dừng. Kimi Code, Claude Code, Codex, Terminus và mini-SWE-agent đều là những harness khác nhau với năng lực khác nhau. Một kết quả gắn nhãn “Kimi K3 + Kimi Code” không thể so trực tiếp với kết quả API thuần.

Bảng ra mắt của chính Moonshot trộn nhiều harness — KimiCode và Claude Code cho K3, Claude Code cho các dòng Claude và GLM, Codex cho GPT. Một số điểm của đối thủ đến từ chính nhà cung cấp của đối thủ đó. Trong một số đánh giá, các yêu cầu tới Fable 5 bị từ chối theo chính sách sử dụng đã chuyển sang Opus 4.8. Tuy vậy, có một phép kiểm tra hữu ích nằm trong dữ liệu: K3 đạt 67,5 trên DeepSWE với KimiCode và 67,3 với harness mini-SWE-agent của chính benchmark. Chênh lệch 0,2 điểm cho thấy hiệu ứng harness với tác vụ đó là nhỏ.

Bảng của nhà cung cấp thường tô đẹp cho chính tác giả. Bảng so sánh đa phương thức của Alibaba đánh giá Qwen3.8-Max so với Qwen3.7-Plus, chứ không phải Qwen3.7-Max — điều này làm bước nhảy thế hệ trông lớn hơn thực tế. Điểm đáng ghi nhận ở Alibaba là công ty cũng công bố một đường cong mở rộng RL mà không không tô đẹp cho mình: hiệu năng đạt đỉnh 0,725 ở khoảng 4.000 môi trường huấn luyện, rồi giảm xuống 0,719 và 0,689. Đó là một công ty dám công khai lợi suất giảm dần của mình, điều mà hầu hết các lab không làm.

Kiểm chứng độc lập thì chậm hơn. GLM-5.2 phát hành mà không có bảng benchmark nào; những con số lưu hành đến sau đó từ dữ liệu nhà cung cấp và kiểm thử bên thứ ba. Năm điểm được công bố của Qwen3.8-Max là do nhà cung cấp báo cáo, chưa có đánh giá độc lập tính đến đầu tháng 8. Kimi K3 có nhiều dữ liệu bên thứ ba nhất — Artificial Analysis, Vals, Arena — và ngay ở đó các kết quả cũng không thống nhất với nhau. Vals xếp K3 thứ hai tổng thể vào ngày 17 tháng 7, giữa Fable 5 và GPT-5.6 Sol, nhưng lại đặt Sol trên K3 ở riêng Terminal-Bench 2.1 và SWE-bench Verified.

Bài kiểm thử độc lập hữu ích nhất tôi tìm được đến từ Fireworks AI, nơi chạy K3 đối đầu Claude Fable 5 trên khoảng 1.000 tác vụ tác nhân. Kết quả không phải chiến thắng rõ ràng cho bên nào. K3 nhỉnh hơn ở công việc bảo mật, crypto và các vòng terminal dài. Fable 5 thắng ở tác vụ đa ngôn ngữ và trực quan hóa web/dữ liệu. Không bên nào áp đảo.

Bài học thực tế: hãy tự đánh giá trên chính tác vụ của bạn trước khi chốt. Mỗi mô hình trong số này đều đủ gần các mô hình còn lại đến mức vị trí trên bảng xếp hạng không dự đoán được kết quả của bạn.

Giá: bài toán chi phí thực

Giá API theo token

Mô hình	Đầu vào / 1M	Đầu ra / 1M	Đầu vào đã lưu đệm / 1M
GLM-5.2	$1.40	$4.40	$0.26
Qwen3.8-Max	$2.00	$6.00	$0.25
Kimi K3	$3.00	$15.00	$0.30
Claude Sonnet 5	$2.00	$10.00	—
Claude Opus 5	$5.00	$25.00	$0.50
Claude Fable 5	$10.00	$50.00	—

Hai nhận xét quan trọng hơn các con số thô.

Kimi K3 được định giá như một mô hình tầm trung phương Tây, không phải lựa chọn thay thế tiết kiệm. Ở mức $3/$15, nó đắt hơn trên mỗi token đầu ra so với Claude Sonnet 5 và đắt gấp 3,4 lần GLM-5.2. Nếu bạn từng cho rằng “mô hình trọng số mở Trung Quốc” nghĩa là “rẻ”, K3 phá vỡ giả định đó.

Cache mới là đòn bẩy thực sự, không phải giá niêm yết. Đầu vào đã cache của Qwen ở mức $0,25 rẻ hơn tám lần so với đầu vào mới, và tài liệu của chính Alibaba nêu rõ rằng độ ổn định của tiền tố ảnh hưởng chi phí nhiều hơn độ dài prompt. Với khối lượng tác nhân có system prompt ổn định và hội thoại dài dần, cache mạnh sẽ làm thay đổi hóa đơn của bạn nhiều hơn việc chọn mô hình. Qwen cũng cung cấp tạo cache rõ ràng ở mức $2,50 và đọc rõ ràng ở mức $0,17 cho những khối lượng bạn có thể lên kế hoạch.

Gói đăng ký

Nếu bạn là lập trình viên độc lập hoặc nhóm nhỏ, có thể bạn không mua theo giá từng token.

GLM Coding Plan có ba bậc. Giá cơ bản hằng tháng là $18 (Lite), $72 (Pro) và $160 (Max), với chiết khấu theo chu kỳ thanh toán — 10% theo tháng, 20% theo quý, 30% theo năm. Thanh toán theo năm tương đương khoảng $12,60, $50,40 và $112 mỗi tháng. Mỗi bậc cho bạn một lượng prompt làm mới mỗi năm giờ, và gói này dùng được ngay với Claude Code, Cline, Kilo Code và OpenClaw.

Một điểm cần hiểu: mức tiêu thụ hạn mức dùng hệ số nhân. Dùng GLM-5.2 ngoài giờ cao điểm ở mức 1× đến hết tháng 9 năm 2026 như một chương trình khuyến mãi. Sau đó nó trở lại 2× ngoài giờ cao điểm và 3× giờ cao điểm — nghĩa là hạn mức thực tế của bạn phụ thuộc nhiều vào thời điểm bạn làm việc, chứ không chỉ làm bao nhiêu.

Qwen cung cấp gói đăng ký Token Plan từ khoảng $6/tháng (39 CNY) ở bậc Lite như một lựa chọn thay cho tính phí theo token.

Moonshot vận hành các bậc đăng ký cho ứng dụng Kimi, đặt tên theo các ký hiệu tốc độ — Moderato, Allegro, Allegretto và Vivace — còn bản thân ứng dụng miễn phí trong giới hạn chung.

Chi phí mỗi tác vụ so với chi phí mỗi token

Đây là cái bẫy: giá mỗi token không phải chi phí cho một tác vụ hoàn thành.

Một mô hình giải quyết vấn đề của bạn trong một lượt với giá $15/1M đầu ra có thể rẻ hơn nhiều so với mô hình cần bốn lần lặp ở $4,40/1M. Token suy luận được tính theo giá đầu ra ở cả ba mô hình này, và riêng K3 luôn bật chế độ suy nghĩ — một phân tích ghi nhận K3 hoàn thành bộ kiểm thử Artificial Analysis với tổng chi phí thấp hơn một chút so với GPT-5.6 Sol dù tạo ra nhiều token đầu ra hơn đáng kể, vì nó cần ít lần thử hơn.

Hãy đo chi phí trên mỗi ticket được xử lý xong, không phải chi phí trên mỗi triệu token. Đó là con số duy nhất phản ánh thực tế.

“Trọng số mở” thực sự nghĩa là gì ở đây

Đây là phần mà hầu hết các bài viết về ba mô hình này đều sụp đổ, vì từ “mở” đang phải gánh một trọng trách khổng lồ trong rất nhiều tiêu đề.

Ba trạng thái khác nhau đang bị gộp vào một từ:

Có sẵn qua API — bạn gọi được nó, nhưng không sở hữu nó
Trọng số mở — bạn có thể tải các tham số về
Mã nguồn mở với giấy phép thoáng — bạn có thể tải, sửa, phân phối lại và thương mại hóa tự do

Đây là vị trí thực tế của từng mô hình.

GLM-5.2: thực sự mở

Giấy phép MIT, không hạn chế, trọng số nằm trên Hugging Face tại zai-org/GLM-5.2. Tải về, tinh chỉnh, tự lưu trữ, bán sản phẩm xây trên đó. Không ngưỡng doanh thu, không yêu cầu ghi nguồn, không thương lượng. Đây là mức giấy phép trọng số mở sạch sẽ nhất có thể, và đó là một lợi thế cạnh tranh thật sự thường bị bàn tới quá ít, vì giấy phép MIT không phải là tiêu đề giật gân.

Kimi K3: mở nhưng có điều kiện

Trọng số được phát hành ngày 27 tháng 7 theo một giấy phép tùy chỉnh mà Moonshot gọi là Kimi K3 License. Việc sử dụng thương mại rộng rãi được cho phép, nhưng có hai điều kiện:

Bất kỳ công ty nào có doanh thu hằng năm trên $20 triệu phải đàm phán hợp đồng với Moonshot trước khi cung cấp K3 cho khách hàng bên ngoài dưới dạng dịch vụ
Bất kỳ công ty nào có doanh thu hằng tháng trên $20 triệu hoặc hơn 100 triệu người dùng hoạt động hằng tháng phải hiển thị ghi công Kimi K3 trong mọi sản phẩm có tích hợp mô hình này

Với một lập trình viên độc lập hay một startup, cả hai điều kiện đều không ràng buộc. Với một công ty SaaS đã ổn định và đang tính bán lại dịch vụ suy luận chạy trên K3, điều kiện thứ nhất chắc chắn ràng buộc. Hãy đọc giấy phép trước khi xây mô hình kinh doanh trên đó.

Qwen3.8-Max: chưa mở

Đây là phần cần nói thẳng, vì rất nhiều tiêu đề đã gọi Qwen3.8-Max là mã nguồn mở.

Tính đến ngày 5 tháng 8 năm 2026, trọng số của Qwen3.8-Max vẫn chưa thể tải về. Alibaba cam kết ngay khi ra mắt sẽ phát hành trọng số “tuần sau” — tức tuần 10 tháng 8 — trên Hugging Face và ModelScope, cho cả Qwen3.8-Max và một checkpoint nhỏ hơn là Qwen3.8-27B. Chưa có giấy phép nào được nêu tên. Tìm kiếm Qwen3.8 trên Hugging Face tính đến ngày 4 tháng 8 không trả về model card chính thức nào của Alibaba, chỉ có các bản tải lên của cộng đồng với những cái tên như Qwen3.8_4B_Distilled — các bản chưng cất của bên thứ ba, không phải mô hình chủ lực, và rất dễ bị nhầm với bản thật nếu bạn chỉ lướt qua nhanh.

Có lý do để lạc quan thận trọng: Alibaba có thành tích mã nguồn mở thực sự, với các dòng Qwen3 và Qwen3.5 phát hành theo Apache 2.0. Nhưng cũng có một hình mẫu ngược lại — mọi mô hình chủ lực thuộc dòng Max kể từ Qwen3-Max đều là độc quyền. Nếu trọng số được phát hành với giấy phép thoáng, điều đó phá vỡ hoàn toàn hình mẫu này và có thể nói là một câu chuyện lớn hơn cả số tham số. Cho đến khi có một kho lưu trữ và một tệp giấy phép, hãy tính toán dựa trên API.

Bạn có thực sự tự lưu trữ được những mô hình này?

Trọng số mở chỉ hữu ích nếu bạn chạy được chúng, và đây là chỗ mà phần tiếp thị và thực tế phần cứng tách xa nhau rõ rệt.

Kimi K3 là một bản tải về 1,56 TB, được phát hành ở độ chính xác MXFP4 để tương thích phần cứng rộng hơn. Dù vậy, một mô hình 2,8 nghìn tỷ tham số vẫn cần hạ tầng cấp supernode — 64 accelerator trở lên là con số được khuyến nghị. Với phần lớn các đội ngũ, trọng số chỉ là một hiện vật nghiên cứu và một bảo đảm chủ quyền, không phải một kế hoạch triển khai. Bạn sẽ dùng API.

Qwen3.8-Max với tổng 2,4T cũng tương tự là một hiện vật trung tâm dữ liệu đa nút. Bản nhỏ hơn của Alibaba, Qwen3.8-27B checkpoint là con đường on-premise thực tế, và là bản mà bất kỳ ai thực sự có ý định tự lưu trữ đều nên quan tâm.

GLM-5.2 với tổng khoảng 753B và khoảng 40B tham số hoạt động, là mô hình dễ vận hành nhất trong ba, nhưng “dễ vận hành nhất” vẫn có nghĩa là hạ tầng GPU nghiêm túc. Các doanh nghiệp nhỏ thường không có được hạ tầng đó.

Vậy tại sao trọng số mở lại quan trọng nếu gần như không ai chạy được chúng? Hai lý do, cả hai đều thật.

Lý do thứ nhất là chủ quyền. Các quốc gia chi hàng tỷ đô la cho hạ tầng AI nội địa phần lớn sở hữu phần cứng nhưng phải thuê mô hình từ các nhà cung cấp Mỹ. Một mô hình tiên tiến có trọng số mở thay đổi bài toán đó — một chính phủ có thể chạy nó trên đất của mình, huấn luyện lại cho ngôn ngữ và bối cảnh pháp lý của mình, và giữ dữ liệu công dân trong biên giới.

Lý do thứ hai là thị trường suy luận. Trọng số mở nghĩa là bất kỳ nhà cung cấp hosting nào cũng có thể phục vụ mô hình, điều này kéo giá mỗi token xuống nhờ cạnh tranh chứ không nhờ thiện chí của nhà bán. Đó là phần lớn lý do GLM-5.2 có sẵn ở mức đầu vào $1,00–$1,20 qua các router bên thứ ba, thấp hơn mức $1,40 của chính Z.ai.

Ba cửa sổ ngữ cảnh 1M không giống nhau

Cả ba mô hình đều quảng cáo cửa sổ ngữ cảnh 1 triệu token. Đó là khoảng 750.000 từ — cả một codebase lớn, hoặc khoảng 400 trang tài liệu, trong một yêu cầu duy nhất.

Các chi tiết khác nhau theo những cách quan trọng khi vận hành:

Qwen3.8-Max giới hạn đầu vào thực tế ở 991K token, giảm còn 983K khi bật chế độ suy nghĩ, với ngân sách suy luận tối đa riêng là 262K. Đầu ra tối đa 131K token ở cả hai chế độ. Giới hạn tốc độ là 2M token mỗi phút và 15K yêu cầu mỗi phút.
GLM-5.2 hỗ trợ đầu ra tới 128–131K token, đủ cho các diff nhiều tệp lớn trong một lần. Cửa sổ 1M của nó là bước nhảy khoảng 5× so với ~200K của GLM-5.1, và đây là nâng cấp làm thay đổi nhiều nhất những gì mô hình làm được.
Kimi K3 cung cấp ngữ cảnh 1M với tín hiệu truy xuất ngữ cảnh dài mạnh nhất trong ba, vì kiến trúc của nó được thiết kế riêng cho các phiên chạy dài.

Câu hỏi hữu ích hơn “cửa sổ lớn đến đâu” là “mô hình có còn mạch lạc ở tận cuối cửa sổ đó không.” Ngữ cảnh quảng cáo và ngữ cảnh dùng được tách rời nhau, và không mô hình nào trong ba mô hình này được kiểm thử độc lập ở độ dài tối đa theo cách tôi coi là kết luận. Nếu khối lượng công việc của bạn phụ thuộc vào khả năng nhớ thật sự 800K token, hãy kiểm tra trước khi thiết kế hệ thống quanh nó.

Nên chọn mô hình nào?

Với lập trình viên làm một mình hoặc indie hacker → GLM-5.2

Bài toán kinh tế là yếu tố quyết định. Gói Lite Coding Plan giá $12,60/tháng khi thanh toán theo năm cho bạn một tác nhân lập trình thực sự có năng lực bên trong Claude Code hoặc Cline, kèm bản dùng thử miễn phí năm ngày qua ZCode (3 triệu token GLM-5.2 cộng 2 triệu token GLM-5-Turbo mỗi ngày) để bạn đánh giá thực tế trước khi trả bất kỳ khoản nào.

Bạn đánh đổi khả năng thị giác. Nếu công việc của bạn là backend, CLI, viết script hay phát triển API, bạn hiếm khi nhận ra. Nếu bạn làm front-end từ các bản mockup thiết kế, bạn sẽ nhận ra ngay.

Với đội kỹ thuật của startup → GLM-5.2 là chính, Kimi K3 để leo thang

Hãy chuyển phần giữa rộng lớn của công việc — sửa lỗi thường ngày, refactor, sinh test, code boilerplate — sang GLM-5.2 và để dành K3 cho những tác vụ mà năng lực tăng thêm thực sự chuyển thành một ticket hoàn thành. Khoảng cách 7 điểm trên SWE-bench Pro giữa hai mô hình là thật, nhưng nó chỉ quan trọng ở phần đuôi khó.

Với doanh nghiệp lớn và các ngành chịu quản lý chặt → GLM-5.2 tự lưu trữ, hoặc Qwen3.8-27B khi ra mắt

Chi tiết quan trọng: API đám mây của Z.ai đi qua hạ tầng đặt tại Trung Quốc. Với dự án cá nhân và hầu hết startup, đây không phải vấn đề. Với một doanh nghiệp chịu quản lý chặt, nó đòi hỏi hoặc một đánh giá pháp lý hoặc chuyển sang tự lưu trữ. Giấy phép MIT khiến việc tự lưu trữ thực sự khả thi theo cách mà các điều kiện ngưỡng doanh thu của K3 không làm được.

Với quy trình làm việc đa phương thức và sử dụng máy tính → Qwen3.8-Max

Nếu tác nhân của bạn cần đọc ảnh chụp màn hình, phân tích tài liệu bằng hình ảnh hoặc xử lý video, GLM-5.2 bị loại và Qwen dẫn trước Kimi về các con số thị giác đã công bố. OSWorld-Verified ở 86,1 và OmniDocBench ở 92,1 là những tín hiệu mạnh về sử dụng máy tính và hiểu tài liệu. Chỉ cần dự trù ngân sách cho việc dùng API thay vì tự lưu trữ cho đến khi trọng số và giấy phép thực sự xuất hiện.

Với nhà nghiên cứu và các triển khai chú trọng chủ quyền → Kimi K3

Checkpoint trọng số mở lớn nhất từng được công bố, kèm báo cáo kỹ thuật về thiết kế, huấn luyện và phương pháp benchmark. Nếu bạn đang nghiên cứu kiến trúc MoE quy mô tiên tiến, Kimi Delta Attention hay Attention Residuals, đây là mô hình mạnh nhất mà bạn thực sự có thể xem xét.

Với năng lực tối đa bất kể chi phí → Kimi K3

Đứng thứ tư trên Artificial Analysis, thứ hai trên Vals Index, thứ nhất trên Frontend Code Arena, và là mô hình duy nhất trong ba mô hình thường xuyên đổi thắng với các mô hình chủ lực của Claude và GPT. Giá của nó cũng tương xứng.

Chiến lược định tuyến đa mô hình

Câu trả lời trung thực cho câu hỏi “tôi nên dùng cái nào” là việc chọn một mô hình thường là cách đặt vấn đề sai.

Cả ba mô hình này đều tương thích với OpenAI SDK. GLM-5.2 còn cung cấp endpoint tương thích Anthropic, và Qwen hỗ trợ cả đặc tả OpenAI lẫn DashScope. Chuyển đổi giữa chúng chỉ là đổi base URL và model ID. Gần như không có chi phí khóa chặt.

Điều đó khiến kiến trúc định tuyến trở nên rẻ để xây và đắt nếu bỏ qua:

Tầng rẻ cho công việc khối lượng lớn, ít rủi ro. Phân loại, tóm tắt, chỉnh sửa đơn giản. GLM-4.7 ở mức $0,60/$2,20 xử lý được nhiều hơn người ta tưởng — nó vẫn đạt 73,8% trên SWE-bench Verified.
Tầng mặc định cho phần lớn công việc thật. GLM-5.2 hoặc Qwen3.8-Max tùy vào việc bạn có cần thị giác hay không.
Tầng leo thang cho phần đuôi khó. Kimi K3, hoặc một mô hình chủ lực phương Tây, cho những tác vụ mà thất bại gây tốn kém và chi phí lặp lại vượt chi phí token.
Định tuyến chuyên biệt theo loại tác vụ. Dữ liệu của Fireworks ở đây rất đáng tham khảo — K3 vượt trội về bảo mật và các vòng lặp terminal dài, trong khi Fable 5 thắng ở đa ngôn ngữ và trực quan hóa dữ liệu. Đó là những khác biệt có thể định tuyến được, không phải nhiễu.

Những đội ngũ khai thác tốt nhất bối cảnh mô hình năm 2026 không phải là những người chọn đúng. Họ là những người đã xây công tắc chuyển đổi.

Rủi ro, lưu ý và dấu hiệu cảnh báo

Cáo buộc chưng cất. Michael Kratsios, giám đốc Văn phòng Chính sách Khoa học và Công nghệ Nhà Trắng, đã công khai cáo buộc Moonshot xây Kimi K3 bằng cách chưng cất mô hình Claude Fable của Anthropic. Moonshot chưa thừa nhận điều này. Đây là một tranh chấp chưa được giải quyết, có thể kéo theo hệ quả pháp lý và mua sắm, và nếu bạn ở trong bối cảnh mà nguồn gốc mô hình quan trọng — ví dụ hợp đồng chính phủ — thì nó cần nằm trong danh sách rủi ro của bạn.

Định tuyến dữ liệu và thẩm quyền tài phán. Cả ba công ty đều hoạt động chủ yếu dưới thẩm quyền tài phán của Trung Quốc. Các lệnh gọi API đi qua hạ tầng của họ. Tự lưu trữ giải quyết được điều này; dùng API thì không. Đây là câu hỏi tuân thủ, không phải câu hỏi chính trị, và nó có câu trả lời kỹ thuật rõ ràng nếu yêu cầu của bạn đòi hỏi.

Việc kiểm chứng benchmark thực sự còn mỏng. Bảng benchmark của Qwen3.8-Max hoàn toàn do nhà cung cấp báo cáo, chưa có bản lặp lại độc lập nào được công bố. Các con số của GLM-5.2 đến sau khi ra mắt từ nhiều nguồn khác nhau. Chỉ K3 có đánh giá đáng kể của bên thứ ba, và những đánh giá đó không đồng ý với nhau.

Sự không chắc chắn về giấy phép của Qwen. Tiền lệ không phải cam kết. Cho đến khi tồn tại một kho Hugging Face với tệp giấy phép thật, mọi kế hoạch phụ thuộc vào trọng số Qwen3.8-Max đều là kế hoạch xây trên một thông cáo báo chí.

Cơ chế hạn mức thay đổi. Chương trình khuyến mãi hệ số 1× ngoài giờ cao điểm của GLM hết hạn vào tháng 9 năm 2026, sau đó mức tiêu thụ hạn mức tăng khoảng gấp đôi ngoài giờ cao điểm và gấp ba vào giờ cao điểm. Nếu bạn đang tính toán một gói đăng ký dựa trên thông lượng hiệu dụng hiện tại, hãy mô hình hóa cả các con số sau khuyến mãi.

Nhịp phát hành rất khắc nghiệt. GLM-5 ra mắt tháng 2, 5.1 tháng 4, 5.2 tháng 6. Kimi đi từ K2.5 tháng 1, K2.6 tháng 4, K2.7 Code tháng 6, K3 tháng 7. Mọi kết luận bạn đưa ra hôm nay chỉ có hạn sử dụng tính bằng tuần.

Điều gì tiếp theo

Mô hình chủ lực tiếp theo của Z.ai là bản phát hành gần hạn được mong chờ nhất. Một báo cáo nghiên cứu của JPMorgan, được Reuters và CGTN đưa lại, chỉ ra khung tháng 8 năm 2026. Các rò rỉ từ cộng đồng mô tả một mô hình trên một nghìn tỷ tham số với cửa sổ ngữ cảnh 1M được giữ nguyên và trọng số mở, tập trung vào các tác nhân lập trình chạy dài. Ngay cả cái tên cũng còn tranh cãi — GLM-5.3, GLM-5.5 và GLM-6 đều xuất hiện trong các thảo luận hiện nay, với một số nguồn cho rằng Z.ai có thể bỏ qua hẳn 5.3 và 5.4. Tính đến ngày 4 tháng 8, tài liệu của Z.ai vẫn liệt kê GLM-5.2 là bản phát hành mới nhất. Hỗ trợ thị giác là yêu cầu được cộng đồng nhắc nhiều nhất, vượt xa các yêu cầu khác.

Trọng số Qwen3.8-Max là sự kiện cụ thể gần nhất, được hứa vào tuần 10 tháng 8 cùng với Qwen3.8-27B. Checkpoint 27B là bản cần theo dõi cho việc triển khai tại chỗ thực tế.

Báo cáo kỹ thuật đầy đủ của Kimi K3 bao gồm thiết kế, phương pháp huấn luyện và tái lập benchmark, được cho là sẽ ra sau khi phát hành trọng số.

Tôi sẽ cập nhật bài so sánh này khi từng mục trong số đó ra mắt.

Câu hỏi thường gặp

Mô hình AI trọng số mở tốt nhất hiện nay là mô hình nào?

Về năng lực thuần túy, Kimi K3 — nó đứng thứ tư trong 189 mô hình trên Artificial Analysis Intelligence Index và thứ nhất trên Frontend Code Arena. Về giá trị cho công việc lập trình, GLM-5.2, với chi phí đầu ra chưa bằng một phần ba K3 và giấy phép MIT thực sự không hạn chế. “Tốt nhất” hoàn toàn phụ thuộc vào việc bạn tối ưu cho năng lực hay cho chi phí trên mỗi tác vụ được xử lý.

Qwen3.8-Max có thực sự là mã nguồn mở không?

Chưa. Tính đến ngày 5 tháng 8 năm 2026, nó chỉ có qua API. Alibaba cam kết phát hành trọng số vào tuần 10 tháng 8 trên Hugging Face và ModelScope, nhưng chưa có kho lưu trữ hay giấy phép nào xuất hiện. Những tiêu đề gọi nó là mã nguồn mở đang mô tả một cam kết, không phải một bản tải về.

GLM-5.2 có xử lý được hình ảnh không?

Không. GLM-5.2 không có bộ mã hóa thị giác — nó chỉ nhận văn bản và mã. Đây là quyết định kiến trúc có chủ đích, không phải sơ suất, và thị giác là yêu cầu được cộng đồng nhắc nhiều nhất cho bản phát hành tiếp theo.

Kimi K3 giá bao nhiêu?

$3 mỗi triệu token đầu vào và $15 mỗi triệu token đầu ra, với đầu vào được cache ở mức $0,30. Điều đó khiến nó là mô hình đắt nhất trong ba với khoảng cách lớn, dù vẫn thấp hơn nhiều so với Claude Opus 5 ở mức $5/$25 và Claude Fable 5 ở mức $10/$50.

Tôi có thể chạy các mô hình này trên phần cứng của mình không?

Thực tế thì không phải các mô hình chủ lực. Kimi K3 là bản tải về 1,56 TB cần 64+ accelerator. Qwen3.8-Max ở 2,4T là một triển khai trung tâm dữ liệu đa nút. GLM-5.2 với tổng khoảng 753B và khoảng 40B hoạt động là mô hình dễ vận hành nhất nhưng vẫn cần hạ tầng GPU nghiêm túc. Qwen3.8-27B sắp ra là lựa chọn tại chỗ thực tế.

Mô hình nào tốt nhất cho các tác nhân lập trình?

Kimi K3 dẫn đầu trên Terminal-Bench 2.1 (88,3), Program Bench và SWE Marathon. GLM-5.2 có tỷ lệ chi phí trên năng lực tốt nhất với 81,0 trên Terminal-Bench và 62,1 trên SWE-bench Pro. Qwen3.8-Max nằm giữa với 86,6 và 67,7 trong khi bổ sung đầu vào đa phương thức. Cả ba đều hoạt động với Claude Code, Cline và các harness tương tự.

Các mô hình này có đánh bại Claude và GPT không?

Ở một số benchmark cụ thể, đôi khi có. Kimi K3 dẫn Frontend Code Arena trước Claude Fable 5 và đạt điểm cao hơn Claude Opus 4.8 trên chỉ số Artificial Analysis. Nhưng chính Moonshot thừa nhận K3 vẫn kém Fable 5 và GPT-5.6 Sol về tổng thể, và các thử nghiệm độc lập cho thấy kết quả khác nhau theo loại tác vụ chứ không có người thắng rõ ràng.

Mô hình nào có giấy phép tốt nhất cho mục đích thương mại?

GLM-5.2, rõ ràng. MIT không hạn chế, không ngưỡng doanh thu, không yêu cầu ghi nguồn. Giấy phép tùy chỉnh của Kimi K3 cho phép sử dụng thương mại rộng rãi nhưng thêm điều kiện cho các công ty có doanh thu trên $20 triệu khi bán lại nó dưới dạng dịch vụ. Qwen3.8-Max chưa có giấy phép nào được công bố.

Dùng mô hình AI Trung Quốc cho dữ liệu doanh nghiệp có an toàn không?

Các lệnh gọi API đi qua hạ tầng thuộc thẩm quyền tài phán của Trung Quốc. Với dự án cá nhân và hầu hết startup, đây không phải vấn đề. Với các ngành chịu quản lý chặt, nó cần hoặc đánh giá pháp lý hoặc tự lưu trữ — đây chính là lý do giấy phép MIT của GLM-5.2 quan trọng hơn điểm benchmark của nó với một số tổ chức.

Tổng tham số và tham số hoạt động khác nhau thế nào?

Các mô hình mixture-of-experts chỉ kích hoạt một phần tham số cho mỗi token. Kimi K3 có tổng 2,8T nhưng chỉ kích hoạt khoảng 50B (16 trong 896 expert). Qwen3.8-Max có tổng 2,4T với khoảng 95B hoạt động. GLM-5.2 có khoảng 753B với khoảng 40B hoạt động. Tham số hoạt động quyết định chi phí suy luận — đó là lý do mô hình chủ lực của Qwen đắt hơn để phục vụ so với K3 lớn hơn.

Kết luận cuối cùng

Điều quan trọng nhất mà bài so sánh này cho thấy không phải là mô hình nào thắng. Mà là câu hỏi đã thay đổi.

Hai năm trước, câu hỏi thú vị về các mô hình trọng số mở là chúng tụt lại bao xa. Câu hỏi đó giờ đã nhàm, vì câu trả lời là “đủ gần để còn tùy vào tác vụ của bạn.” Kimi K3 đánh bại Claude Fable 5 trên một bảng xếp hạng sở thích con người mù về mã front-end. GLM-5.2 đánh bại GPT-5.5 trên các bản sửa lỗi thật với chi phí bằng một phần sáu. Đây không phải những kết quả của giải an ủi.

Câu hỏi thú vị hiện nay là bạn thực sự đang mua gì. Và câu trả lời khác nhau cho từng mô hình trong ba, theo những cách không liên quan gì đến vị trí benchmark:

GLM-5.2 bán cho bạn sự độc lập. Trọng số MIT, không điều kiện, không thương lượng, giá thấp nhất trong bài so sánh. Bạn đang mua quyền không còn phụ thuộc vào một nhà bán.
Kimi K3 bán cho bạn năng lực. Điểm số mạnh nhất ở đây, với mức giá phản ánh điều đó, cùng các điều kiện giấy phép chỉ có hiệu lực nếu bạn trở nên lớn.
Qwen3.8-Max bán cho bạn bề rộng. Văn bản, hình ảnh và video trong một mô hình, các con số tác nhân mạnh, được hậu thuẫn bởi cam kết hạ tầng $53 tỷ của Alibaba — và, hiện tại, là một lời hứa về trọng số chứ chưa phải trọng số.

Nếu phải nén lại thành một dòng cho mỗi mô hình: chọn GLM-5.2 nếu bạn tự trả hóa đơn, Kimi K3 nếu năng lực đáng để trả thêm, và Qwen3.8-Max nếu tác nhân của bạn cần đôi mắt.

Và dù bạn chọn mô hình nào, hãy xây router. Trong một bối cảnh mà ba mô hình tiệm cận hàng đầu ra mắt trong tám tuần, khả năng chuyển đổi đáng giá hơn khả năng chọn đúng.

Cập nhật lần cuối: ngày 5 tháng 8 năm 2026. Giá, benchmark và giấy phép trong lĩnh vực này thay đổi hằng tuần — hãy kiểm tra các con số hiện tại với tài liệu chính thức trước khi ra quyết định mua sắm. Nguồn bao gồm VentureBeat, MarkTechPost, Fortune, SCMP, Quartz, Artificial Analysis, Northflank và tài liệu của nhà cung cấp từ Moonshot AI, Alibaba Qwen và Z.ai.