Muse Ember đấu Claude Haiku 5.5 và GPT-6 Luna: cùng 36 điểm, rẻ hơn khoảng 1/3 — đáng tin tới đâu?

Trong bảng xếp hạng Intelligence Index v5 mà Artificial Analysis công bố ngày 09/11/2026, Muse Ember so với Claude Haiku 5.5 cho ra một kết quả gây bất ngờ: model nhỏ nhất của Meta đạt cùng 36 điểm với đối thủ nhà Anthropic ở mức suy luận cao nhất — nhưng chi phí cho mỗi tác vụ chỉ khoảng 1/3. Nghe thì quá tốt để tin. Nhưng trước khi kết luận “Ember thắng”, cần đọc kỹ một điều: toàn bộ số liệu trong bài này đều do Artificial Analysis và các nhà cung cấp công bố, chưa có phép đo độc lập nào xác nhận. Bài viết đặt các con số lên bàn cân — cả điểm mạnh lẫn điểm yếu — để bạn tự đánh giá xem Ember có thực sự đáng dùng hay không.

Muse Ember so với Claude Haiku: cùng 36 điểm, rẻ hơn khoảng 1/3

Trên thang Intelligence Index v5 của Artificial Analysis, Muse Ember đạt 36 điểm — bằng đúng số điểm của Claude Haiku 5.5 khi model này chạy ở mức suy luận cao nhất. Đây là bảng xếp hạng tổng hợp khả năng của các model AI, và việc một model “nhỏ nhất, rẻ nhất” của Meta ngang điểm với một model chủ lực của Anthropic là điều không ai dự đoán trước.

Điểm gây chú ý hơn nằm ở chi phí. Theo Artificial Analysis, chi phí cho mỗi tác vụ trong bài benchmark là khoảng 0,14 USD với Ember, khoảng 0,41 USD với Haiku — tức Ember chỉ tốn khoảng 1/3. Để thấy mức chênh lệch này lớn tới đâu, hãy nhìn sang Muse Spark 1.3 — model mạnh hơn trong cùng họ Muse — với chi phí khoảng 2,39 USD cho mỗi tác vụ, gấp Ember khoảng 17 lần.

Nói cách khác, nếu bạn chạy 1.000 tác vụ giống nhau, Ember tốn khoảng 140 USD, Haiku tốn khoảng 410 USD, còn Spark 1.3 tốn tới khoảng 2.390 USD. Với các hệ thống phải xử lý hàng nghìn tác vụ mỗi ngày, chênh lệch này không còn là chuyện nhỏ — nó quyết định một dịch vụ AI có lãi hay không.

Tuy nhiên, đừng vội kết luận chỉ từ một con số tổng hợp. Điểm 36 là điểm trung bình trên nhiều bài kiểm tra khác nhau, và Ember thắng ở một số bài, thua ở một số bài khác. Muốn biết Ember thực sự mạnh ở đâu, yếu ở đâu, phải nhìn vào từng bài kiểm tra riêng.

Terminal-Bench 4.0: Ember nhỉnh hơn ở tác vụ thực tế

Ở bài kiểm tra Terminal-Bench 4.0 — bài kiểm tra khả năng làm việc thực tế qua dòng lệnh, nơi model phải tự thực hiện các tác vụ như một lập trình viên thật — Ember đạt 40,9%, nhỉnh hơn Haiku với 39,2%. GPT-6 Luna của OpenAI tụt lại khá xa ở mức 16,4%.

Kết quả này khớp với cách Meta định vị Ember: model cho các công việc lặp lại của agent, trong đó có tác vụ code nhỏ và gọi tool. Khi việc cần làm là chuỗi thao tác cụ thể, có quy trình rõ ràng, Ember làm tốt ngang — thậm chí nhỉnh hơn — các đối thủ đắt tiền hơn.

Nhưng cũng cần nói rõ: Terminal-Bench đo khả năng thực thi tác vụ, không đo khả năng suy luận sâu hay viết code phức tạp. Thắng ở đây nghĩa là Ember làm việc vặt giỏi, chưa có nghĩa là Ember thông minh hơn Haiku về mọi mặt.

GPT-6 Luna đứng ở đâu trong cuộc đua này?

GPT-6 Luna, model mới của OpenAI, đạt 28 điểm trên Intelligence Index v5 — thấp hơn cả Ember và Haiku tới 8 điểm. Ở Terminal-Bench 4.0, Luna chỉ đạt 16,4%, chưa bằng một nửa của Ember.

Con số này cho thấy Luna không cùng “hạng cân” với hai đối thủ còn lại trong đợt đo này — ít nhất là ở các bài kiểm tra mà Artificial Analysis đã công bố. Dĩ nhiên, một bảng xếp hạng không nói lên tất cả: Luna có thể mạnh ở những khía cạnh khác chưa được đo, hoặc phù hợp với những tác vụ khác. Nhưng nếu chỉ xét riêng hai bài kiểm tra trên, Luna đang ở vị trí thứ ba với khoảng cách khá rõ.

Điểm yếu của Ember: kiến thức chung và code phức tạp

Bảng điểm đẹp của Ember có hai vết nứt đáng chú ý — và cả hai đều quan trọng với người dùng thực tế.

Thứ nhất, Ember thua Haiku ở FrontierCode 2.0 — bài kiểm tra code phức tạp, nơi model phải xử lý những bài toán lập trình khó, nhiều bước suy luận. Điều này có nghĩa: code nhỏ, code lặp lại thì Ember làm tốt; nhưng gặp bài toán code khó, cần suy luận sâu, Haiku vẫn là lựa chọn an toàn hơn.

Thứ hai, kiến thức chung là điểm yếu của Ember. Theo nhận xét của Artificial Analysis, Ember từ chối trả lời tới 64% câu hỏi đố vui và kiến thức chung (trivia). “Từ chối trả lời” ở đây nghĩa là model chọn không đưa ra câu trả lời thay vì đoán bừa — một kiểu thận trọng, nhưng trong bài kiểm tra thì vẫn tính là không đạt. Với người dùng, điều này có nghĩa: hỏi Ember những việc cụ thể, có dữ liệu rõ ràng thì tốt; nhưng hỏi kiến thức chung, đố vui, chuyện “biết tuốt” thì Ember yếu hẳn so với các đối thủ.

Hai điểm yếu này vẽ ra ranh giới rất rõ cho Ember: mạnh ở việc lặp lại có quy trình, yếu ở việc cần kiến thức rộng và suy luận sâu. Đây không phải lỗi của Ember — đó là cái giá của việc làm model nhỏ và rẻ. Vấn đề chỉ nảy sinh khi người ta dùng Ember cho việc mà nó không được thiết kế để làm.

Vì sao cùng giá token mà Ember rẻ hơn?

Một chi tiết dễ gây hiểu lầm: giá token của Ember và Haiku là như nhau — cùng 0,10 USD cho mỗi 1 triệu token đầu vào và 0,50 USD cho mỗi 1 triệu token đầu ra. Vậy vì sao chi phí mỗi tác vụ của Ember chỉ bằng khoảng 1/3?

Câu trả lời nằm ở số token mỗi model dùng để hoàn thành cùng một việc. Haiku tốn nhiều token hơn cho mỗi tác vụ — có thể vì nó “suy nghĩ” dài hơn, viết câu trả lời dài hơn, hoặc thử nhiều bước hơn. Chi phí thực tế bằng giá token nhân với số token dùng, nên dù đơn giá bằng nhau, tổng tiền vẫn chênh lệch lớn.

Đây là bài học thực tế cho bất kỳ ai chọn model theo bảng giá: đừng chỉ nhìn giá token, hãy nhìn chi phí cho mỗi tác vụ hoàn thành. Một model rẻ theo giá token nhưng “nói nhiều” có thể tốn tiền hơn một model đắt hơn nhưng làm việc gọn gàng. Muốn biết giá API chi tiết và các giới hạn kỹ thuật của Ember, hãy xem bài Muse Ember là gì? Model nhỏ nhất, rẻ nhất của Meta ra mắt 09/11. Còn nếu muốn đối chiếu với model lớn nhất trong cùng họ Muse, bạn có thể xem bài Muse Wonder giá bao nhiêu, dùng API tốn bao nhiêu tiền.

Nên dùng Ember khi nào, khi nào cần model mạnh hơn?

Nên dùng Ember khi công việc của bạn lặp đi lặp lại, có quy trình rõ ràng và khối lượng lớn: phân loại hàng nghìn yêu cầu, trích xuất thông tin từ tài liệu, gọi tool theo kịch bản có sẵn, sửa code nhỏ, đọc và tóm tắt tài liệu dài. Ở những việc này, Ember vừa đủ tốt, vừa rẻ hơn hẳn — và tiền tiết kiệm được sẽ tích lũy rất nhanh theo số lượng tác vụ.

Nên dùng model mạnh hơn khi công việc đòi hỏi suy luận sâu hoặc kiến thức rộng: giải bài toán code phức tạp, viết code cho hệ thống mới từ đầu, trả lời câu hỏi kiến thức chung, hay xử lý những tình huống chưa có quy trình sẵn. Ở những việc này, Haiku — hay các model lớn hơn như Muse Spark 1.3 — đáng tiền hơn dù chi phí mỗi tác vụ cao hơn nhiều.

Một cách chọn thực tế cho doanh nghiệp: đừng chọn một model cho mọi việc. Hãy để Ember lo việc lặp lại với khối lượng lớn, và chỉ gọi model mạnh — đắt tiền — khi thực sự cần. Mô hình “model nhỏ làm việc vặt, model lớn làm việc khó” chính là cách Meta đang xây dựng họ Muse, và cũng là cách dùng AI tiết kiệm nhất hiện nay.

Kết luận: “rẻ” không đồng nghĩa “đủ tốt” cho mọi việc

Muse Ember so với Claude Haiku là một phép so sánh có kết quả hai mặt: ngang điểm tổng thể, rẻ hơn khoảng 1/3 chi phí, nhỉnh hơn ở tác vụ thực tế qua Terminal-Bench — nhưng thua ở code phức tạp và yếu hẳn ở kiến thức chung. GPT-6 Luna thì đang tụt lại phía sau cả hai trong đợt đo này.

Và xin nhắc lại điều quan trọng nhất: tất cả các con số trên đều do Artificial Analysis và các nhà cung cấp công bố, chưa có phép đo độc lập xác nhận. Bảng xếp hạng có thể thay đổi khi có thêm bài kiểm tra mới, khi các model được cập nhật, hoặc khi có đơn vị độc lập đo lại. Đừng chọn model chỉ vì một con số trên bảng — hãy thử với chính tác vụ của mình, đo chi phí thật và chất lượng thật, rồi mới quyết định. Với Ember, câu hỏi đúng không phải “nó có rẻ nhất không”, mà là “việc của tôi có nằm trong vùng nó làm tốt không”.