Ghi chép từ Việt Nam về pháp luật, công nghệ, ngôn ngữ, lịch sử, văn hóa và du lịch.

GDPx: thước đo mới của SemiAnalysis cho thấy AI mạnh nhất mới làm xong 12% việc của chuyên gia

Thứ Hai 2/11/2026, SemiAnalysis, hãng nghiên cứu bán dẫn và AI do Dylan Patel điều hành, công bố GDPx, một benchmark (bộ đo năng lực) mà họ mô tả là đo “năng lực agent ở những lĩnh vực có giá trị nhất”. Bài công bố đứng tên Max Kan, Andrew Megalaa và Patel. Câu mở đầu không vòng vo: “GDPx là một benchmark thực sự ở ngưỡng tiền tuyến: ngay cả model tốt nhất cũng chỉ đạt 12%.”

Cùng ngày, OpenAI đăng LifeVal, bộ đánh giá xem model của họ xử lý việc vặt hằng ngày tốt đến đâu, kiểu đăng ký cho con vào mẫu giáo hay lên thực đơn cho người tiểu đường. Trên các tác vụ mẫu OpenAI đưa ra, model mới nhất của họ đạt trên 90%. Hai benchmark ra cách nhau vài giờ, cùng nói về một thế hệ model, một bên bảo gần xong, một bên bảo mới bắt đầu. Cả hai đều đúng. Khác nhau nằm ở bài toán được giao, và đó chính là lý do GDPx đáng đọc kỹ.

GDPx là gì

Phiên bản 1.0 có 206 tác vụ trên 11 lĩnh vực, xây cùng 14 startup đối tác chuyên bán môi trường học tăng cường (RL environment) và dữ liệu cho các phòng thí nghiệm AI. Danh sách lĩnh vực và đối tác theo bài công bố:

  • Thiết kế chip: Aria, Arcverex, Ergodex
  • An ninh mạng: Arithmetic
  • Sinh học: Latch Bio
  • Tài chính: Living Context
  • Pháp lý: Chakra
  • Giao dịch định lượng (quant trading): Third Moment
  • Tự cải tiến đệ quy (recursive self-improvement, RSI): Extrapolate
  • Thiết kế phần cứng: Beautiful Machines, cùng Diode Computers ở phần mạch in
  • Khoa học vật liệu: ValenceForge, Emulated
  • Alignment (căn chỉnh hành vi AI): Fleet
  • Kỹ thuật phần mềm: Datacurve

Danh sách này là một cú đặt cược có chủ ý, không phải một cuộc điều tra toàn diện. SemiAnalysis viết rằng “xây benchmark năng lực agent tổng quát theo tỷ trọng GDP hay theo bảng phân loại nghề SOC/O*NET là một sai lầm, vì AI sẽ không lan toả đồng đều và không phải lĩnh vực nào cũng cần trí tuệ ở ngưỡng tiền tuyến”. Vì thế hành chính công, bất động sản và bảo hiểm bị bỏ ra có chủ đích, còn thiết kế chip, an ninh mạng và sinh học được đưa vào vì nhóm tác giả kỳ vọng đây là những ngành “được AI tăng tốc mạnh nhất trong 1–2 năm tới”.

Điểm khác biệt của GDPx so với benchmark dạng hỏi đáp là mỗi tác vụ đều là một môi trường. Các bài tài chính lấy hạt giống từ một thương vụ mua bán doanh nghiệp có thật, kèm khoảng 4.000 tập tin đã ẩn danh; model phải tự tìm ra thứ quan trọng. Các bài an ninh mạng “dựa trên những lỗ hổng zero-day thật do kỹ sư bảo mật của Arithmetic phát hiện”. Bài phần cứng “có phiên làm việc trực tiếp trong Siemens NX và kiểm thử đầu ra của model trên các máy FPGA thật của AWS”. Bài vật liệu đặt model vào phòng thí nghiệm mô phỏng. Sandbox chạy trên hạ tầng Modal, còn Fireworks phục vụ suy luận cho các model mã nguồn mở.

Quy tắc chạy (harness) rất quan trọng với ai muốn tái lập con số. Mỗi model chạy trong công cụ agent của chính hãng nếu có: Claude Code cho Opus 5.5, Codex cho GPT-6 Astra, Antigravity cho Gemini 4 Carbon, và OpenCode cho phần còn lại. Giới hạn thời gian mặc định là 8 giờ mỗi tác vụ. Điểm công bố là pass@1 lấy trung bình trên ba lần thử, 11 lĩnh vực có trọng số bằng nhau, và trong một lĩnh vực thì mỗi đối tác cũng có trọng số bằng nhau. Cách chấm là “kết hợp chấm nhị phân và chấm từng phần tuỳ lĩnh vực”; ví dụ bài phần cứng vừa có bộ kiểm chứng tất định vừa dùng LLM làm giám khảo chấm theo rubric do chuyên gia soạn.

Phần tôi thấy đáng chú ý nhất là câu chuyện kiểm soát chất lượng. SemiAnalysis cho biết đã liên hệ hơn 30 công ty làm môi trường, và chỉ giữ lại đối tác nào có bộ tác vụ qua được khâu QA tự động (kiểm tra tính nhất quán, tính đầy đủ, gian lận và bộ kiểm chứng thiếu công bằng) ngay lần đầu, bởi “bất kỳ hệ thống QA nào cũng bị qua mặt nếu được thử đủ nhiều lần”. Khi chạy chính bộ QA đó lên Terminal Bench 4.0, một benchmark lập trình được trích dẫn rộng rãi, nó “đánh dấu gần 50% tác vụ là hỏng”. Đây là tuyên bố riêng của SemiAnalysis, chưa ai kiểm toán, nhưng nếu đúng dù chỉ gần đúng thì nó nói lên một điều không mấy dễ chịu về những bảng xếp hạng mọi người vẫn trích.

Bảng xếp hạng

Bảng công khai hiển thị 13 trong 20 model được đánh giá. Điểm là trung bình trên cả 11 lĩnh vực; chi phí là trung bình mỗi tác vụ.

# Model GDPx Chi phí mỗi tác vụ Token đầu ra
1 Claude Opus 5.5 12,0% 51,41 USD 548K
2 Gemini 4 Carbon 10,9% 16,29 USD 594K
3 GPT-6 Astra 9,6% 53,99 USD 275K
4 Muse Wonder Full 9,0% chưa có giá công khai 212K
5 Claude Fable 5.1 8,5% 67,16 USD 418K
6 GPT 6.1 Sol 8,4% 9,80 USD 352K
7 Claude Sonnet 5.5 8,2% 45,27 USD 967K
8 Gemini 4 Argon 7,3% 12,79 USD 359K
9 Muse Wonder 6,8% 15,63 USD 215K
10 DeepSeek 4.1 Flash 1017 5,4% 0,94 USD 246K
11 GPT-6 Luna 5,1% 0,92 USD 438K
12 Grok 4.7 3,9% 16,34 USD 145K
13 GLM 5.3 2,7% 11,79 USD 212K

Vài điểm nổi lên. Gemini 4 Carbon, model mà blog này đã viết tuần trước khi nó lên hạng nhất chỉ số Artificial Analysis, ở đây được mô tả là “một bước tiến thật sự của Google và là model duy nhất cùng đẳng cấp với Opus và Astra”, và nó đạt được điều đó với chi phí mỗi tác vụ chỉ khoảng một phần ba Opus. Hai model châm ngòi cuộc chiến giá hồi tháng 9 nằm ở giữa bảng. DeepSeek 4.1 Flash 1017 và GPT-6 Luna đều dưới một đô la mỗi tác vụ, tức rẻ hơn Opus khoảng 50 lần để đổi lấy gần một nửa số điểm. SemiAnalysis tóm tắt biểu đồ chi phí – năng lực trong một câu: “Luna và DeepSeek giành nhau phân khúc thấp, Opus thắng phân khúc cao, còn OpenAI chiếm khoảng giữa.”

Kết quả theo từng lĩnh vực được đăng dưới dạng hình ảnh, nên tôi chỉ có thể thuật lại theo lời tác giả. Opus 5.5 “thắng ở giao dịch định lượng, thiết kế phần cứng và thiết kế chip”. Gemini 4 Carbon “là model sinh học tốt nhất (nhiều khả năng do bộ lọc an toàn lỏng hơn) và nhỉnh hơn ở kỹ thuật phần mềm”. GPT-6 Astra “thắng thuyết phục ở RSI và cũng là model tốt nhất về khoa học vật liệu”. Muse Wonder Full của Meta là “model an ninh mạng tốt nhất hiện có, với khoảng cách đáng kể”. Và rồi đến câu nên được đặt cạnh mọi lời chào hàng “AI sẽ thay thế chuyên viên phân tích” của năm 2026: “Các tác vụ tài chính và pháp lý của chúng tôi khó đến mức gần như mọi model đều được đúng 0 điểm.”

Bộ lọc an toàn làm đảo thứ hạng

Nhóm tác giả tự nêu một yếu tố gây nhiễu: “một số model như Opus 5.5 và GPT-6 Astra có điểm tổng bị kéo xuống vì bộ lọc an toàn (safety classifier) của chính chúng.” Ở an ninh mạng, sinh học và alignment, các model này đôi khi từ chối thay vì bắt tay làm, và một lần từ chối bị chấm là thất bại. Vì vậy SemiAnalysis công bố thêm một biểu đồ thứ hai đã bỏ ba lĩnh vực đó. Biểu đồ này cũng là hình ảnh; OfficeChai đọc ra rằng GPT-6 Astra vượt Opus 5.5 đúng một phần mười điểm, còn Gemini 4 Carbon tụt từ hạng hai xuống hạng năm, và Emergent cũng ghi nhận sự đảo ngược ở nhóm đầu.

Hãy đặt điều đó cạnh nhận xét Carbon “là model sinh học tốt nhất (nhiều khả năng do bộ lọc an toàn lỏng hơn)”. Google giới hạn Carbon cho nhóm phòng thủ mạng đã được xét duyệt chính vì năng lực tấn công của nó, vậy mà trên benchmark này bộ lọc lỏng hơn lại thành lợi thế ghi điểm. Bài học thực tế là với agent làm việc trong sinh học hay bảo mật, chính sách từ chối là một phần của sản phẩm, và một bảng xếp hạng không tách được “không làm nổi” khỏi “không chịu làm” thì đang đo chính sách nhiều ngang với đo năng lực.

Vì sao phải là môi trường, và vì sao là lúc này

GDPx là lời đáp trực tiếp cho GDPval mà OpenAI công bố tháng 9/2025. Lời phê bình của SemiAnalysis đáng trích vì nó áp dụng cho hầu hết các benchmark “giá trị kinh tế”: “Mọi tác vụ GDPval đều được đặc tả chính xác và không có tương tác”, với bối cảnh cần thiết “được đút tận miệng cho model ngay trong prompt”; “mức đồng thuận giữa các chuyên gia chấm chỉ 71% trên tập vàng, còn bộ chấm tự động còn tệ hơn”; và việc thiếu môi trường mô phỏng là “vấn đề lớn nhất của GDPval”. Trong GDPx, model phải tự khám phá bối cảnh, dùng công cụ thật và thoả mãn bộ kiểm chứng.

Con số 12% cũng khớp với một kết quả kiểu tiền tuyến khác mà blog này đã viết hồi tháng 10: InnovationEval của Epoch AI cấp cho agent 3.000 giờ GPU để tái phát minh một phương pháp hậu huấn luyện, và lần chạy tốt nhất trong phạm vi chỉ thu lại được 15% mức cải thiện của con người. Bức tranh từ các bên đánh giá độc lập khá nhất quán: với công việc chuyên gia dài, mở, chấm bằng bộ kiểm chứng, agent hiện nay hoàn thành một phần nhỏ và thất bại ở phần còn lại, trong khi với việc hằng ngày được đặc tả rõ thì chúng đã gần chạm trần. LifeVal và GDPx là hai đầu của cùng một đường cong.

Với lập trình viên, phần đáng hành động không nằm ở thứ hạng mà ở những cột bên cạnh. Chi phí mỗi tác vụ với ngân sách tám giờ là con số mà phần lớn đội ngũ chưa từng đo cho agent của chính mình. Harness là một phần của model: SemiAnalysis chạy công cụ riêng của từng hãng, nghĩa là điểm số đã bao gồm giàn giáo, cơ chế thử lại và cách nối công cụ của hãng đó. Và năng lực lồi lõm theo lĩnh vực, nên câu hỏi “model nào tốt nhất” có câu trả lời khác nhau ở thiết kế chip, sinh học và RSI. Chọn theo từng loại việc, chứ không theo bảng tổng, là cách đọc duy nhất của bảng này đứng vững được.

Những gì cần đọc với sự dè dặt

  • Không có mốc so sánh với con người. 12% là điểm so với bộ kiểm chứng của tác vụ, không phải so với những gì một chuyên gia làm được trong tám giờ. Ta không biết bộ kiểm chứng có được hiệu chỉnh theo năng lực chuyên gia hay không.
  • Mẫu nhỏ ở vài chỗ. RSI chỉ có 10 tác vụ. Phần phần cứng mô tả 12 lượt chạy trên bốn model mà không lượt nào “vượt qua hoàn toàn có kiểm chứng”. Ba lần thử mỗi tác vụ là ít để lấy trung bình pass@1, và tôi không thấy số liệu phương sai trong phần văn bản đọc được.
  • Thiếu bảy model. Bảng ghi 13 trên 20; bảy model còn lại không được nêu tên. Bảng xếp hạng đã điều chỉnh chỉ tồn tại dưới dạng ảnh, nên thứ tự “Astra hơn 0,1 điểm” dựa vào cách đọc của bên thứ hai.
  • Đối tác là những công ty bán môi trường cho các lab. Mọi bộ tác vụ đều đến từ startup có mô hình kinh doanh là bán đúng loại tác vụ này cho các công ty AI. Điều đó không làm tác vụ xấu đi, và quy tắc “qua QA ngay lần đầu” của SemiAnalysis là bộ lọc hợp lý, nhưng nó khiến GDPx phần nào là sân trưng bày sản phẩm, đồng thời đặt ra câu hỏi quen thuộc về rò rỉ dữ liệu huấn luyện mà bài công bố, theo những gì tôi đọc được, không bàn tới.
  • Đây là benchmark sống. SemiAnalysis cho biết sẽ ra phiên bản mới mỗi ba đến sáu tháng. Điều đó giữ cho nó luôn khó, và cũng có nghĩa điểm hôm nay sẽ không so sánh được với điểm mùa xuân tới.
  • Chưa có bên nào tái lập độc lập. Mọi con số đều từ các lượt chạy của chính SemiAnalysis; báo chí đến nay chỉ nhắc lại.

Không điều nào ở trên là lý do để gạt bỏ kết quả. Chúng là lý do để đọc “12%” đúng với bản chất của nó: một lát cắt từ một bên đánh giá, dùng một bộ môi trường do các nhà cung cấp xây, cho thấy những agent tốt nhất cuối năm 2026 hoàn thành được khoảng một trên tám tác vụ chuyên gia dài hơi, ở đúng những ngành mà các hãng kỳ vọng được trả tiền nhiều nhất. Con số ấy vừa lớn hơn nhiều so với hai năm trước, vừa nhỏ hơn nhiều so với những gì quảng cáo gợi ra.

Nguồn