GPT-5.4 và Claude Opus 4.7: Mô hình nào cho AI agent vận hành thực tế?

GPT-5.4 và Claude Opus 4.7 đều không phải mô hình tốt hơn trong mọi tình huống. GPT-5.4 dẫn đầu computer use và tự động hóa desktop, đạt 75% trên OSWorld và vượt hiệu năng chuyên gia con người. Claude Opus 4.7 dẫn đầu agentic coding và viết phức tạp, đạt 64.3% trên SWE-bench Pro so với 57.7% của GPT-5.4. Quyết định khi vận hành không phải chọn mô hình nào, mà là giao tác vụ nào cho mô hình nào.

Những đội dồn mọi tác vụ cho một model mà không cân nhắc sẽ phải trả tiền cho năng lực không cần thiết ở các bước đơn giản, hoặc chấp nhận chất lượng thấp hơn ở chính những bước quan trọng nhất. Hai model ra mắt cách nhau sáu tuần, đều có cửa sổ ngữ cảnh 1M token và đều có mặt trên các nền tảng cloud lớn. Những khác biệt thực sự đáng chú ý hẹp và cụ thể hơn nhiều so với cách phần lớn bài so sánh mô tả.

Điểm chính

• Claude Opus 4.7 dẫn đầu agentic coding: 64.3% SWE-bench Pro so với 57.7% của GPT-5.4, cùng số tác vụ production giải quyết được cao gấp 3 lần trên benchmark codebase thật của Rakuten.
• GPT-5.4 dẫn đầu computer use: 75% OSWorld, là model AI đầu tiên vượt mức hiệu năng của chuyên gia con người (72.4%) trong tự động hóa desktop.
• API tiêu chuẩn của GPT-5.4 rẻ hơn ở mức $2.50/$15 mỗi triệu token so với $5/$25 của Opus 4.7, nhưng mức giảm 90% nhờ prompt caching của Claude thu hẹp khoảng cách với agent có system prompt ổn định.
• GPT-5.4 Pro có giá $30/$180 mỗi triệu token, thuộc nhóm chi phí hoàn toàn khác và chỉ phù hợp với một số trường hợp rủi ro cao cụ thể.
• Phần lớn kiến trúc agent vận hành thực tế dùng cả hai model, định tuyến theo loại tác vụ thay vì chỉ cam kết với một model.

So sánh benchmark

Trước khi đến khung quyết định, hãy xem các con số. Cả hai model đều đạt điểm tốt, nhưng mỗi model có một thế mạnh rõ ràng.

| Benchmark | Claude Opus 4.7 | GPT-5.4 | Bên dẫn đầu | | ------------------------------------ | --------------------- | ----------------- | ----------- | | SWE-bench Pro, agentic coding | 64.3% | 57.7% | Claude | | SWE-bench Verified | 87.6% | khoảng 77.2% | Claude | | OSWorld, computer use | khoảng 72.7% | 75.0% | GPT-5.4 | | Chất lượng viết, đánh giá mù Q1 2026 | 47% được ưa thích | 29% được ưa thích | Claude | | Cửa sổ ngữ cảnh | 1M token | 1M token | Hòa | | Giá đầu vào tiêu chuẩn | $5.00/M | $2.50/M | GPT-5.4 | | Giá đầu ra tiêu chuẩn | $25.00/M | $15.00/M | GPT-5.4 | | Tiết kiệm prompt/cache | tới 90% | 50%, tự động | Claude | | Cross-session memory | Có | Hạn chế | Claude |

Nguồn: SWE-bench Pro Leaderboard, Scale AI và Anthropic Claude Opus.

Bảng trên cho thấy bức tranh khá rõ. GPT-5.4 thắng ở tự động hóa desktop và giá API tiêu chuẩn. Claude Opus 4.7 thắng ở độ chính xác lập trình, chất lượng viết và quy trình cần bộ nhớ bền vững. Không model nào thống trị mọi khía cạnh, chính vì vậy đội vận hành thực tế định tuyến qua cả hai.

GPT-5.4 dẫn đầu ở đâu: computer use và tự động hóa desktop

Năng lực đáng chú ý nhất của GPT-5.4 là computer use tích hợp sẵn. Mô hình đạt 75% trên OSWorld, benchmark đo khả năng agent điều hướng ứng dụng desktop bằng screenshot, bàn phím và chuột, đồng thời là model đa dụng đầu tiên vượt mức hiệu năng 72.4% của chuyên gia con người.

Đây không phải plugin hay lớp bọc bên ngoài. Computer use được tích hợp ngay trong model. Qua API, GPT-5.4 có thể trực tiếp thao tác ứng dụng, phát lệnh Playwright, click vào phần tử giao diện và xử lý quy trình nhiều bước trên phần mềm desktop tiêu chuẩn.

Hãy xem điều này có ý nghĩa gì với đội data engineering đang chạy các quy trình phụ thuộc UI. Một pipeline cần đăng nhập cổng thông tin của nhà cung cấp, trích xuất báo cáo, định dạng lại rồi đẩy sang hệ thống phía sau giờ đây có thể chạy như một bước agent thay vì một script dễ gãy. Kiểu lỗi cũng thay đổi: thay vì selector bị hỏng khi nhà cung cấp thiết kế lại UI, agent đọc màn hình và tự thích ứng.

GPT-5.4 cũng có Tool Search, tính năng API mới cho phép agent dùng chỉ mục công cụ nhẹ thay vì truyền mô tả đầy đủ của mọi công cụ trong system prompt. Với agent kết nối đồng thời HubSpot, Zendesk, Slack và API nội bộ, điều này giảm chi phí token và cải thiện độ chính xác chọn công cụ.

Dùng GPT-5.4 cho:

• agent kiểu RPA vận hành ứng dụng desktop hoặc web
• quy trình tự động hóa trình duyệt, nơi agent tương tác với UI thay vì scraping HTML
• agent quản lý registry công cụ lớn, nơi Tool Search giảm chi phí system prompt
• tác vụ computer use, nơi độ chính xác 75% OSWorld quan trọng hơn độ chính xác lập trình

Nếu xây quy trình phát triển AI agent vận hành thực tế có tự động hóa UI cùng các bước data engineering, GPT-5.4 có thể là model phù hợp cho lớp computer use.

Claude Opus 4.7 dẫn đầu ở đâu: agentic coding và viết

Thế mạnh lớn nhất của Claude Opus 4.7 nằm ở các tác vụ viết và review code production, hoặc tạo văn bản phức tạp, nơi chất lượng và khả năng tuân thủ hướng dẫn là yếu tố quyết định.

Trên SWE-bench Pro, Opus 4.7 đạt 64.3% so với 57.7% của GPT-5.4. Khoảng cách 6.6 điểm này có ý nghĩa lớn hơn vẻ ngoài, vì benchmark đo trên các issue GitHub thật trong codebase production, không phải câu đố tổng hợp. Trên benchmark nội bộ của Rakuten chạy với code production thật, Opus 4.7 giải quyết số tác vụ gấp ba lần Opus 4.6, với mức tăng hai chữ số ở Code Quality và Test Quality. Trên benchmark 93 tác vụ nội bộ, Opus 4.7 giải được bốn tác vụ mà cả Opus 4.6 và Sonnet 4.6 không giải được.

Chênh lệch chất lượng viết cũng nhất quán. Trong đánh giá mù bởi con người vào Q1 2026, nội dung do Claude tạo được ưa thích 47% so với 29% của GPT-5.4. Với các đội chạy research agent để tạo bản tóm tắt phân tích hoặc tóm tắt cho ban điều hành, mức chênh lệch này thể hiện rõ trong chất lượng đầu ra thực tế.

Cross-session memory của Opus 4.7 mở ra những khả năng mới cho các quy trình dài hơi. Một research agent theo dõi đối thủ qua nhiều tuần, một hệ thống phân loại ticket hỗ trợ học từ các ca trước, hay một RevOps agent tích lũy hiểu biết về các mẫu hình giao dịch đều được lợi từ ngữ cảnh lưu bền vững mà không cần nạp lại thủ công. GPT-5.4 chỉ hỗ trợ hạn chế cho cách làm này; Opus 4.7 xử lý nó một cách tự nhiên.

Với một quy trình nghiên cứu đa agent, điều đó gợi ra một cách chia đáng thử trên chính các bản tóm tắt của bạn: giao bước tìm kiếm cho model nào nhanh hơn, còn lớp tổng hợp, nơi mười nguồn được gộp thành một bản tóm tắt điều hành, cho model có bản nháp cần chỉnh sửa ít nhất.

Dùng Claude Opus 4.7 cho:

• coding agent viết, review hoặc debug code production
• research agent tổng hợp nguồn thành đầu ra văn bản hoàn chỉnh
• quy trình dài hơi được lợi từ cross-session memory
• các điểm ra quyết định phức tạp, nơi chất lượng đầu ra ảnh hưởng đến kết quả kinh doanh về sau
• pipeline agentic liên quan đến model dbt, tạo DAG hoặc script migration

Bài dịch vụ phát triển AI agent của chúng tôi giải thích cách thiết kế cơ chế chuyển cấp và độ tin cậy sau khi đã chọn đúng model nền.

Bài toán giá: GPT-5.4 rẻ hơn, nhưng không phải lúc nào cũng vậy

Giá API tiêu chuẩn của GPT-5.4 là $2.50 mỗi triệu token đầu vào và $15 mỗi triệu token đầu ra. Claude Opus 4.7 có giá $5/$25. Nhìn bề ngoài, GPT-5.4 rẻ hơn 50% ở đầu vào và 40% ở đầu ra.

Hai điều làm thay đổi so sánh này.

Thứ nhất, prompt caching. Prompt caching của Anthropic giảm chi phí đầu vào tới 90% cho agent có system prompt lớn, ổn định. Research agent có system prompt 100,000 token gồm schema công cụ, hướng dẫn, tài liệu chính sách và ngữ cảnh truy xuất sẽ giảm chi phí đầu vào của phần cache từ $0.50 mỗi lượt xuống $0.05. Với 100 lần hoàn tất quy trình mỗi tháng, đó là $50/tháng so với $5/tháng cho riêng phần cache. Mức giảm 50% nhờ cache tự động của GPT-5.4 là hữu ích, nhưng mức giảm tối đa 90% của Claude làm thay đổi phép tính với các agent được thiết kế tốt và chạy ở quy mô lớn.

Thứ hai, GPT-5.4 Pro. Với trường hợp cần hiệu năng tối đa, OpenAI cung cấp GPT-5.4 Pro ở mức $30/$180 mỗi triệu token. Đây là giá đầu vào gấp sáu lần và đầu ra gấp mười hai lần bản tiêu chuẩn. Ở mức giá này, nó là công cụ chuyên biệt cho một số tác vụ rủi ro cao cụ thể, không phải model mặc định cho quy trình agent trong production.

Lời khuyên thực tế là hãy tính toán theo kích thước system prompt và lượng lời gọi cụ thể của bạn trước khi kết luận GPT-5.4 rẻ hơn đáng kể ở quy mô lớn. Với agent có system prompt ổn định và được thiết kế tốt, khoảng cách chi phí thực tế khi có caching nhỏ hơn nhiều so với những gì giá niêm yết thể hiện.

Khung định tuyến khi vận hành thực tế

Phần lớn đội đã đưa agent vào vận hành không chạy một model duy nhất. Họ định tuyến theo loại tác vụ và dùng model phù hợp nhất cho từng bước.

Một kiến trúc research agent theo thực hành tốt hiện nay:

Lập kế hoạch và phân rã tác vụ: Claude Opus 4.7. Khả năng suy luận dài hơi, phân rã chính xác các yêu cầu mơ hồ và cross-session memory về các lần nghiên cứu trước khiến đây là model phù hợp cho bước định hướng toàn bộ các bước phía sau.

Tìm kiếm và truy xuất: Sonnet 4.6 hoặc Haiku 4.5. Phân loại và xếp hạng đơn giản với chi phí mỗi lượt gọi thấp hơn.

Bước computer use, truy cập cổng, điều hướng UI, trích xuất dữ liệu từ màn hình: GPT-5.4. Computer use tích hợp sẵn với độ chính xác 75% OSWorld giúp xử lý các bước này đáng tin cậy hơn.

Tạo và kiểm tra code: Claude Opus 4.7. Khoảng cách trên SWE-bench Pro đủ nhất quán để tin dùng cho các tác vụ code production.

Tổng hợp bản tóm tắt hoặc báo cáo cuối: Claude Opus 4.7. Chất lượng viết và khả năng tuân thủ hướng dẫn giúp đầu ra cần ít chỉnh sửa hơn trước khi bàn giao.

Câu hỏi kiến trúc không phải “GPT-5.4 hay Claude Opus 4.7?” mà là “model nào xử lý mỗi bước đủ đáng tin để giao đầu ra, ở mức chi phí nào, và câu trả lời sai sẽ gây hậu quả đáng kể ở đâu?” Đặt bước human review tại đúng những điểm đó thay vì ở mọi bước giúp kiến trúc gọn nhẹ mà không hy sinh độ tin cậy. Chúng tôi đã bàn về cách cân chỉnh này trong bài AI agent với kiểm duyệt của con người.

Cách định tuyến này cũng có ý nghĩa thực tế với các đội mới bắt đầu: đừng khóa framework agent vào một nhà cung cấp model. LangGraph, CrewAI và Anthropic SDK đều hỗ trợ định tuyến đa model. Xây dựng sự linh hoạt đó ngay từ đầu gần như không tốn kém, đồng thời tránh được những đợt refactor vất vả khi bản phát hành model tiếp theo làm thay đổi cục diện benchmark.

Kết luận

So sánh GPT-5.4 và Claude Opus 4.7 không phải câu hỏi bên nào thắng hết. GPT-5.4 tạo ra bước tiến thật ở computer use và tự động hóa desktop. Claude Opus 4.7 tạo ra bước tiến thật ở agentic coding và cross-session memory. Cả hai đều có cửa sổ ngữ cảnh 1M token, đều có mặt trên các nền tảng lớn và đều có mức giá khả thi cho vận hành thực tế.

Những đội tận dụng tốt nhất các bản phát hành này sẽ xem việc chọn model là một quyết định kiến trúc định tuyến, không phải chuyện cảm tình với nhà cung cấp. Hãy chọn model xử lý mỗi bước đủ đáng tin cậy để bàn giao đầu ra với chi phí hợp lý, và giữ sự linh hoạt để thay đổi cách phân công khi bản phát hành tiếp theo làm thay đổi benchmark.

Nếu đang xác định phạm vi AI agent vận hành thực tế và muốn có ý kiến thứ hai về kiến trúc lớp định tuyến model, hãy xem dịch vụ phát triển AI agent hoặc case study Zeno để xem ví dụ vận hành thực tế về định tuyến giữa Claude, OpenAI và Gemini sau một ngưỡng tin cậy 85%.