Sonnet 5.5 qua benchmark và ba bản build mù: có cần Opus nữa không

1. Ba bản build cho Sonnet 5.5 và agent fan-out

Pat Simmons mở đầu bằng nhận xét rằng Anthropic dạo này ra model liên tục, và Sonnet 5.5 đã chính thức ra mắt (theo video đăng ngày 29/09/2026). Anthropic nói Sonnet 5.5 có thể làm việc ngang với Opus 5.5 ở mức giá bằng một nửa, và thậm chí còn vượt Opus trên một coding benchmark đáng chú ý. Câu hỏi của video là điều đó đúng tới đâu.

Để trả lời, Pat cho Sonnet 5.5 chạy ba bản build trực tiếp: một launch video hoàn chỉnh cho chính Sonnet 5.5, một game kinh dị 3D trông thật nhất có thể, và một website đầy đủ với phần 3D được dựng thật trong Blender. Anh so nó với các model frontier khác ở thời điểm quay: Opus 5.5, Fable 5.1, GPT-6 Astra và model tiền nhiệm Sonnet 5 (theo video đăng ngày 29/09/2026). Anh cũng đo mỗi bản build chạy mất bao lâu, Sonnet 5.5 tốn bao nhiêu tiền và đốt bao nhiêu token. Mục tiêu là tới cuối video, người xem biết mình có còn cần Opus nữa không, và Sonnet 5.5 có thật sự đáng dùng khi tính tới chi phí và hiệu quả hay không.

Không mất thêm thời gian, Pat bắt đầu như mọi lần bằng cái anh gọi là agent fan-out: anh chạy một lệnh bash để khởi động tất cả các bản build cùng lúc. Vài cửa sổ iTerm bật lên. Anh hẹn sẽ giải thích từng prompt và từng bản build sau, còn trước mắt thì xem benchmark, vì có vài điểm đáng nói (theo video đăng ngày 29/09/2026).

2. Những gì Anthropic công bố về Sonnet 5.5

Pat khen Anthropic lần này lại có một trang web và một launch video rất đẹp ("nhìn xem nó ngầu cỡ nào"). Theo trang ra mắt, Anthropic gọi Sonnet 5.5 là một bản nâng cấp rõ ràng so với Claude Sonnet 5: chạy nhanh hơn 30% và rẻ hơn tới 30% cho phần lớn công việc (theo trang của Anthropic, video đăng ngày 29/09/2026). Giá là $2 cho một triệu token input và $10 cho một triệu token output, bằng đúng Sonnet 5 (giá tại thời điểm video đăng 29/09/2026). Khác biệt nằm ở chỗ nó hiệu quả hơn nhiều.

Theo Anthropic, Sonnet 5.5 thường cần ít token hơn hẳn để làm cùng một việc, và đó là nguồn gốc của con số rẻ hơn 30%. Pat thấy điều này hoàn toàn hợp lý. Vì vậy, theo anh (video đăng ngày 29/09/2026), Sonnet 5.5 đã là bản nâng cấp rõ ràng so với Sonnet 5, và nếu bạn đang chạy Sonnet 5 ở bất kỳ đâu thì anh khuyên chuyển ngay, chỉ riêng vì lý do đó.

Nhưng câu hỏi lớn là Sonnet 5.5 so với Opus 5.5 ra sao. Ngay đầu trang, Anthropic nhấn mạnh rằng nó chỉ thấp hơn Opus hai điểm trên GDPval, một bài test về knowledge work trải trên nhiều nghề khác nhau. Pat nói "Opus 5", còn trang ra mắt ghi là Opus 5.5 (trang của Anthropic, đọc ngày 24/10/2026).

Tiếp theo là cú nhảy rất lớn trên Terminal-Bench 4.0: từ 10.3% của Sonnet 5 lên 70.6% (số của Anthropic, theo video đăng ngày 29/09/2026). Pat chỉ ra một điều Anthropic không nói thẳng ở đoạn này: con số đó còn cao hơn cả Opus. Trên bảng, Sonnet 5.5 đạt 70.6%, còn Opus 5.5 khoảng 66% (bảng ghi 66.4%). Anthropic cũng nhắc tới chuyện Sonnet 5.5 chơi Pokémon Red: đây là model Sonnet đầu tiên phá đảo Pokémon Red (theo Anthropic, video đăng ngày 29/09/2026). Pat hiểu điều đó cho thấy nó làm được việc có horizon dài như Anthropic nói, cùng khả năng hiểu hình ảnh, computer use, vision, và một lần nữa là bản nâng cấp rõ ràng so với Sonnet 5.

Đó là phần tóm tắt chính của Sonnet 5.5. Suy nghĩ đầu tiên của Pat quay về lúc Sonnet 5 ra mắt: trên benchmark, khi đó không có so sánh rõ ràng nào với Opus 5, vì nó đơn giản là kém xa. Và khi chính anh test Sonnet 5 trong video ra mắt Sonnet 5 của mình, kết quả cũng khớp với benchmark: không hề gần Opus 5 (theo video đăng ngày 29/09/2026).

Lần này, theo Pat (video đăng ngày 29/09/2026), có vẻ là lần đầu một model Sonnet làm tốt ngang Opus trên nhiều tác vụ. Với chi phí rẻ hơn nhiều, việc dùng Sonnet 5.5 hằng ngày bắt đầu rất hấp dẫn. Anh thú thật là mình gần như chưa bao giờ dùng một model Sonnet nào: lần nào anh cũng code bằng Opus hoặc Fable. Nên Sonnet 5.5 khiến anh nghĩ tới việc đưa nó vào workflow hằng ngày. Còn hiệu năng và mức tiết kiệm có thật như vậy không thì phải xem.

3. Cảnh báo về token của Artificial Analysis

Có một bài đăng của Artificial Analysis khiến Pat chú ý. Anh đọc trên màn hình đoạn họ viết: lượng token dùng nhiều nhất họ từng đo, ở mức max effort, khi Sonnet 5.5 đạt hiệu năng gần với Opus. Anh đọc con số là "193 output tokens", còn trên màn hình bài đăng ghi khoảng 193k output token cho mỗi task của Intelligence Index, cao hơn khoảng 60% so với Opus 5.5 (max) hoặc Sonnet 5 (max) và khoảng 7 lần GPT-6 Astra (max) (theo bài đăng của Artificial Analysis, video đăng ngày 29/09/2026).

Pat giải thích ý nghĩa: nếu chạy Sonnet ở effort rất cao, nó nhiều khả năng sẽ tốn ngang, nếu không nói là đắt hơn, Opus 5.5 khi Opus 5.5 chạy ở mức medium, có khi cả mức high (nhận định của Pat, video đăng ngày 29/09/2026). Vậy nên Sonnet 5.5 có thể không tiết kiệm token như Anthropic nói trong các bài blog. Trong trường hợp đó, chạy Opus 5.5 sẽ hợp lý hơn.

Vì vậy trong các bài test, Pat sẽ xem chi phí thật của mỗi bản build với Sonnet 5.5 và Opus 5.5. Anh chạy tất cả ở effort level high. Theo anh, điều này có thể đẩy chi phí của Sonnet 5.5 lên, vì theo Artificial Analysis có vẻ nó hiệu quả hơn ở effort thấp hơn (theo video đăng ngày 29/09/2026).

4. Đi qua bảng benchmark: coding, knowledge work, computer use

Nói xong phần chi phí, Pat quay lại các benchmark hiệu năng và đi nhanh qua từng cái. Terminal-Bench: 70.6% so với Opus khoảng 66%. Anh không hiểu vì sao Anthropic không đưa GPT-6 Sol vào cột này, nhưng anh có thêm các so sánh với OpenAI trong một bảng riêng ở dưới (theo video đăng ngày 29/09/2026).

Đi xuống danh sách, ở agentic coding (FrontierCode) Sonnet 5.5 rất gần Opus 5.5: Opus khoảng 54%, Sonnet khoảng 46% (bảng ghi 54.4% và 46.2% ở mức Max). CursorBench cũng sát nhau: 55% cho Sonnet 5.5 (bảng ghi 55.5%) và 57.8% cho Opus 5.5 (số của Anthropic, theo video đăng ngày 29/09/2026).

Theo Pat, phần knowledge work mới là chỗ thú vị, với GDPval như đã nhắc: knowledge work trải trên nhiều nghề, được con người chấm điểm, và Sonnet 5.5 chỉ kém Opus 5.5 hai điểm (theo video đăng ngày 29/09/2026). Ý nghĩ đầu tiên của anh là dùng Sonnet 5.5 thay cho Opus 5.5 cho knowledge work hằng ngày: gửi email, phân tích spreadsheet, những việc kiểu đó.

Thêm vài bài test knowledge work nữa. Humanity's Last Exam: Sonnet 5.5 kém Opus 5.5 trong vòng ba điểm phần trăm. Computer use cũng rất sát. Theo Pat, phần này cũng gắn với knowledge work, kiểu AI điều khiển máy tính của bạn. Anh coi đây là ví dụ hoàn hảo cho việc giao cho Sonnet 5.5, vì các tác vụ này rất tốn token và chuyển sang một model rẻ hơn là hợp lý (nhận định của Pat, video đăng ngày 29/09/2026). Cuối cùng là visual chart recognition, cũng rất sát: 61.6% cho Sonnet 5.5 và 64% cho Opus 5.5 (bảng ghi 64.4%).

Tiếp đó Pat cho thấy một phần anh tự thêm vào bài blog của Anthropic, với tiêu đề "Not in this table": cùng các bài test nhưng có thêm Fable 5.1 và GPT-6 Astra, vì Anthropic "tiện thể bỏ quên" GPT-6 Astra. Ở đó Sonnet 5.5 đứng đầu Terminal-Bench. Pat nói điều này hơi gây hiểu nhầm, vì các effort level không giống nhau, và anh sẽ nói thêm khi kéo xuống. Nhưng nhìn tổng thể, Sonnet 5.5 đã tới rất gần Astra (theo video đăng ngày 29/09/2026). Đó là lý do lần này anh cũng test Astra cùng Sonnet 5.5, điều anh chưa từng làm, vì giờ hai model sát nhau trên mọi mặt.

5. So với GPT-6 Astra và theo từng effort level

Pat chỉ vào khoảng cách trên GDPval: 1844 cho Sonnet 5.5 so với 1542 của Astra (số trên bảng anh tự thêm, video đăng ngày 29/09/2026). Anh nhắc tới Humanity's Last Exam, rồi nói Sonnet 5.5 vượt Astra ở computer use; trên bảng, ô OSWorld của Astra để trống. AutomationBench thì Sonnet 5.5 làm rất tốt (bảng ghi 44.7%, Astra 41.4%). Theo anh, đây lại là chỗ knowledge work, việc thường ngày, vai trò daily driver phát huy với Sonnet 5.5. Đó là phần điểm phần trăm.

Sau đó anh xem nhanh effort level trên các benchmark, vì đây là cách tốt hơn để thấy effort của Sonnet so ra sao. Opus 5.5 màu cam, Sonnet 5.5 màu xanh dương, các nấc gồm extra high (Xhigh) và max. Trên Terminal-Bench, Sonnet 5.5 ở extra high đạt khoảng 61.5%, ngay dưới Opus 5.5 ở khoảng 64%. Nhưng ở max, Sonnet đạt 70.6%, và đây là khác biệt Anthropic nêu ra, so với Opus 5.5 ở max khoảng 64.8% (số Pat đọc trên biểu đồ của Anthropic, video đăng ngày 29/09/2026). Sắc thái ở đây đúng như Artificial Analysis đã chỉ ra: theo Pat, chạy Sonnet ở Max thì rốt cuộc sẽ đắt hơn Opus 5.5.

Anh xem nhanh agentic coding ở các effort level. Ở đây có so sánh với GPT-6 Sol. Pat để ý rằng biểu đồ trước ghi GPT-5.6 Sol, còn biểu đồ này có GPT-6 Sol, và Sonnet vượt nó ở agentic coding. Kỳ lạ là trên FrontierCode, Sonnet 5.5 lại kém đi ở Max, nhưng ở extra high thì theo Pat nó vượt Opus 5.5 và vượt rõ GPT-6 Sol (đọc trên biểu đồ của Anthropic, video đăng ngày 29/09/2026).

CursorBench cũng tương tự: rất sát Opus 5.5 và vượt rõ GPT-5.6 Sol. Pat nói giá mà có GPT-6 Sol ở đây thì hay, có thể vì nó chưa được công bố trên CursorBench, và một lần nữa Sonnet 5.5 bám sát Opus 5.5. Ở knowledge work, Sonnet 5.5 cách Opus chỉ vài điểm ở mỗi effort level (theo biểu đồ trong video đăng ngày 29/09/2026).

Đó là tất cả những gì anh muốn nói về benchmark. Anh xin lỗi nếu đã đi quá sâu vào chi tiết, nhưng thấy Sonnet 5.5 giờ gần Opus 5.5 tới vậy thật sự rất thú vị, trong khi Sonnet 5 và Opus 5 trước đây hoàn toàn không như vậy (nhận định của Pat, video đăng ngày 29/09/2026). Vì hai model sát nhau về hiệu năng, câu hỏi bây giờ là Sonnet 5.5 so với Opus 5.5 ra sao trong các bản build thực tế.

6. Test 1: launch video và skill launch video clone

Đó chính là việc Pat làm trong mấy bài test. Anh nghĩ các bản build đã chạy xong, nên giờ giải thích từng bản và làm blind reveal. Một vài bản đã xong, vài bản vẫn đang chờ, nhưng launch video thì đã hoàn tất. Anh mở Simmons Bench, công cụ so sánh mù của mình, để giải thích bản build này (theo video đăng ngày 29/09/2026).

Prompt yêu cầu mỗi model làm launch video cho Claude Sonnet 5.5, đẹp nhất có thể. Thứ quan trọng nhất anh cho các model dùng là skill launch video clone (theo video đăng ngày 29/09/2026).

Pat kể bối cảnh: mấy ngày gần đây (tính tới video đăng ngày 29/09/2026), anh thấy Opus 5.5 cực kỳ giỏi tạo video và motion graphics, về cơ bản toàn bộ bằng code. Anh không đi sâu vào các demo trên X, nhưng theo anh đây là một bước tiến lớn. Chỉ vì tò mò, anh đưa cho Opus những launch video anh thích và bảo Opus dựng lại. Anh cho xem cảnh Opus clone launch video của Moonshot: trên màn hình, bên trái ghi "REAL, Moonshot" là bản thật, bên phải ghi "OPUS 5.5 CLONE" là bản Opus 5.5 làm, ở khung đó là một bức ký hoạ chàng cao bồi cưỡi ngựa, và theo anh nó giống tới mức khó tin, mọi thứ đều do model tự tạo ra.

Anh đưa các video đó cho Opus, bảo nó học cách dựng lại chúng và viết ra một skill hướng dẫn một agent về sau cách tạo những launch video thu hút, đẹp mắt như vậy. Pat gọi đó là chuyện bên lề, nhưng đó chính là nội dung của skill; anh nói skill này nằm trong bài blog đi kèm video. Mỗi agent nhận trọn skill này. Các model cũng có trang ra mắt để lấy hình, lấy các con số. Phần requirements thì anh ghi rõ: không có cái "generic AI video look", không có kiểu HyperFrames hay Remotion quen thuộc như glassmorphism, frosted panel, card trôi lơ lửng (theo video đăng ngày 29/09/2026).

Anh cũng cho mỗi model quyền dùng một image generator để tạo ảnh nếu cần (anh gọi là GPT Image Gen 2.5), và một soundtrack qua ElevenLabs API. Theo anh, cho nhiều tool như vậy thì kết quả phải tốt hơn nhiều, nhưng phải xem thực tế (theo video đăng ngày 29/09/2026). Dưới đây là phần đầu và phần requirements của prompt, chép từ màn hình (Pat cũng đăng nguyên văn trong bài blog):

Make the launch video for Claude Sonnet 5.5, and make it as beautiful as possible.

Requirements:

1. **No generic AI-video look.** No glassmorphism or frosted-glass panels, no floating cards sliding in from below, no gradient blobs, no default fonts, and none of the stock HyperFrames or Remotion look. If a shot could come from any AI launch video, redo it.
2. **Real craft.** Considered typography, deliberate easing that differs per element, hold times long enough to read, camera moves with intent, and a clear rhythm cut to the music.
3. **Use every tool that makes it better:** HyperFrames, code-drawn motion graphics and shaders, generated imagery (an image generator is provided), 3D if it helps, and a soundtrack plus sound design made with ElevenLabs.
4. **Length 30 to 60 seconds, 1920x1080, 30 or 60 fps**, with sound.
5. **Deliver** `final.mp4` in this folder, the HyperFrames project that renders it, and the storyboard stills.

Có năm cột. Với ai chưa quen blind reveal: Pat xem từng cột, xếp hạng, rồi mới lật xem model nào làm cột nào (theo video đăng ngày 29/09/2026).

7. Cột A: đàn chim trên dây điện

Pat mở rộng cột A và bấm play. Anh phải phát lại từ đầu vì hiệu ứng âm thanh đầu tiên "kinh khủng", nhưng ngay từ giây đầu anh đã thấy nó "điên rồ". Con số 70.6% hiện ra. Anh thốt lên rằng mình thật sự choáng. Anh vẫn chưa biết đây là model nào, nhưng theo anh đây là lần đầu anh thấy một bản generation như thế (demo trong video đăng ngày 29/09/2026).

Bản này chọn hẳn một chủ đề: những con chim. Nó animate cả con số 70.6%. Có nền màu nước rất đẹp, mọi thứ trông rất tự nhiên. Có đủ loại hình ảnh chim, như chim đậu trên dây điện, và chúng tương ứng với các con số benchmark (demo trong video đăng ngày 29/09/2026).

Pat nói đây chính là điều anh muốn nhấn mạnh: đang có một bước nhảy về "taste" ở tất cả các model, và theo anh chưa đủ người chú ý tới (nhận định của Pat, video đăng ngày 29/09/2026). Anh không thể nhấn mạnh đủ rằng đó là một thay đổi rất lớn. Quay lại video: chim đậu trên dây, rồi chim bay vào.

Phần branding có lựa chọn font rất tốt. Pat nghĩ Anthropic từng làm kiểu thẩm mỹ thiên nhiên này trước đây, dù không phải cho Sonnet, nên có thể model lấy cảm hứng từ đó. Dù vậy, nó vẫn tự tạo ra toàn bộ hình ảnh. Những con chim có animation rất tự nhiên. Có animation đếm số tăng dần. Có cảnh chim bay theo một chủ đề khác, một cách thể hiện benchmark mà Pat thấy tuyệt vời (demo trong video đăng ngày 29/09/2026).

Đồ hoạ vào mượt, không có thông tin thừa, và nó trình bày đủ các tính năng. Cả soundtrack cũng vậy: theo Pat, chọn tiếng sáo là một quyết định rất hợp với chủ đề chim. Sau đó có thêm các con số, mỗi cái thể hiện một kiểu khác nhau, điều anh rất thích (demo trong video đăng ngày 29/09/2026).

Cuối cùng video "đóng khung" bằng cách quay lại đúng animation màu nước lúc mở đầu: màu nước, rồi chim hiện ra, rồi chim đậu lên dây. Pat để ý thấy cả sợi dây cũng hơi võng xuống khi chim đáp, và xác nhận là có. Tất cả được làm bằng code, không có video generation model nào (demo trong video đăng ngày 29/09/2026). Anh rất muốn biết đây là model nào, và nói mình đang rất phấn khích.

Anh chuyển sang cột tiếp theo. Cột này thoạt nhìn cũng mang thẩm mỹ chim. Pat hơi lo: có khi nào các model đang "ăn gian" theo cách nào đó không, vì nó trông rất giống bản trước. Nhìn kỹ thì là mũi tên. Anh bấm play, và thấy "hay đấy" (demo trong video đăng ngày 29/09/2026).

8. Cột B: mũi tên, grain và chiếc barometer

Pat liên tục khen: "hay đấy", "tôi thích cái này". Tới cuối thì là chim, hoặc là mũi tên, anh thấy hơi lạ. Ở phần "a sharp eye for design", anh thích typography, kiểu grid, và font nó chọn. Bản này đơn giản hơn nhiều. Anh thích hình ảnh ở cuối, cách nó khiến hình chuyển động, và lớp grain overlay mà anh gọi là một chi tiết rất tinh tế (demo trong video đăng ngày 29/09/2026).

Đó vốn chỉ là một ảnh tĩnh, nhưng Pat tin là model đã thêm hiệu ứng rung camera. Theo anh, các model đang giỏi tới mức đủ thông minh để làm một ảnh tĩnh trông như đang chuyển động (nhận định của Pat, video đăng ngày 29/09/2026). Còn những mũi tên thì anh không rõ để làm gì: lẽ ra là chim, nhưng thật ra không phải chim.

Âm thanh fade out đẹp, rồi logo Anthropic hiện ra. Theo Pat, lý do bản này không bằng bản trước là nó hơi lộn xộn: lúc thì là chủ đề chim, lúc lại là các hình được generate. Các hình đều rất đẹp và không có cảm giác "HyperFrames slop". Có một con số 30% hiện ra. Phần này giống đồ hoạ hơn. Rồi nó như chợt nghĩ "mình nên thêm image generation ở đây", và chèn vào một hình ngẫu nhiên, hơi lạ và lệch tông với phần còn lại của video (demo trong video đăng ngày 29/09/2026).

Dù vậy, Pat không biết nó làm cách nào, vì anh chỉ đưa cho nó image generation. Việc nó tạo ra chiếc barometer này, và chiếc barometer đó trông rất tự nhiên, khiến anh thấy khó tin (demo trong video đăng ngày 29/09/2026). Có một khung khác cũng khiến anh thốt lên như vậy. Anh đoán có thể nó dùng code để nhúng theo cách nào đó. Rồi có một cảnh Pokémon Red nhỏ, rất hay. Âm nhạc cũng rất tốt.

Theo Pat, hiệu ứng âm thanh là thứ duy nhất các model vẫn chưa làm tốt, vì chúng không tự QA được sản phẩm của mình (nhận định của Pat, video đăng ngày 29/09/2026). Anh đang làm một thứ để giải quyết việc này: đã có những model mã nguồn mở về âm thanh do Qwen xây, và Meta cũng có một model như vậy (theo lời Pat trong video đăng ngày 29/09/2026). Anh đang build một bộ phân tích hiệu ứng âm thanh để một model chấm điểm sound effect, giúp các model làm tốt hơn phần này, nhưng việc đó vẫn đang dở. Anh nói chắc người xem cũng thấy anh hào hứng thế nào với tương lai của video generation.

9. Cột C, D và E

Xong cột B, Pat cố không bị phân tâm và chuyển sang cột C. Hiệu ứng âm thanh không tốt, thậm chí "tệ". Nhạc nền không tệ, nhưng hơi nhạt. Đây là kiểu kết quả bạn có thể đoán trước từ HyperFrames, nhưng tốt hơn bình thường. Anh thích cái nền có texture và hiệu ứng đếm số. Bản này dĩ nhiên không chọn một chủ đề riêng; Pat nhắc rằng anh chưa bao giờ yêu cầu điều đó, nên việc cột A tự làm được mới là điều đáng kinh ngạc. Dù vậy đây vẫn là một video ổn, có vài cách thể hiện benchmark bằng hình rất hay, làm khá tốt (demo trong video đăng ngày 29/09/2026).

Có một đoạn animation bay khá lạ, có thể vì nó xuất hiện đâu đó trong thông cáo của Sonnet 5.5 và model lấy từ đó. Rồi tới "wind shaping sand dunes": Pat nhận ra đây là một prompt, tức một bản build, được thể hiện rất hay. Có những chiếc đồng hồ; anh tưởng chúng đang xếp thành chữ gì, nhưng hoá ra là giờ 9:20. Dòng chữ ghi "A clock made of 24 small clocks in one HTML file": nó đang trình bày các bản build khác nhau. Trông khá cơ bản, nhưng làm được việc (demo trong video đăng ngày 29/09/2026).

Thêm một generation đẹp nữa. Theo Pat, tất cả các con số đều chính xác, không sai thứ gì, nên thật sự ấn tượng. Cả cảnh Pokémon (anh gọi là "Pokémon Go view") cũng rất đẹp. Có các transition giữa từng cảnh, rồi kết thúc. Vài hiệu ứng âm thanh không tệ, vài cái thì khó chịu, nhưng nhìn chung chọn khá ổn. Pat bắt đầu xếp hạng: rõ ràng có một cái hạng một, một cái hạng hai, một cái hạng ba. Nhưng anh muốn xem hết các cột trước, nên để ngỏ cột này (demo trong video đăng ngày 29/09/2026).

Cột D. Pat thấy có hình ảnh. Về nhạc, vì model dùng ElevenLabs nên theo anh đây là nhận xét về khả năng tạo nhạc của ElevenLabs: nhạc chạy rất tốt, fade out đẹp, nhịp tăng dần lên. Nhưng đây chắc chắn là bản nhạt nhất, rất cơ bản. Ngược lại, anh thấy hiệu ứng âm thanh ở đây ít gây khó chịu nhất. Có vài đoạn reveal. Việc nó lấy được cả logo, theo Pat, là điểm cộng lớn, vì các model thường gặp khó với việc này (nhận định của Pat, video đăng ngày 29/09/2026). Anh không biết nó lấy logo từ đâu, có thể từ thông cáo báo chí của Anthropic.

Không tệ. Anh xếp cột D chắc chắn hạng tư, còn cột C hạng ba, và nói tất cả đều rất ấn tượng. Rồi tới cột E: nhạc tuyệt vời, fade cuối rất hay, có chút reverb, rất ấn tượng. Nhưng phần hình khá cơ bản, giống một bộ slide. Theo Pat, tất cả vẫn hoàn toàn dùng được: hãy nghĩ tới môi trường công việc, nếu bạn muốn làm một bài thuyết trình tương tác hơn cho đồng nghiệp thì có thể đưa việc này cho gần như bất kỳ model nào, kèm skill (nhận định của Pat, video đăng ngày 29/09/2026). Anh nghĩ skill anh tạo chắc chắn có giúp, và nói mình "vẫn chưa hết phấn khích" về nó.

Bản này cũng làm rất tốt: nhạc hay, sound effect không tốt, nhạc được tạo tốt, vài đồ hoạ cơ bản, đủ những gì cần. Rồi Pat xếp hạng, dù theo anh thứ hạng không quá quan trọng: cột này hạng tư, cột kia hạng năm (demo trong video đăng ngày 29/09/2026).

10. Kết quả và chi phí của test 1

Tới màn lật bài, Pat đi từ dưới lên. Hạng năm là Sonnet 5, đúng như anh đoán. Hạng tư là GPT-6 Astra, anh nói đã đoán ra được. Hạng ba là Sonnet 5.5, điều anh thấy thú vị. Hai hạng đầu là cuộc đọ sức giữa Fable và Opus: hạng hai là Fable 5.1, và hạng nhất là Opus 5.5 (xếp hạng của Pat, video đăng ngày 29/09/2026). Pat nói Opus 5.5 cực kỳ giỏi video generation, và anh không thể quên được video đó, theo anh làm chuyên nghiệp vô cùng.

Pat nói video này không xoay quanh Opus, nhưng có thể thấy Sonnet 5.5 đứng thứ ba, vượt Astra một khoảng khá xa. Rồi anh xem chi phí, đọc từ phải sang trái (số đo của Pat, video đăng ngày 29/09/2026):

• GPT-6 Astra: anh nói khoảng $12, màn hình ghi $12.33, chạy 26 phút (số đo của Pat, 29/09/2026).
• Sonnet 5: anh nói $5, màn hình ghi $5.90, chạy 27 phút (số đo của Pat, 29/09/2026).
• Sonnet 5.5: $12.41, chạy 73 phút, tức làm việc lâu hơn nhiều (số đo của Pat, 29/09/2026).
• Fable 5.1: anh nói $50, màn hình ghi $50.13, chạy 117 phút (số đo của Pat, 29/09/2026).
• Opus 5.5: anh nói $29, màn hình ghi $29.68, chạy 116 phút (số đo của Pat, 29/09/2026).

Pat chỉ ra khác biệt về chi phí và hiệu quả giữa Sonnet 5 và Sonnet 5.5. Với Opus 5.5 thì thời gian lâu hơn, nhưng chất lượng cũng khác hẳn, chưa kể chi phí. Theo anh, Opus 5.5 là một model cực kỳ tốt, ít nhất cho kiểu video generation này (nhận định của Pat, video đăng ngày 29/09/2026).

11. Test 2: clone butter.video, cả phần 3D

Bài test tiếp theo là bài Pat yêu thích, ai xem các video so sánh của anh sẽ biết: anh rất thích xem các model dựng lại những website cực kỳ phức tạp. Website lần này là butter.video, được Awwwards chọn làm Site of the Day, theo Pat là vào "hôm qua" (theo video đăng ngày 29/09/2026). Anh lướt nhanh qua Butter vì theo anh đây là một website "tuyệt hảo". Dòng tiêu đề là "Engineered for Creativity". Anh tắt hộp cookie.

Anh chỉ vào các hình được tạo: 3D đẹp, ánh sáng đẹp, chuyển động mượt. Rồi khi cuộn xuống thì mọi thứ mới "điên". Anh cuộn tiếp và tự hỏi họ làm những thứ này bằng cách nào. Dòng chữ trên trang ghi: "Butter is the first video editor where creatives can build and remix custom design tools right on timeline." Rồi anh bảo xem: các icon rời khỏi dòng chữ và rơi vào timeline. Anh rất tò mò các model sẽ xử lý thế nào với những hình ảnh chuyển động bên trong các icon nhỏ này (theo video đăng ngày 29/09/2026).

Cuộn tiếp, Pat thích hiệu ứng chữ hiện ra, thích các icon nhỏ nằm trong dòng chữ. Thêm phần UI của họ. Rồi thêm nhiều cảnh nữa. Theo anh, đây đúng là hình dáng của một website cao cấp. Các mục Remix, Describe và Code. Dòng "The best stories are built block by block." Phần Templates. Trang còn kéo dài nữa. Đó là website các model phải clone (theo video đăng ngày 29/09/2026).

Anh quay lại Simmons Bench và cho xem prompt: dựng lại butter.video pixel-for-pixel, bao gồm cả 3D, và tự tạo mọi asset. Đầu tiên phải đọc methodology: đây là một skill nữa anh đưa cho các model, tên là Clone App Pat Pro. Pat giải thích đó là skill anh tự tạo, đi qua một loạt bước: xem code, chụp screenshot, chạy theo vòng lặp để tiến thật sát một bản dựng pixel-for-pixel của website (theo video đăng ngày 29/09/2026).

Anh cũng cho các model quyền dùng Blender. Prompt nói các model có hai công cụ sáng tạo: Blender, điều khiển ở chế độ headless bằng script Python, vì anh không muốn nó mở giao diện Blender, và image generation (anh nói GPT Image Gen 2). Phần requirements được mô tả chi tiết trong skill và trong prompt. Pat nói thêm: đây đều là các prompt dạng /goal, nên mỗi model chạy trong một vòng lặp (theo video đăng ngày 29/09/2026). Một đoạn của prompt, chép từ màn hình:

Rebuild https://www.butter.video/ pixel for pixel, including its 3D, making every asset yourself.

You have two creative tools: **Blender**, driven headless with Python scripts, and an **image generator** (OpenAI gpt-image) you can call from the command line.

3. **Make the 3D yourself.** The hero keychain and its puffy, inflated charms must be real 3D: model them in Blender, export glTF/GLB, and render them live in the page with WebGL, matching the original's composition, lighting, material softness and motion. Use the image generator for textures, decals, and flat artwork, and as a design reference for shapes before you model them. Any other 3D or inflated artwork on the page gets the same treatment.

12. Bản clone cột A và cột B

Pat bắt đầu với cột A, mở trong tab mới. Bản generation đầu tiên trông rất tốt, có các phần chuyển động. Theo anh nó làm rất tốt. Nếu khó tính thì ánh sáng không bằng của Butter, nhưng khá sát (demo trong video đăng ngày 29/09/2026). Anh nhìn lại để phân biệt đâu là trang Butter, đâu là bản của model. Ở bản này có thể kéo xoay các vật thể, nhưng tất cả dính thành một khối, trong khi theo anh Butter có từng asset riêng. Anh tự nhắc mình đang quá khắt khe.

Phần chữ trông hơi nhạt, giống font Inter, và Pat nghĩ Butter thật ra cũng dùng font này. Dòng "Engineered for creativity", rồi một carousel logo. Không tệ. Khi cuộn hơi giật, nhưng các phần vẫn vào và giao nhau, làm khá tốt. Anh đoán các icon này đều được tạo bằng GPT Image Gen rồi chuyển sang Blender để làm cho trông 3D với đủ kiểu đổ bóng. Timeline đẹp. Anh thích cách các icon nảy lên khi cuộn. Bản này không làm được phần anh mong nhất, những hình chuyển động bên trong icon như Butter, nhưng anh nói không thể đòi hỏi quá nhiều và nó vẫn rất đẹp (demo trong video đăng ngày 29/09/2026).

Cuộn tiếp có một hiệu ứng chữ rất hay, và các icon vẫn nảy; anh lại đoán chúng được làm trong Blender. Có thể bấm vào nhiều thứ. Một hiệu ứng chữ nữa. Một vật thể trôi lơ lửng mà anh không rõ là gì nhưng thấy rất ngầu. Rồi anh phát hiện mình đổi được màu ngay trong trình duyệt và gọi điều đó là "điên rồ" (demo trong video đăng ngày 29/09/2026). Các icon ở một đoạn thì hơi kỳ, lẽ ra có thể làm tốt hơn, nhất là khi đã có GPT Image Gen, việc đó theo anh rất dễ.

Tiếp theo là phần UI thật của Butter, cuộn rất mượt, theo Pat làm rất tốt. Các card khác nhau rất giống Butter. Tới mục Describe thì hơi lạ, nhưng có một hiệu ứng khiến anh thốt lên. Ô "Make something" bấm vào thì có phản hồi. Mục Code đẹp. Nhìn chung rất giống Butter. Card đẹp, và các icon nảy, dù anh không biết nó cố ý làm vậy hay không, nhưng anh thích (demo trong video đăng ngày 29/09/2026).

Pat nhắc lại: các model đang rất giỏi clone website và cả sáng tạo, dù chúng vẫn phải sao chép trước rồi mới tự nghĩ (nhận định của Pat, video đăng ngày 29/09/2026). Đó là bản generation đầu tiên, cột A.

Cột B, mở trong tab mới. Có hiệu ứng bay vào, anh cho chạy lại lần nữa, rồi hiệu ứng nảy. Phần 3D vẫn khá ấn tượng. Chiếc móc khoá thì hơi kỳ: xoay được, nhưng 3D không tốt bằng. Dù vậy, theo Pat, nó vẫn bắt rất đúng ánh sáng, điều khá ấn tượng. Có điều chiếc móc khoá không đúng, không chính xác (demo trong video đăng ngày 29/09/2026).

Cuộn tiếp thì tốt hơn. Nó làm tốt hơn ở một icon mà anh gọi là "hello icon". Nó còn cố làm mấy con ngựa chuyển động bằng cách nào đó: không có cảm giác là video, nhưng hình vẫn chuyển động, và anh không biết nó làm được bằng GPT Image Gen ra sao. Anh rất thích texture trong các icon. Khi cuộn, các icon rơi vào timeline, làm rất tốt. Anh thích kiểu icon phồng lên như bơm hơi. Phần này rất giống Butter và giống bản trước. Anh thử xem có cập nhật được các lựa chọn như "backlit", "reflective" không, nhưng không thấy gì thay đổi. Dù vậy các icon ở đây làm tốt hơn, và chúng chuyển động (demo trong video đăng ngày 29/09/2026).

Cuộn tiếp: phần UI trông rất chính xác. Rất giống Butter. Mục Describe làm rất sát, mục Code cũng vậy. Pat quay lại Butter thật để so, và thấy các card rất giống: anh đoán model tạo chúng bằng GPT Image Gen, toàn là sản phẩm giả nhưng trông như thật. Timeline cũng chuyển động; Butter cũng làm vậy, nhưng theo anh không đẹp bằng, và anh còn thích bản này hơn. Thêm các icon nữa, và xong. Theo Pat, bản này rất sát; thứ duy nhất nó làm chưa đúng là phần 3D ở đầu trang, mọi thứ khác đều rất tốt (demo trong video đăng ngày 29/09/2026).

13. Bản clone cột C, D và E

Pat quay lại Simmons Bench và mở bản thứ ba. Anh thốt lên rằng mọi thứ đang tệ đi nhiều. Ánh sáng thì có, nhưng nó không giống một chiếc móc khoá chút nào. Cuộn xuống: không có carousel. Các icon được tạo khá tốt, texture đẹp, nhưng không bay vào, không có gì tương tác được (demo trong video đăng ngày 29/09/2026).

Anh lướt nhanh vì rõ ràng đây không phải bản tốt nhất. UI không giống, các section không giống Butter, và phần tạo icon thì làm cẩu thả: nhiều ô để trống. Theo anh, bản này không hề gần. Anh đoán có thể đây là một model đời cũ hơn (demo trong video đăng ngày 29/09/2026).

Cột D. Pat mở rộng và mở trong tab mới, thấy một dòng "whole new timeline". Bản này cũng hụt phần 3D: nó xoay theo một kiểu anh thích, nhưng không làm ra đúng chiếc móc khoá. Cuộn tiếp: carousel chạy quá nhanh. Các icon trông khá hơn một chút, anh thích con ngựa, nhưng nó không làm con ngựa chuyển động. Lẽ ra phải xoá nền ở chỗ này. Chỗ khác thì không có texture nào, hụt hoàn toàn. Các icon có bay vào timeline không? Có, ít nhất nó làm được điều đó (demo trong video đăng ngày 29/09/2026).

Timeline có một khoảng trắng hơi lạ, nhưng không tệ. Có thể highlight các mục; có "halftone", trông hay. Pat thử phần cập nhật và thấy nó giống hệt cột B. Các nút xoay có chuyển động, nhưng trông rất giả. Cuộn tiếp: nó có làm được UI không? Không hẳn: trông không giống một dashboard thật. Thêm nữa, khi cuộn thì nó trôi khỏi màn hình, anh không xem được; lẽ ra trang phải dừng cuộn xuống và chỉ cuộn trong UI. Nó hụt phần đó hoàn toàn (demo trong video đăng ngày 29/09/2026).

Cuộn tiếp thì chỉ có một mảng trắng trống trơn ở chỗ lẽ ra phải có nội dung, nó làm hỏng phần này. Các card không có gì chuyển động, dù lẽ ra phải có. Mục Remix, Describe: tạm ổn, trông được. Mục Code trông tốt. Không tệ, nhưng không xoay. Phần image generation cũng làm cẩu thả. Có chỗ giống Butter, nhưng rồi theo Pat nó bắt đầu làm ẩu mọi thứ, không có icon ở chỗ cần có (demo trong video đăng ngày 29/09/2026). Đó là bản thứ tư.

Cuối cùng là bản thứ năm. Phần 3D theo Pat có lẽ tốt nhất từ đầu tới giờ: trông đúng là một chiếc móc khoá. Các asset không tách riêng nên không kéo từng cái được, nhưng mọi thứ trông rất ổn: ánh sáng đẹp, xoay đẹp, có lẽ là một trong những bản 3D tốt nhất (demo trong video đăng ngày 29/09/2026).

Cuộn tiếp, anh thích cách các logo trôi vào chậm rãi. Đoạn generation này giống bản kia, rất giống. Bản này cũng chọn không tạo các icon giống Butter, mà dùng kiểu icon nảy như các bản trước. Chúng bay vào và giao nhau: "Up, Flow, play, go, play". Anh thích chuyển động của các icon. Mục Blocks, glow, halftone, nhưng nó không thật sự làm halftone. Focus. Các hiệu ứng chữ thì làm hơi ẩu. Phần cập nhật thì giống hệt, đến mức anh tự hỏi có phải mình đang xem cùng một model không, vì nó quá giống cột A; anh nghĩ là không (demo trong video đăng ngày 29/09/2026).

Phần UI: lẽ ra có thể làm dashboard tốt hơn, thiếu icon, trông khá giả. Theo Pat, model ở cột B làm phần này vượt trội. Bản này không chăm chút chi tiết dashboard, nhưng cuộn đúng cách, điều anh thấy tốt. Có chuyển động ở đây, giống Butter. Remix, Describe, Code rất giống cột A. Tò mò, anh mở lại cột A để so, và xác nhận hai bản thật sự khác nhau. Phần 3D của cột A cũng rất gần. Quay lại cột E: phần này không xoay, có thì hay hơn. Có chuyển động, rất đẹp. Làm tốt, tất cả đều giống Butter, các icon phồng lên bay vào (demo trong video đăng ngày 29/09/2026).

Đó là các bản clone butter.video pixel-for-pixel. Pat nhắc lại một lần nữa rằng các model đang rất giỏi, dĩ nhiên có vài bản không tốt (nhận định của Pat, video đăng ngày 29/09/2026). Anh cho một bản hạng năm, dù không nhớ nổi cái nào là cái nào. Xem lại cột D: hạng tư, vì cột D gần như hụt mọi thứ. Ba bản đầu thì rất khó chọn. Anh xem lại phần 3D: bản này làm 3D tốt hơn ở đầu trang; cột B hụt 3D nhưng mọi thứ khác hoàn hảo, cách các icon bay vào. Cuối cùng anh chọn một bản hạng hai và một bản hạng nhất.

14. Kết quả và chi phí của test 2

Lật bài từ dưới lên. Hạng chót là Sonnet 5, không bất ngờ. Hạng tư là Fable 5.1, điều khiến Pat ngạc nhiên: theo anh nó hụt rất nhiều thứ, phần 3D "quá tệ". Anh kêu Anthropic hãy cho ra Fable 5.5. Hạng ba là Sonnet 5.5, vượt Fable 5.1. Hạng hai là GPT-6 Astra. Hạng nhất là Opus 5.5 (xếp hạng của Pat, video đăng ngày 29/09/2026). Theo anh, hạng một và hạng hai gần như ngang nhau.

Pat nói điều thú vị là theo anh, Sonnet 5.5 thật ra làm phần còn lại của website tốt nhất: cách nó tạo các icon, cách nó cố làm mấy con ngựa chuyển động, cách các icon bay vào. Thứ duy nhất nó làm chưa tốt là phần 3D. Ngoài ra, theo anh nó làm tốt hơn cả Astra và Opus 5.5. Còn giữa Astra và Opus 5.5, vì phần 3D của cả hai đều xuất sắc, nên gần như ngang nhau. Vậy là Sonnet 5.5 đứng khá cao (nhận định của Pat, video đăng ngày 29/09/2026).

Rồi tới chi phí, đọc từ phải sang trái; số lẻ lấy từ bảng trong bài blog của Pat (số đo của Pat, video đăng ngày 29/09/2026; blog đọc ngày 24/10/2026):

• GPT-6 Astra: anh nói $29, chạy 45 phút; bảng ghi $29.54 (số đo của Pat, 29/09/2026).
• Fable 5.1: anh nói $43, chạy 84 phút; bảng ghi $43.41 (số đo của Pat, 29/09/2026).
• Sonnet 5: anh nói $18, chạy 42 phút; bảng ghi $18.65 (số đo của Pat, 29/09/2026).
• Sonnet 5.5: $57, đắt hơn cả Fable 5.1; bảng ghi $57.64 và 206 phút (số đo của Pat, 29/09/2026).
• Opus 5.5: $33, chạy 63 phút; bảng ghi $33.67 (số đo của Pat, 29/09/2026).

Theo Pat, Sonnet 5.5 đắt hơn Fable 5.1 vì nó chạy rất lâu, nhiều lượt hơn, và dùng nhiều token input lẫn output hơn hẳn Fable 5.1, nên con số là hợp lý. Đây là chỗ chi phí model trở nên phức tạp: Sonnet hiệu quả hơn và làm tốt hơn Fable, nhưng lại chạy lâu hơn nhiều và tốn tiền hơn cả Fable 5.1 (số đo và nhận định của Pat, video đăng ngày 29/09/2026). Còn Opus 5.5 thì anh gọi là người thắng, không chỉ về chi phí mà cả kết quả, rồi tự sửa lại là khá sát với Astra: 63 phút, $33. Vậy với kiểu việc này thì là Opus và Astra.

Pat nói nên nhớ điều này: với việc tạo 3D và nhúng vào website, anh nghĩ Opus 5.5 vẫn đứng số một, dựa trên những bài test khác anh từng chạy, và Astra đứng sát thứ hai, nhất là khi tính cả chi phí (nhận định của Pat, video đăng ngày 29/09/2026). Dù vậy Sonnet 5.5 vẫn đứng cao, rất ấn tượng. Giá mà phần 3D của nó tốt hơn một chút.

15. Test 3: game kinh dị Backrooms, cột A

Bài so sánh thứ ba và cũng là cuối cùng: dựng một game kinh dị Backrooms trông thật. Pat cảm ơn một người xem đã gợi ý ý tưởng này trong phần bình luận YouTube, và nhắc mọi người tiếp tục để lại ý tưởng cho các bài sau, vì đây là một ý tưởng rất hay.

Yêu cầu là một game kinh dị Backrooms góc nhìn thứ nhất, chạy trong trình duyệt, và trông thật nhất có thể. Anh mô tả chi tiết texture. Một lần nữa, các model đều làm việc trong Blender để dựng các mảnh của căn phòng và làm ánh sáng thật. Bố cục là vô tận, procedurally generated, với phòng, hành lang, cột, ngõ cụt. Vật lý của chuyển động góc nhìn thứ nhất phải tự nhiên và thật, đủ mọi thứ có trong một game Backrooms. "Sound is half the horror": anh muốn xem các model tạo âm thanh ra sao, và nói có thể sẽ phải tắt tiếng (theo video đăng ngày 29/09/2026). Đây là prompt trên màn hình (Pat cũng đăng nguyên văn trong bài blog):

Build a first-person Backrooms horror game that runs in the browser, and make it as realistic as possible.

Context you should know: this is going into a video watched by a large audience. I will play your game on camera next to three other frontier models given this identical prompt.

The comparison is blind. Never put your model name, your company's name, or any mention of which AI made it anywhere in what you build: not in on-screen text, credits, the page title, file names, code comments, or metadata.

Requirements:

1. **Level 0, as close to photoreal as possible.** Mono-yellow wallpaper with a faded pattern, damp stained carpet, drop ceilings with buzzing fluorescent panels, some flickering or dead. Build the environment in Blender: model the room pieces, give them physically based materials, and bake the lighting (soft fluorescent bounce light, contact shadows, grime) with Cycles into lightmaps, then export glTF/GLB for the browser. Add subtle fog, camera exposure and grain that sell it as footage. It should look like a photo of a real place, not a video game.
2. **Endless, procedurally generated layout.** Rooms, corridors, pillars and dead ends generate around the player as they walk, never the same twice, with no visible seams or pop-in.
3. **First-person movement that feels human.** WASD and mouse look with pointer lock, walking and a limited sprint, subtle head bob, footsteps that change with speed.
4. **An entity that hunts by sound.** Something in the dark that you rarely see clearly. It moves toward noise: sprinting and running into things draw it in, walking slowly keeps you hidden. Getting caught ends the run.
5. **A way out.** An exit exists somewhere, with faint clues that lead toward it (a sound, a change in the light, a marking on the wall). Finding it ends the run with an escape screen. A typical run lasts 5 to 15 minutes.
6. **Sound is half the horror.** Fluorescent hum, distant noises, footsteps, the entity's approach, all synthesized or generated by you, positioned in 3D so you can tell direction.
7. **Performance.** Holds a smooth frame rate at 1920x1080 in desktop Chrome using WebGL2. Libraries via CDN or npm are fine.
8. **Original everything.** No assets or names taken from existing Backrooms games or videos.

**Prove it.** Play it yourself through automation: walk the maze, get caught once, and reach the exit once. Then look at your own screenshots next to real photos of the Backrooms' Level 0 and push the realism until they're hard to tell apart.

DONE when: the game loads in Chrome with no console errors, you have been caught and have escaped through automation, it runs smoothly at 1080p, and your screenshots look like a real place.

Theo Pat, đây là một bài test hay cho Sonnet 5.5 ở mảng phát triển game và tạo 3D trong Blender. Ở bản build trước, nó không làm tốt phần 3D, nên lần này anh thử lại phần đó và xem nó so với Astra, Opus và dĩ nhiên cả Fable ra sao (theo video đăng ngày 29/09/2026).

Cột A, mở trong tab mới, bấm Enter. Pat thốt lên: rất ngầu, ánh sáng tuyệt, trông như một khu văn phòng bị ma ám. Có tiếng bước chân, khá thật. Anh vặn nhỏ âm thanh vì nó quá khó chịu. Rồi anh để ý vài thứ có vẻ sắp nhảy ra, khiến anh giật mình, và anh cảnh báo người xem rằng có thể có jump scare. Anh khen giấy dán tường, khen một chi tiết nhỏ (demo trong video đăng ngày 29/09/2026).

Có lẽ những thứ đó sẽ không nhảy ra doạ anh. Anh nói mình không nhớ trong prompt có gì. Nhìn rất đẹp. Tiếng bước chân hơi lạ. Cảm giác rất "trippy", rất đáng sợ, như một cơn ác mộng. Nhưng anh nhấn mạnh nó ấn tượng thế nào. Anh đoán mình chỉ cần đi theo các mũi tên. Anh tự nhắc phải nhanh lên vì còn năm bản phải xem. Anh hỏi làm sao thoát ra, và nói đã tưởng sẽ có jump scare. Giờ anh phải thoát ra và thấy như mình bắt đầu phát điên. Anh đi theo mũi tên thêm chút nữa rồi phải sang bản kế (demo trong video đăng ngày 29/09/2026).

Theo anh bản này làm rất tốt. Mũi tên, mũi tên: anh ví việc này như tìm đường trong tàu điện ngầm New York. Rồi anh dừng lại và nói bản này rất ngầu. Có lẽ có hướng dẫn: màn hình mở đầu ghi "You were somewhere ordinary, and then you weren't. The lights buzz. The carpet is damp. Something else is walking these halls, and it listens." Có nút sprint. Anh thử chạy nhanh, và nhận ra sprint sẽ hết, điều anh gọi là một chi tiết rất hay (demo trong video đăng ngày 29/09/2026). Rồi anh nghe thấy gì đó.

16. Cột B đến E, kết quả và chi phí của test 3

Pat nói không đủ thời gian đi hết bản đó, và nhờ ai đó trong phần bình luận chơi thử rồi cho anh biết có thứ gì nhảy ra không, hoặc có ai thoát khỏi các hành lang không. Đó là cột A: theo anh là một bản generation rất tốt, rất thật (demo trong video đăng ngày 29/09/2026).

Cột B, mở tab mới. Anh lo đây có thể không phải bài test tốt nhất vì các bản có thể trông rất giống nhau, rồi bấm để bắt đầu. Anh thích lớp overlay như máy quay đang ghi hình, gọi đó là chi tiết kiểu Blair Witch Project. Có cả ổ cắm điện trên tường, cũng là một chi tiết hay. Giấy dán tường trông thật hơn một chút (demo trong video đăng ngày 29/09/2026).

Chuyển động khi đi thì hơi kỳ hơn, nhưng anh thừa nhận có khi nó lại thật hơn. Anh đoán bản này không chạy quá một tiếng, rồi sẽ xem. Anh đi theo hướng này và thốt lên. Anh thích cách bản này khiến người chơi lạc trong cảm giác mơ hồ. Anh nghĩ người xem đã hiểu ý, xin lỗi vì như đã nói đây có thể không phải bài test tốt nhất, nhưng anh thích bản này hơn một chút (demo trong video đăng ngày 29/09/2026).

Cột C: màn hình ghi WASD, chuột để nhìn quanh, Shift để sprint, bấm để vào. Theo Pat, đây là chỗ bắt đầu thấy khác biệt giữa các model. Texture vẫn không tệ. Đây giống một căn phòng mở; có thể thấy ánh sáng xuyên qua cây cột. Có vài dấu hiệu lộ rõ đây không phải một model mạnh. Anh thích texture trên trần. Nhưng theo anh nó không thật sự là game Backrooms: anh không thấy mình lạc trong mê cung như các bản khác (demo trong video đăng ngày 29/09/2026). Anh thử chạy và hỏi mình có thoát ra được không, muốn ra khỏi một trong mấy chỗ này. Anh nhờ người xem thoát ra và xem phía bên kia là gì: một thế giới khác chăng, model có tạo cả thứ đó không.

Cột D: tên game là "The Long Hum", bấm để vào. Âm thanh khá khó chịu, nhưng anh thích cái cảm giác khối lượng trên khung nhìn. Nó gây mất phương hướng, rất lạ, giống motion blur. Theo Pat thật ra rất hay. Texture nhìn gần thì rất tốt: anh định nói nó không chi tiết lắm, nhưng đó là vì motion blur; nhìn kỹ giấy dán tường thì texture tuyệt vời. Anh nói khó tin những gì model giờ làm được trong Blender. Có vết ố đẹp trên giấy dán tường (demo trong video đăng ngày 29/09/2026).

Bản này không cho cảm giác thật sự lạc trong Backrooms, kém mất phương hướng hơn vì không thật sự bị kẹt trong mê cung, dù có motion blur. Nhưng người chơi có cảm giác lắc lư như đang thật sự bước đi. Rồi đột nhiên có một con yêu tinh: jump scare. Pat la lên, nói bản này được điểm thưởng, và gọi nó là kinh hoàng. Vậy là có cả ma quỷ trong game. Anh nói sẽ không làm lại vì nó doạ anh sợ thật, anh vốn dễ sợ. Nhưng anh thấy rất ngầu, với hiệu ứng kiểu băng VHS khi đi ngang con yêu tinh. Anh xếp ngay bản này là tốt nhất (demo trong video đăng ngày 29/09/2026).

Cuối cùng là cột E. Pat thấy một chi tiết branding mà anh cho là để lộ model, nhưng không nói ra. Tên là "The Still Floor", bấm Enter. Di chuyển quá nhanh. Texture trên tường có thể tốt hơn, gần như không có giấy dán tường. Có vết ố đẹp, đèn nhấp nháy đẹp. Chi tiết tường và trần có thể tốt hơn. Không có cảm giác lạc. Có dòng "Press E to listen". Anh chạy thử. Hiệu ứng nhấp nháy có thể tốt hơn, và cũng không gây mất phương hướng bằng bản kia (demo trong video đăng ngày 29/09/2026).

Anh xếp hạng: một bản chắc chắn hạng năm; anh cố nhớ bản nào là bản nào, khen một bản có hiệu ứng bloom đẹp, xem lại chi tiết tường, chọn một bản tốt nhất, một bản hạng hai, và cột B hạng ba. Lật bài từ dưới lên: hạng chót là Sonnet 5, không bất ngờ. Kế đó là Astra, mà anh gọi là bị lộ ngay. Hạng ba là Opus 5.5. Hạng hai là Sonnet 5.5. Và hạng nhất là Fable 5.1 (xếp hạng của Pat, video đăng ngày 29/09/2026).

Theo Pat, rất thú vị là các model cứ thay nhau giữ các vị trí đầu, và Fable chắc chắn làm tốt nhất cái cảm giác mất phương hướng (nhận định của Pat, video đăng ngày 29/09/2026). Rồi tới chi phí (số đo của Pat, video đăng ngày 29/09/2026):

• GPT-6 Astra: $7.28, 28 phút (số đo của Pat, 29/09/2026).
• Fable 5.1: anh nói $36, màn hình ghi $36.09, 151 phút, làm việc khá lâu (số đo của Pat, 29/09/2026).
• Sonnet 5: anh nói $17, màn hình ghi $17.22, 51 phút (số đo của Pat, 29/09/2026).
• Opus 5.5: anh nói $20, màn hình ghi $20.89, 91 phút (số đo của Pat, 29/09/2026).
• Sonnet 5.5: anh nói $15, màn hình ghi $15.35, rẻ hơn Opus nhưng chạy lâu hơn một chút, 114 phút (số đo của Pat, 29/09/2026).

17. Tổng kết chi phí qua ba bản build

Đó là bản Backrooms. Pat thừa nhận việc này hơi buồn cười: anh đang đi khá xa khỏi cách bạn thật sự dùng Sonnet 5.5 hằng ngày, vì không ai làm game kinh dị 3D mỗi ngày. Nhưng đây là một bài test 3D tốt, và anh muốn thử một thứ khác. Theo anh, điểm chính là Sonnet 5.5 đứng gần top ở nhiều kiểu test khác nhau (nhận định của Pat, video đăng ngày 29/09/2026). Đó là cầu nối sang phần tổng kết.

Anh tổng kết trước bằng chi phí của từng bản build. Với launch video, Sonnet 5.5 tốn $12.41, Astra rất sát với $12.33. Sonnet 5 rẻ hơn nhiều vì không chạy lâu, nhưng như đã thấy, kết quả không tốt. Opus và Fable thì đắt hơn nhiều, đúng như benchmark gợi ý (số đo của Pat, video đăng ngày 29/09/2026).

Nhưng không phải lúc nào cũng vậy. Với game Backrooms, Sonnet 5.5 chạy 1 tiếng 54 phút và tốn $15, trong khi Astra chạy bằng nửa thời gian và tốn khoảng nửa tiền. Anh nói tiếp "Sonnet 5.5 vẫn đắt hơn, chạy 51 phút, không hề gần", còn trên bảng, mốc 51 phút và $17.22 là của Sonnet 5 (số đo của Pat, video đăng ngày 29/09/2026). Và Sonnet 5.5 vẫn rẻ hơn Opus 5.5 và dĩ nhiên rẻ hơn Fable 5.1.

Rồi tới chỗ chi phí phình to. Theo Pat, đây đúng là điều Artificial Analysis đã chỉ ra ở đầu video: chi phí của Sonnet 5.5 có thể phình lên. Có thể thấy nó chạy lâu thế nào ở bản clone website 3D. Anh thừa nhận đây là việc nặng (số đo của Pat, video đăng ngày 29/09/2026).

Theo Pat, với việc nặng như vậy thì dù sao cũng hợp lý khi giao cho Opus 5.5 hoặc Fable 5.1. Nhưng vì anh chạy ở effort high trong một vòng lặp /goal, Sonnet 5.5 cứ chạy mãi, đốt token input và output, và mất 3 tiếng 26 phút. Trong khi đó Fable xong trong 1 tiếng 24 phút, Opus xong trong 1 tiếng 3 phút, và chất lượng không khác nhau quá nhiều (số đo của Pat, video đăng ngày 29/09/2026).

Anh vẫn nói Sonnet 5.5 đã tới rất gần: như anh nói suốt phần đó, chỉ phần 3D là nó làm chưa tốt. Nhưng với kiểu việc này, theo anh hợp lý hơn là giao cho Opus hoặc Fable 5.1, thậm chí cả Astra, vì Astra đã làm rất tốt (nhận định của Pat, video đăng ngày 29/09/2026).

18. Nhận định cuối: Sonnet 5.5 làm daily driver

Về hiệu năng, Pat nói kết quả khá khớp với benchmark. Anh không chạy các tác vụ knowledge work như trong GDPval, hay computer use như trong OSWorld, nhưng trên các coding benchmark, Sonnet 5.5 rất sát Opus 5.5, và điều đó có vẻ khớp với kết quả trong mấy bài test giới hạn của anh (nhận định của Pat, video đăng ngày 29/09/2026).

Vì vậy, theo Pat (video đăng ngày 29/09/2026), Sonnet 5.5 là một lựa chọn tốt để làm daily driver cho team. Nếu bạn quản lý một team, muốn tiết kiệm chi phí token, hay đang làm trong một doanh nghiệp lớn, thì anh thấy rất hợp lý khi khuyên team dùng Sonnet 5.5, nhất là cho việc thường ngày. Theo anh, không có lý do gì dùng Opus 5.5 hay dĩ nhiên Fable cho việc gửi email follow-up, viết copy, tổng hợp báo cáo, hay cả việc code nhẹ; Sonnet 5.5 có vẻ làm rất tốt những việc đó.

Slide của Pat lúc này mang tiêu đề "MAKE SONNET 5.5 YOUR TEAM'S DAILY DRIVER" với bốn ô: Sales cho follow-up emails, Marketing cho drafting copy, Operations cho pulling together a report, Developers cho lighter coding work. Ô "Where to switch" ghi: trong app Claude chọn Sonnet 5.5 ở menu model, còn trong Claude Code thì gõ lệnh dưới đây (theo video đăng ngày 29/09/2026):

/model sonnet

Pat thêm một cách nữa nếu bạn thật sự muốn tiết kiệm: để Sonnet làm bản đầu, rồi Opus hoặc Fable kiểm tra lại việc của Sonnet, nhất là với những bản build lớn. Anh nói đó đúng là điều anh vừa cho thấy: Sonnet làm, Opus 5.5 hoặc Fable kiểm tra. Đó là khuyến nghị của anh (video đăng ngày 29/09/2026).

Theo Pat, đây là một bước tiến lớn so với Sonnet 5, và khoảng cách giữa Sonnet 5.5 với Opus 5.5 gần hơn nhiều so với Sonnet 5 với Opus 5. Anh gọi nó là một model chắc chắn dùng được (nhận định của Pat, video đăng ngày 29/09/2026).

Lưu ý duy nhất của anh là để ý effort level. Pat nói Anthropic khuyên để ở mức medium, và slide của anh ghi Medium là mặc định của Claude Code (theo video đăng ngày 29/09/2026), để bạn không gặp phải bản build ba tiếng rưỡi tốn hơn cả Opus và Fable như anh. Hãy để ý effort level, xem nó làm ra sao ở từng mức, vì không nên quá đà: theo anh chẳng có lý do gì chạy ở max khi bạn có thể chuyển sang Opus 5.5 hoặc Fable.

Một use case Pat định dùng Sonnet 5.5 ngay là edit video. Vài tuần trước anh đã đăng một video về Astra edit trong Premiere, và anh cũng đang thử việc này với Opus, đồng thời build một skill cho nó. Anh đang cập nhật skill để nó ngày càng nhanh hơn. Theo anh, đây là use case hoàn hảo cho Sonnet 5.5 vì nó nhanh hơn, rẻ hơn, và computer use của nó ngang Opus 5.5 (nhận định của Pat, video đăng ngày 29/09/2026).

Anh sẽ đưa Sonnet 5.5 vào khi cho các model edit video. Ví dụ, anh đã để Sonnet 5.5 edit phần lớn chính video này: cắt các đoạn quay hỏng, bỏ các khoảng dừng, những việc kiểu đó. Với phong cách edit rất cơ bản của anh, việc edit hoàn toàn tự động đã tới rất gần (theo lời Pat, video đăng ngày 29/09/2026).

Ngoài việc đó ra, cho mọi thứ khác anh dùng Opus 5.5, và theo anh không có lý do gì để dùng Fable 5.1: người xem đã thấy Fable không tốt bằng Opus 5.5, khá sát Sonnet 5, trong khi Sonnet 5 rẻ hơn nhiều (nhận định của Pat, video đăng ngày 29/09/2026). Nhưng anh tin Anthropic đang chuẩn bị gì đó với Fable, và đoán Fable 5.5 sẽ ra trong vài tuần tới để bắt kịp các model này (dự đoán của Pat lúc video đăng 29/09/2026).

Pat kết thúc phần phân tích Sonnet 5.5, hy vọng video hữu ích, cảm ơn người xem vì liên tục gợi ý ý tưởng build trong phần bình luận, và hẹn sẽ sớm quay lại với các bản build AI mới (theo video đăng ngày 29/09/2026).