Bảng xếp hạng AI hàng tuần

🧠 Chỉ số trí tuệ mô hình

Intelligence Index — Artificial Analysis

Xếp hạng độc lập mức độ "thông minh" của các model AI, tổng hợp từ hàng loạt bài test benchmark do Artificial Analysis thực hiện.

Nguồn dữ liệu: Artificial Analysis — Xem nguồn →

📊 Xếp hạng theo mức sử dụng thực tế

OpenRouter Rankings — theo lưu lượng sử dụng tuần này

Xếp hạng dựa trên dữ liệu sử dụng thực tế (không phải benchmark) từ hàng triệu request đi qua OpenRouter mỗi tuần, chia theo 7 loại tác vụ.

Tuần của 2026-07-25

curl https://openrouter.ai/api/v1/chat/completions \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "<model-id>", "messages": [{"role":"user","content":"Xin chào"}]}'

Nguồn dữ liệu: OpenRouter — Xem nguồn →

🎯 Xếp bậc theo benchmark tổng hợp

Onyx LLM Leaderboard — tóm tắt theo tuần

Onyx là một bảng xếp hạng LLM tổng hợp nhiều benchmark (reasoning = suy luận, agentic = tự hành/tự động ra quyết định nhiều bước) rồi quy về 5 bậc S/A/B/C/D. Khác với OpenRouter (đo lượng người dùng thật) hay Artificial Analysis (1 chỉ số tổng hợp duy nhất), Onyx công khai từng benchmark gốc (MMLU, GPQA, SWE-bench...) nên có thể truy ngược vì sao 1 model được xếp bậc nào.

Dữ liệu tính đến ngày 2026-07-20 · Tác giả: Roshan Desai

📌 Điểm nhấn tuần này

• Claude Fable 5 (Anthropic) là model duy nhất đạt bậc S ở 5/6 bảng (Overall, Coding, Chat, Reasoning, Agentic) — chỉ tụt xuống A ở Math, cho thấy độ ổn định cao nhất toàn bảng.
• GPT-oss 120B (117B tham số, mã nguồn mở) tăng mạnh nhất khi đổi tác vụ: từ bậc C (Overall) lên A ở Reasoning (+2 bậc) — model mở rẻ nhất bảng lại mạnh bất ngờ về suy luận.
• Gemini 3.1 Pro (Google) nhảy từ bậc B (Overall) lên thẳng S ở Reasoning (+2 bậc), đồng thời dẫn đầu benchmark MMLU đa ngôn ngữ (MMMLU) với 91.8%.
• Step-3.5-Flash (Stepfun, 196B) là model duy nhất tụt tới 2 bậc ở một tác vụ: từ B (Overall) xuống D ở Chat — cho thấy dù mạnh về Toán (đạt bậc S ở Math) nhưng rất yếu về hội thoại.
• DeepSeek-V4-Pro là lựa chọn đáng tiền nhất trong nhóm A: chỉ 0.43 USD/0.87 USD mỗi triệu token (input/output) — rẻ hơn Claude Opus 4.8 hơn 11 lần — mà vẫn đạt GPQA Diamond 90.1%.
• GPT-5.5 dẫn đầu benchmark tổng quát MMLU với 92.5%, nhưng lại chỉ ở bậc A (không phải S) trên bảng Overall — một ví dụ rõ cho việc "mạnh nhất 1 benchmark" khác với "tốt nhất toàn diện".

Ý nghĩa từng bậc (Overall)

Nguồn dữ liệu: Onyx LLM Leaderboard — Xem nguồn → · Dữ liệu tính đến ngày 2026-07-20