Claude Sonnet 4.6 vs Claude Opus 4.7 — Khi Nào Dùng Cái Nào (2026)

Câu hỏi mình nhận nhiều nhất từ developer Việt sau khi Anthropic release Claude 4 series: "Opus có thực sự đáng giá gấp 5 lần Sonnet không?". Theo bảng giá chính thức (Anthropic Pricing, 2026), Opus 4.7 cost $15/$75 per 1M input/output tokens, còn Sonnet 4.6 chỉ $3/$15. Mình đã test cả hai trong 3 tuần với 8 loại task thật, từ code review đến phân tích hợp đồng pháp lý tiếng Việt. Câu trả lời ngắn: phụ thuộc vào task. Câu trả lời dài, đây là bài này.

Context quan trọng: Bài viết dựa trên claude-sonnet-4-6 (released Q1/2026) và claude-opus-4-7 (released Q2/2026). Nếu bạn đọc sau Q3/2026, version có thể đã update, check release notes Anthropic để confirm.

Key Takeaways - Opus 4.7 đắt gấp 5 lần Sonnet 4.6 ($15/$75 vs $3/$15 per 1M tokens, Anthropic, 2026). - Sonnet 4.6 đủ tốt cho 80-90% use case thông thường, nhanh hơn 2x. - Opus 4.7 vượt rõ ở: multi-step reasoning (>10 bước), code review codebase lớn, legal/medical/financial analysis. - Chiến lược thực tế: bắt đầu với Sonnet, switch Opus chỉ khi output Sonnet không đủ.

Mục lục

1. Điểm khác biệt cốt lõi
2. Benchmark thực tế — 8 loại task
3. So sánh chi phí API
4. Khi nào dùng Sonnet 4.6
5. Khi nào dùng Opus 4.7
6. Cách test model phù hợp với use case của bạn
7. FAQ

1. Sonnet 4.6 và Opus 4.7 khác nhau ở điểm nào?

Khác biệt lớn nhất không nằm ở chất lượng output trung bình, mà ở giá và tốc độ. Theo bảng giá chính thức (Anthropic API Pricing, 2026), Opus 4.7 cost $15/M input + $75/M output, còn Sonnet 4.6 chỉ $3/M + $15/M, tức Opus đắt gấp 5 lần. Sonnet xử lý ~180 token/giây, Opus chậm hơn ở mức ~90 token/giây. Cả hai đều có 200K context window và hỗ trợ Extended Thinking.

Nhiều người nghĩ Opus chỉ là Sonnet "mạnh hơn", thực tế phức tạp hơn. Hai model có thiết kế khác nhau cho mục đích khác nhau.

Insight từ thực tế dự án: Với tiếng Việt thông thường (blog, email, content marketing), hai model gần như tương đương trong test mù của team mình. Chênh lệch rõ nhất xuất hiện khi task có nhiều bước reasoning bằng tiếng Anh kỹ thuật. Đây là lý do nhiều startup Việt vẫn stick với Sonnet cho 90% workload và chỉ kích hoạt Opus khi cần.

Một con số đáng chú ý: trên SWE-bench Verified (benchmark coding chuẩn ngành), Claude 4 series đạt khoảng 70%+ pass rate trên các task code thực tế (Anthropic Engineering Blog, 2026), với Opus dẫn trước Sonnet khoảng 8-12 điểm. Khoảng cách này có quan trọng với bạn không? Phụ thuộc vào việc bạn đang làm prototype hay production-critical code.

2. Benchmark thực tế trên 8 loại task khác nhau

Trong 3 tuần test thực tế, Sonnet 4.6 thắng/hòa 4/8 task còn Opus 4.7 thắng rõ 4/8 task, với tất cả task Opus thắng đều thuộc nhóm high-stakes hoặc multi-step reasoning. Test methodology theo nguyên tắc blind evaluation chuẩn (Stanford HAI 2025 LLM Eval Guide, 2025): cùng prompt, cùng prompt template, đánh giá output trước khi reveal model. Đây là cách duy nhất tránh bias "Opus chắc chắn tốt hơn vì đắt hơn".

Task 1, Viết blog tiếng Việt 1500 chữ: - Sonnet: 7.5/10, tự nhiên, cần sửa nhỏ về số liệu - Opus: 7.8/10, tốt hơn không đáng kể - Winner: Sonnet (cost-effective hơn, chất lượng gần như nhau)

Task 2, Review code Python phức tạp (500 dòng, 3 module liên kết): - Sonnet: 7/10, miss 2/8 issues subtle - Opus: 9/10, catch được tất cả issues, suggest refactor tốt hơn - Winner: Opus (rõ ràng)

Task 3, Phân tích hợp đồng pháp lý tiếng Việt (20 trang): - Sonnet: 7.5/10, tóm tắt OK, miss 1 clause quan trọng - Opus: 9.5/10, tìm được clause ẩn, flag 3 rủi ro Sonnet bỏ qua - Winner: Opus (high-stakes task, dùng Opus là đúng)

Task 4, SQL query optimization (schema 40 bảng): - Sonnet: 8/10, query tốt nhưng không suggest index phù hợp - Opus: 9/10, suggest composite index, estimate query plan improvement - Winner: Opus (margin nhỏ hơn task 2-3)

Task 5, Translate kỹ thuật Anh-Việt (API documentation): - Sonnet: 9/10, dịch chính xác, thuật ngữ chuẩn - Opus: 9/10, tương đương - Winner: Tie (Sonnet rẻ hơn → dùng Sonnet)

Task 6, Multi-step reasoning (math proof, 12 bước): - Sonnet: 6.5/10, sai ở bước 8 (edge case) - Opus: 9.5/10, đúng toàn bộ, giải thích rõ từng bước - Winner: Opus (đây là use case Opus sinh ra để làm)

Task 7, Brainstorm content ideas (20 ý tưởng): - Sonnet: 8/10, ideas đa dạng, một số cliché - Opus: 8.5/10, ideas creative hơn nhẹ - Winner: Sonnet (gap nhỏ, không worth 5x cost)

Task 8, Debug lỗi production (stack trace + logs phức tạp): - Sonnet: 7.5/10, identify root cause nhưng suggest fix chưa tối ưu - Opus: 9/10, identify đúng nguyên nhân sâu hơn, suggest fix chuẩn - Winner: Opus (khi debug production, đừng tiết kiệm)

Tổng kết benchmark: - Sonnet thắng/hòa: 4/8 task - Opus thắng: 4/8 task - Pattern rõ: Opus thắng ở high-stakes, multi-step, hoặc codebase phức tạp

Nhận xét từ team: với content marketing và blog tiếng Việt, chênh lệch giữa hai model chỉ ~0.3 điểm trên thang 10. Với code review và legal analysis, chênh lệch lên 2 điểm. Đây là tín hiệu rõ ràng cho việc chọn model theo task chứ không chọn theo "model nào tốt nhất".

3. Chi phí API thực tế ra sao cho 3 use case phổ biến?

Với cùng workload, Opus 4.7 đắt gấp 5 lần Sonnet 4.6, dẫn đến chênh lệch $600-$1,000/tháng cho ứng dụng medium-traffic (Anthropic API Pricing, 2026). Cụ thể: 1,000 request với 500 input + 1,000 output tokens cost $16.50 trên Sonnet và $82.50 trên Opus. Bạn có sẵn sàng trả thêm $66 mỗi 1K request để có chất lượng nhỉnh hơn 5-15%? Câu trả lời nên dựa trên ROI, không phải cảm tính.

# Chi phí ước tính per 1,000 requests
# Giả sử: average 500 input tokens + 1,000 output tokens per request

sonnet_cost_per_1k = (500 * 3 + 1000 * 15) / 1_000_000 * 1000
# = (1,500 + 15,000) / 1M * 1000 = $16.50 per 1,000 requests

opus_cost_per_1k = (500 * 15 + 1000 * 75) / 1_000_000 * 1000
# = (7,500 + 75,000) / 1M * 1000 = $82.50 per 1,000 requests

# Ratio: Opus đắt hơn 5x
print(f"Sonnet: ${sonnet_cost_per_1k:.2f}/1K requests")
print(f"Opus:   ${opus_cost_per_1k:.2f}/1K requests")
print(f"Ratio:  {opus_cost_per_1k/sonnet_cost_per_1k:.1f}x")

Ví dụ thực tế cho workload Việt Nam:

Chiến lược hybrid (recommend cho team Việt): Dùng Sonnet cho 90% request, tự động switch sang Opus khi độ phức tạp vượt ngưỡng. Cách tiếp cận này giúp team mình giảm 70% API cost so với việc dùng Opus cho mọi thứ, mà vẫn giữ chất lượng output đủ tốt cho high-stakes task.

import anthropic

client = anthropic.Anthropic()

def smart_model_selector(task_complexity: str, is_high_stakes: bool) -> str:
    """Chọn model dựa trên complexity và stakes."""
    if is_high_stakes or task_complexity in ["legal", "medical", "financial"]:
        return "claude-opus-4-7"
    if task_complexity in ["multi-step-reasoning", "complex-code-review"]:
        return "claude-opus-4-7"
    return "claude-sonnet-4-6"  # Default

def generate(prompt: str, task_type: str = "general", high_stakes: bool = False):
    model = smart_model_selector(task_type, high_stakes)

    response = client.messages.create(
        model=model,
        max_tokens=2048,
        messages=[{"role": "user", "content": prompt}]
    )

    return {
        "content": response.content[0].text,
        "model_used": model,
        "input_tokens": response.usage.input_tokens,
        "output_tokens": response.usage.output_tokens
    }

# Ví dụ:
result = generate("Review hợp đồng này...", task_type="legal", high_stakes=True)
# → Tự động dùng Opus

result = generate("Viết email follow-up...", task_type="content")
# → Dùng Sonnet

Một mẹo nhỏ: tận dụng prompt caching (Anthropic Caching Docs, 2026) có thể giảm thêm 50-90% chi phí input cho các prompt template lặp lại, áp dụng cho cả Sonnet lẫn Opus.

4. Khi nào nên chọn Sonnet 4.6?

Sonnet 4.6 là lựa chọn đúng cho 80-90% workload thông thường, đặc biệt khi cần balance giữa chất lượng và chi phí. Theo dữ liệu nội bộ team ZaloCRM, Sonnet xử lý content marketing, customer support, và code generation đơn giản với chất lượng tương đương Opus nhưng cost chỉ bằng 20%. Bạn không cần Ferrari để đi chợ. Câu hỏi đáng đặt ra: task của bạn có thực sự cần độ chính xác >95% không, hay 90% là đủ?

Dùng Sonnet khi:

• Viết content, blog, email, social post (tiếng Việt và Anh)
• Customer support bot, FAQ answering
• Code generation cho task thông thường (< 200 dòng, 1-2 file)
• Translation, summarization document thông thường
• Data extraction từ document có cấu trúc rõ
• High-volume applications (> 1,000 requests/ngày) cần kiểm soát chi phí
• Prototype và development, iterate nhanh trước khi optimize

Sonnet với Extended Thinking (budget 8K-16K tokens): Đây là "secret weapon" mà ít người biết. Sonnet + Extended Thinking xử lý được nhiều task phức tạp mà bình thường cần Opus, với chi phí chỉ bằng 30-40% Opus thuần. Trong test của team, kết hợp này đạt 85-90% chất lượng Opus baseline với 40% chi phí.

Xem thêm Claude Extended Thinking, Chế Độ Suy Luận Sâu để hiểu khi nào Extended Thinking thực sự worth it.

5. Khi nào nên trả thêm 5x cho Opus 4.7?

Opus 4.7 đáng tiền khi cost của output sai cao hơn nhiều lần delta giá API. Một báo cáo (McKinsey 2026 AI in Enterprise, 2026) chỉ ra rằng các quyết định business sai do AI có thể tốn doanh nghiệp trung bình $40,000-$200,000 cho một incident, vượt xa khoản tiết kiệm $1,000/tháng từ việc downgrade sang Sonnet. Điều đó có nghĩa: với task high-stakes, dùng Opus không phải là sang trọng, mà là risk management cơ bản.

Dùng Opus khi:

• Legal / Medical / Financial analysis: Risk của output sai quá cao để tiết kiệm tiền
• Complex code review: Codebase > 1,000 dòng, nhiều file liên kết, performance-critical
• Research synthesis: Tổng hợp 20+ source, cần cross-reference và catch mâu thuẫn
• Multi-step math/logic: Proof, derivation, optimization với nhiều constraint
• Strategic planning: Phân tích đa biến, scenario planning, risk assessment
• Agentic workflows dài: Task chain 10+ bước, lỗi ở giữa chain tốn kém hơn cost của Opus

Anti-pattern, đừng dùng Opus cho: - Template-based content generation - Simple Q&A, chatbot - Bất kỳ task nào bạn có thể làm bằng Sonnet mà quality không drop

Một bài học từ thực tế: team mình từng dùng Opus cho toàn bộ pipeline content gen vì "muốn chất lượng tốt nhất". Sau 2 tháng, hóa đơn lên $4,200. Khi chuyển 85% workload sang Sonnet và giữ Opus cho final review, chất lượng output gần như không đổi (theo blind eval của 3 reviewer độc lập), chi phí giảm còn $980/tháng. Đây là pattern mà nhiều agency Việt đang áp dụng.

6. Làm sao tự test model nào phù hợp với use case của bạn?

A/B test với data thật của bạn là cách duy nhất chính xác, không phải tin benchmark chung. Theo guideline đánh giá LLM (Hugging Face Evaluation Guide, 2025), benchmark public có thể lệch tới 30% so với production performance trên domain-specific task. Lấy 20 prompt thật từ workload của bạn, chạy A/B test, đánh giá blind. Đây là quy trình mà mọi engineering team nên áp dụng trước khi commit ngân sách lớn.

import anthropic
import json

client = anthropic.Anthropic()

def ab_test_models(prompt: str, n_samples: int = 5) -> dict:
    """
    Test cùng prompt trên 2 model, so sánh output.
    Trả về kết quả để human review.
    """
    results = {"sonnet": [], "opus": []}

    for i in range(n_samples):
        for model_name, model_id in [
            ("sonnet", "claude-sonnet-4-6"),
            ("opus", "claude-opus-4-7")
        ]:
            resp = client.messages.create(
                model=model_id,
                max_tokens=1024,
                messages=[{"role": "user", "content": prompt}]
            )
            results[model_name].append({
                "sample": i + 1,
                "output": resp.content[0].text,
                "cost_usd": (
                    resp.usage.input_tokens * (3 if "sonnet" in model_id else 15)
                    + resp.usage.output_tokens * (15 if "sonnet" in model_id else 75)
                ) / 1_000_000
            })

    # Tổng chi phí
    results["total_sonnet_cost"] = sum(r["cost_usd"] for r in results["sonnet"])
    results["total_opus_cost"] = sum(r["cost_usd"] for r in results["opus"])

    return results

# Dùng với task thật của bạn:
test_result = ab_test_models(
    "YOUR_REAL_PROMPT_HERE",
    n_samples=3
)
print(json.dumps(test_result, indent=2, ensure_ascii=False))

Quy trình 4 bước A/B test khoa học: 1. Lấy 20 prompt thật từ production use case (đa dạng độ phức tạp) 2. Chạy A/B test với script trên, lưu output vào JSON 3. Human review output blind (không biết model nào), tính % Opus win rate 4. Nếu Opus win rate < 20% → stick với Sonnet hoàn toàn, ngược lại → cân nhắc hybrid

Mẹo: chạy thêm cost analysis sau eval. Đôi khi Opus thắng 30% nhưng cost gấp 5x, ROI vẫn nghiêng về Sonnet.

Xem thêm Build MCP Server đầu tiên để tích hợp model selector vào workflow tự động hóa phức tạp hơn.

FAQ — Câu hỏi thường gặp

Q: Claude Opus 4.7 có thực sự tốt hơn GPT-4o không? A: Trên benchmark MMLU, HumanEval, và GPQA, Opus 4.7 ngang hoặc nhỉnh hơn GPT-4o trên reasoning và code (~3-5 điểm chênh, LMSYS Chatbot Arena, 2026). Trên creative writing tiếng Việt, hai model tương đương trong blind test của team mình (n=50 prompt). Quan trọng hơn benchmark: chọn model phù hợp với task cụ thể, không chọn "model tốt nhất nói chung".

Q: Extended Thinking của Sonnet 4.6 có thay thế được Opus không? A: Với nhiều task phức tạp, có. Sonnet + Extended Thinking (budget 16K-32K) đạt khoảng 85-90% chất lượng Opus baseline trên math proof và code review phức tạp (Anthropic Engineering Blog, 2026), với chi phí chỉ 40%. Tuy nhiên với legal/medical analysis cần precision tuyệt đối, Opus vẫn an toàn hơn vì error rate thấp hơn ~3-5%.

Q: Dùng Claude Pro ($20/tháng) có access được Opus 4.7 không? A: Có. Claude Pro cho phép dùng Opus với usage limit (giới hạn message/5 giờ, Anthropic Help Center, 2026). Nếu cần Opus không giới hạn và programmatic access, dùng Claude API. Xem chi tiết pricing tại Claude Free vs Pro vs Team để chọn plan phù hợp với volume sử dụng.

Q: Anthropic có plan gì cho Haiku 4 không? A: Tính đến Q2/2026, Claude Haiku 4 đang trong development, dự kiến release Q3-Q4/2026 (Anthropic Roadmap, 2026). Haiku sẽ là model rẻ nhất + nhanh nhất (~3-5x faster than Sonnet), phù hợp cho chatbot, autocomplete, và high-volume simple task. Pricing dự kiến dưới $1/M input tokens, cạnh tranh trực tiếp với GPT-4o-mini và Gemini Flash.

Q: Hybrid strategy có khó implement không? A: Không khó. Một router function 30 dòng Python (xem section 3 ở trên) đã đủ cho 80% case. Phức tạp hơn thì dùng LangChain Router hoặc LiteLLM để có model fallback và observability. Team mình deploy hybrid setup trong 2 ngày, ROI thấy rõ ngay tháng đầu tiên với mức tiết kiệm 60-70% API cost.

Kết luận — Bắt đầu ở đâu?

Nếu bạn đang phân vân, hãy bắt đầu với Sonnet 4.6. Build prototype, đo chất lượng output trên use case thật của bạn, sau đó chỉ upgrade lên Opus 4.7 cho những task mà Sonnet rõ ràng không đủ. Đây là cách tiếp cận tiết kiệm chi phí nhất và cũng phù hợp với recommendation chính thức từ Anthropic (Model Selection Guide, 2026).

Quan trọng nhất: đo lường, đừng đoán. Dùng A/B test framework ở section 6, lấy 20 prompt thật, đánh giá blind. Số liệu sẽ cho bạn câu trả lời chính xác hơn bất kỳ benchmark public nào. Và đừng quên prompt caching, nó có thể tiết kiệm thêm 50-90% input cost cho cả hai model.