Bức tranh LLM Trung Quốc năm 2026 đã thu hẹp lại quanh một nhóm flagship cạnh tranh sít sao. Bốn phòng lab — Zhipu, Alibaba, Moonshot và DeepSeek — giờ đây tung ra các mô hình cạnh tranh trực tiếp với các bản phát hành tiền tuyến của phương Tây về ngữ cảnh, suy luận và lập trình, thường với giá chỉ bằng một phần nhỏ. Bài viết này là một cuộc đối chiếu về thông số và giá của bốn flagship Trung Quốc phù hợp nhất hiện có sẵn qua API thống nhất MeshTok: GLM-5.2, Qwen3.7 Max, Kimi K2.7 Code và DeepSeek V4 Pro.
Chúng tôi không chạy bất kỳ benchmark nào về độ trễ hay chất lượng. Mọi con số dưới đây đều đến từ src/data/models.ts và có thể kiểm chứng lại bằng máy tính. Mục tiêu là giúp bạn chọn đúng mô hình cho một khối lượng công việc và ngân sách cụ thể — dựa trên những dữ liệu thực sự quan trọng cho quyết định định tuyến: cửa sổ ngữ cảnh, năng lực, mức xuất tối đa và giá trên mỗi triệu token.
Bốn ứng viên: bảng thông số
Cả bốn mô hình đều có thể gọi ngay hôm nay tại https://meshtok.com/v1. Ba trong số đó mang nhãn năng lực flagship trong catalogue; Kimi K2.7 Code là mô hình chuyên dụng cho lập trình và không có nhãn đó, được đưa vào đây vì đây là bản phát hành hướng tới nhà phát triển phù hợp nhất của Moonshot trong năm 2026.
| Mô hình | Nhà cung cấp | Ngữ cảnh | Xuất tối đa | Nhập $/M | Xuất $/M | Phát hành |
|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | DeepSeek (CN) | 1,000,000 | 32,768 | $0.4286 | $0.8571 | 2026-04 |
| GLM-5.2 | Zhipu (CN) | 1,000,000 | 128,000 | $1.1429 | $4.0000 | 2026-07 |
| Qwen3.7 Max | Alibaba (CN) | 1,000,000 | 8,192 | $0.8571 | $2.5714 | 2026-06 |
| Kimi K2.7 Code | Moonshot (CN) | 256,000 | 8,192 | $0.9286 | $3.8571 | 2026-05 |
Ma trận năng lực
| Năng lực | DeepSeek V4 Pro | GLM-5.2 | Qwen3.7 Max | Kimi K2.7 Code |
|---|---|---|---|---|
| Reasoning | ✅ | ✅ | ✅ | — |
| Coding | ✅ | ✅ | ✅ | ✅ |
| Vision (image) | ✅ | — | ✅ | — |
| Tool calling | ✅ | ✅ | ✅ | ✅ |
| JSON mode | ✅ | ✅ | ✅ | ✅ |
| Flagship tag | ✅ | ✅ | ✅ | — |
Ba nhận xét mang tính cấu trúc rút ra từ hai bảng trên:
- Chỉ DeepSeek V4 Pro và Qwen3.7 Max là đa phương thức. GLM-5.2 — mô hình đắt nhất trong bốn — không có năng lực xử lý hình ảnh. Nếu khối lượng công việc của bạn bao gồm ảnh chụp màn hình, sơ đồ hay tài liệu quét, danh sách ứng viên đã thu hẹp còn hai trước khi giá cả được đưa vào bàn cân.
- Mức xuất tối đa 128K của GLM-5.2 là độc nhất. Mọi mô hình khác ở đây đều chặn ở mức xuất 8K–32K. Với những khối lượng công việc cần xuất các câu trả lời rất dài trong một lượt — tái cấu trúc cả tệp, báo cáo dài, dàn khung nhiều tệp — GLM-5.2 là lựa chọn duy nhất sẽ không bị cắt bớt.
- DeepSeek V4 Pro rẻ nhất trên cả hai trục và đầy đủ nhất về nhãn. Nó mang
reasoning,coding,image,tools,jsonvàflagship— trọn bộ — vậy mà vẫn có giá thấp hơn mọi mô hình khác ở đây trên cả nhập lẫn xuất.
Phân tích giá
Tất cả các con số dưới đây đều là phép chiếu theo số học từ giá niêm yết trong src/data/models.ts. Chúng không phải là kết quả đo đạc của bất kỳ khối lượng công việc thực tế nào. Hóa đơn thực tế của bạn phụ thuộc vào độ dài prompt và câu trả lời thực tế; điều có giá trị ở đây là tỉ lệ, vốn ổn định và có thể tái lập.
Chi phí cho 1M token nhập + 1M token xuất
Một đơn vị tính nhanh: một triệu token nhập và một triệu token xuất.
| Mô hình | Nhập (1M) | Xuất (1M) | Tổng |
|---|---|---|---|
| DeepSeek V4 Pro | $0.43 | $0.86 | $1.29 |
| Qwen3.7 Max | $0.86 | $2.57 | $3.43 |
| Kimi K2.7 Code | $0.93 | $3.86 | $4.79 |
| GLM-5.2 | $1.14 | $4.00 | $5.14 |
Trên đơn vị này, DeepSeek V4 Pro rẻ hơn Qwen3.7 Max 2.7 lần, rẻ hơn Kimi K2.7 Code 3.7 lần và rẻ hơn GLM-5.2 4.0 lần. Token xuất chiếm phần lớn hóa đơn ở mọi mô hình trừ DeepSeek — với V4 Pro, giá nhập và giá xuất nằm trong tỉ lệ 2×, một mức cân bằng hiếm thấy.
Chi phí cho 1 triệu lượt gọi @ 1K token nhập + 500 token xuất
Một đơn vị thực tế hơn cho lưu lượng dạng chat: một triệu lượt gọi ngắn, mỗi lượt tiêu thụ 1.000 token nhập và tạo ra 500 token xuất. Tổng cộng tương đương 1 tỷ token nhập và 500 triệu token xuất.
| Mô hình | Nhập (1B) | Xuất (500M) | Tổng cho 1M lượt gọi |
|---|---|---|---|
| DeepSeek V4 Pro | $429 | $429 | $857 |
| Qwen3.7 Max | $857 | $1,286 | $2,143 |
| Kimi K2.7 Code | $929 | $1,929 | $2,857 |
| GLM-5.2 | $1,143 | $2,000 | $3,143 |
Thứ tự vẫn nhất quán với đơn vị 1M+1M, với một thay đổi đáng chú ý: trên lưu lượng dạng chat, GLM-5.2 trở thành mô hình đắt nhất trong bốn (giá xuất $4/M của nó lấn át), vượt qua Kimi K2.7 Code. Một hệ quả thực tế — nếu bạn chi $3.000/tháng cho GLM-5.2 cho một khối lượng công việc mà không thực sự cần cửa sổ xuất 128K, thì cùng dạng lưu lượng đó trên DeepSeek V4 Pro sẽ tốn khoảng $820/tháng. Việc khoản tiết kiệm đó có đáng để đánh đổi về chất lượng là câu hỏi mà chỉ eval của riêng bạn mới trả lời được; khoảng cách giá đủ lớn để việc không đo lường nó đồng nghĩa với việc vứt tiền qua cửa sổ.
Khi nào nên chọn mô hình nào
Không có “mô hình Trung Quốc tốt nhất” — chỉ có mô hình phù hợp cho một khối lượng công việc nhất định. Hãy dùng ma trận này làm điểm khởi đầu và kiểm chứng bằng eval của chính bạn.
| Khối lượng công việc | Đề xuất | Lý do |
|---|---|---|
| Chat đa phương thức lưu lượng lớn, ngân sách thấp | DeepSeek V4 Pro | Mô hình duy nhất ở đây dưới $1/1M token nhập có hỗ trợ thị giác. Rẻ hơn Qwen3.7 Max ~2.7 lần (lựa chọn đa phương thức duy nhất còn lại) trên đơn vị chat 1K+500. |
| Phân tích tài liệu dài (ngữ cảnh 1M), xuất ngắn đến trung bình | DeepSeek V4 Pro | Ngữ cảnh 1M + mức xuất tối đa 32K bao phủ phần lớn các tác vụ tóm tắt và hỏi đáp. Mô hình có ngữ cảnh 1M rẻ nhất trong nhóm. |
| Khối lượng công việc cần xuất rất dài trong một lượt (>32K token) | GLM-5.2 | Mức xuất tối đa 128K của GLM-5.2 là độc nhất ở đây. V4 Pro cắt bớt ở 32K; Qwen3.7 Max và Kimi K2.7 Code chặn ở 8K. |
| Câu hỏi cần kiến thức huấn luyện mới nhất | GLM-5.2 | Mốc cắt kiến thức 2026-04, mới nhất trong nhóm. Hữu ích cho các truy vấn về sự kiện, API hoặc thư viện gần đây. |
| Flagship đa phương thức cân bằng, giá trung bình | Qwen3.7 Max | Vision + reasoning + flagship ở mức $0.86/$2.57. Vị trí trung lập khi bạn muốn đa phương thức mà không cần hồ sơ của DeepSeek, hoặc cần hệ sinh thái công cụ của Alibaba. |
| Phân tích mã cả kho, luồng lập trình dạng agent | Kimi K2.7 Code | Được xây dựng riêng cho việc hiểu mã ở ngữ cảnh dài. Lưu ý giới hạn ngữ cảnh 256K và sự vắng mặt của các nhãn reasoning/flagship — hãy chọn nó cho mã, không phải cho suy luận tổng quát. |
| Suy luận đa bước khó khi bạn muốn phong cách DeepSeek | DeepSeek V4 Pro | Mang reasoning và flagship với giá thấp nhất. Với các dự án mới, V4 Pro thay thế DeepSeek R1 (0528) cũ hơn về mặt thông số. |
Một chính sách định tuyến mặc định hợp lý cho cả bốn mô hình: gửi lưu lượng đa phương thức rẻ, lưu lượng cao cho DeepSeek V4 Pro; định tuyến các tác vụ tái cấu trúc xuất dài và truy vấn kiến thức mới cho GLM-5.2; dùng Qwen3.7 Max làm phương án dự phòng đa phương thức cân bằng khi bạn muốn đa dạng nhà cung cấp trên một đường dẫn nóng; dành Kimi K2.7 Code cho các tác vụ mã quy mô kho chuyên biệt, nơi khả năng tinh chỉnh mã ngữ cảnh dài của nó xứng đáng với mức giá cao hơn.
Cách gọi cả bốn mô hình (mã thực sự, chạy được)
MeshTok mở một endpoint duy nhất tương thích OpenAI tại https://meshtok.com/v1. Việc chuyển đổi giữa bất kỳ mô hình nào trong bài viết chỉ là thay đổi một dòng trong trường model — cùng SDK, cùng API key, cùng định dạng yêu cầu. Các ID mô hình dưới đây là ID thật trong catalogue.
# pip install openai
from openai import OpenAI
client = OpenAI(
base_url="https://meshtok.com/v1",
api_key="sk-your-meshtok-key",
)
def ask(model_id: str, prompt: str) -> str:
"""Same call, different model — switch with one string."""
resp = client.chat.completions.create(
model=model_id,
messages=[{"role": "user", "content": prompt}],
)
return resp.choices[0].message.content
# Real model IDs from the MeshTok catalog
cheap_multimodal = ask("deepseek/deepseek-v4-pro", "Summarize this 200K-token transcript and extract action items.")
long_output = ask("bigmodel/glm-5.2", "Rewrite this 50K-token file with the new API and keep it under 100K tokens.")
balanced_vision = ask("ali/qwen3.7-max", "Describe this screenshot and suggest UI fixes.")
repo_code = ask("moonshot/kimi-k2.7-code", "Analyze this entire repository and list dead code.")Để có câu trả lời dạng streaming, hãy truyền stream=True và duyệt qua các chunk; để gọi tool, truyền đối số tools; để có kết xuất có cấu trúc, dùng response_format={"type": "json_object"}. Cả bốn mô hình đều hỗ trợ tools và json, nên định dạng yêu cầu là hoàn toàn giống nhau giữa chúng. Xem tài liệu streaming của MeshTok và tài liệu tool-calling để có ví dụ đầy đủ bằng Python, JavaScript và cURL.
Câu hỏi thường gặp
Trong bốn mô hình, mô hình nào rẻ nhất? DeepSeek V4 Pro, và vượt hẳn. Với mức $0.4286/$0.8571 trên mỗi triệu token, đây là mô hình duy nhất trong nhóm dưới $1/M cho cả nhập lẫn xuất. Trên đơn vị 1M nhập cộng 1M xuất, nó rẻ hơn ba mô hình còn lại từ 2.7 đến 4.0 lần.
Mô hình nào có cửa sổ ngữ cảnh dài nhất? Ba trong bốn mô hình — DeepSeek V4 Pro, GLM-5.2 và Qwen3.7 Max — chia sẻ cửa sổ ngữ cảnh 1.000.000 token. Kimi K2.7 Code chặn ở 256.000 token. Cửa sổ ngữ cảnh là giới hạn trên được khai báo mà mô hình chấp nhận, không phải một đảm bảo về chất lượng ở mọi vị trí — luôn hãy kiểm tra hành vi ở ngữ cảnh dài trên dữ liệu của chính bạn.
Mô hình nào có mức xuất tối đa dài nhất? GLM-5.2, một cách độc nhất, ở mức 128.000 token. DeepSeek V4 Pro cung cấp 32.768; Qwen3.7 Max và Kimi K2.7 Code chặn ở 8.192. Nếu khối lượng công việc của bạn xuất các câu trả lời rất dài trong một lượt, GLM-5.2 là lựa chọn duy nhất ở đây sẽ không bị cắt bớt.
Mô hình nào hỗ trợ thị giác (nhập hình ảnh)? Chỉ DeepSeek V4 Pro và Qwen3.7 Max. GLM-5.2 và Kimi K2.7 Code chỉ xử lý văn bản. Đáng chú ý, GLM-5.2 là mô hình đắt nhất trong bốn nhưng lại thiếu năng lực hình ảnh.
Tại sao bài viết này không có benchmark độ trễ hay chất lượng?
Bởi vì chúng tôi không chạy bất kỳ benchmark nào, và chúng tôi sẽ không công bố những con số mà chúng tôi không thể chứng minh bằng log gốc. Độ trễ phụ thuộc vào thời điểm trong ngày, khu vực, độ dài prompt và trạng thái hàng đợi; một con số độ trễ token đầu tiên đơn lẻ mà không có bộ khung kiểm thử thì đó là marketing, không phải dữ liệu. Các so sánh chất lượng mà không có một bộ eval chung cũng yếu kém tương tự. Dữ liệu về giá và năng lực ở trên là phần ổn định và có thể kiểm chứng. Hãy tự chạy eval của bạn trên MeshTok với temperature: 0.0 và các prompt của riêng bạn cho phần còn lại.
Kimi K2.7 Code có thực sự là một “flagship” không?
Không — nó không mang nhãn năng lực flagship trong catalogue, và cũng thiếu nhãn reasoning. Nó được đưa vào đây vì đây là bản phát hành hướng tới nhà phát triển phù hợp nhất của Moonshot: một chuyên gia lập trình ở ngữ cảnh dài. Hãy chọn nó cho mã, không phải cho suy luận tổng quát. Kimi K2.6 mục đích tổng quát của Moonshot mang nhãn reasoning nếu bạn cần điều đó.
Các mức giá này có ổn định không?
Các nhà cung cấp mô hình cập nhật giá niêm yết định kỳ. Các con số ở đây phản ánh catalogue MeshTok tính đến ngày 2026-08-21. Trường updatedDate ở đầu trang cho bạn biết khi nào bài viết được xem xét lại lần gần nhất; nguồn sự thật trực tiếp luôn là https://meshtok.com/models.
Xem xét lần cuối 2026-08-21 bởi nhóm MeshTok. Mọi mức giá và năng lực được lấy từ catalogue mô hình trực tiếp của MeshTok (src/data/models.ts) tại ngày xem xét. Không có phép đo độ trễ, số lượng token hay chất lượng nào được thực hiện cho bài viết này — các con số hiển thị là phép chiếu theo số học từ các giá niêm yết đã công bố, không phải là benchmark thực nghiệm.