Tool calling (gọi công cụ) cho phép một mô hình ngôn ngữ yêu cầu một hàm bên ngoài với các đối số có cấu trúc. Ứng dụng sẽ thực thi hàm đó và trả về kết quả; mô hình không tự ý có quyền vận hành hệ thống. Mô hình tốt nhất là mô hình hoàn thành quy trình làm việc dự kiến một cách đáng tin cậy với tổng chi phí chấp nhận được.
Những điểm chính
Bài so sánh này bao gồm chín mô hình dựa trên hỗ trợ công cụ được ghi lại, các điều kiện API và giá cả được công bố; thứ tự mang tính biên tập thay vì là bảng xếp hạng độ chính xác được đo lường.
Việc chọn công cụ chính xác, đối số hợp lệ, gọi song song, phục hồi đa bước và từ chối phù hợp là những yêu cầu riêng biệt.
GLM-4.7-Flash có các mức giá miễn phí được ghi lại; MiniMax M3 là một tùy chọn trả phí giá thấp, không phải là lựa chọn rẻ nhất xét trên tổng thể.
Claude Opus 5.5, Sonnet 5.5 và Fable 5.1 không hỗ trợ ép buộc sử dụng công cụ.
Tính năng gọi công cụ Chat Completions của GPT-6 Sol yêu cầu reasoning_effort=none; cần kiểm tra tính tương thích của bề mặt API.
Cách thức so sánh các tùy chọn này
Bản so sánh này sử dụng tài liệu chính thức của mô hình, thẻ mô hình, giá công bố và thông tin vòng đời được kiểm tra vào ngày 20 tháng 10 năm 2026. Danh sách rút gọn được sắp xếp theo khối lượng công việc và yêu cầu triển khai, không phải là bảng xếp hạng hiệu suất được đo lường độc lập. Các giới hạn được công bố mô tả mô hình hoặc điểm kiểm tra (checkpoint) được trích dẫn; các nền tảng lưu trữ có thể áp đặt các giới hạn khác nhau. Không có tuyên bố nào về độ chính xác, độ trễ hoặc các phép đo tác vụ thành công mang tính riêng tư.
So sánh mô hình gọi công cụ (Tool-Calling)
| Mô hình |
Đầu vào / đầu ra trực tiếp trên mỗi 1 triệu token |
Hỗ trợ / điều kiện được ghi nhận |
Phù hợp nhất cho |
| GLM-5.2 |
$1.40 / $4.40 |
Gọi hàm; đầu ra có cấu trúc |
Tác nhân văn bản dài hạn |
| Claude Opus 5.5 |
$4 / $20 |
Sử dụng công cụ; ép buộc sử dụng công cụ sẽ trả về lỗi |
Quy trình làm việc phức tạp gồm nhiều bước |
| Claude Sonnet 5.5 |
$2 / $10 |
Sử dụng công cụ; ép buộc sử dụng công cụ sẽ trả về lỗi |
Tích hợp tác nhân Claude ở mức giá tầm trung |
| GPT-6 Sol |
$2 / $10 theo mức giá ngữ cảnh ngắn |
Công cụ phản hồi; công cụ Chat Completions với reasoning_effort=none |
Các ngăn xếp tác nhân theo phong cách OpenAI |
| Gemini 3.6 Flash |
$0.75 / $3.75 theo mức giá văn bản giới thiệu |
Gọi hàm; đầu ra có cấu trúc |
Đánh giá tác nhân đa phương thức nhạy cảm về chi phí |
| GLM-4.7-Flash |
Miễn phí trên điểm cuối Z.ai được ghi nhận |
Hỗ trợ công cụ được ghi nhận trong dòng GLM-4.7 |
Tạo mẫu trên điểm cuối miễn phí |
| Kimi K3 |
Xem giá mô hình/bộ nhớ đệm chính thức |
Công cụ tùy chỉnh và tool_choice được ghi nhận |
Quy trình làm việc với công cụ dài hạn |
| Claude Fable 5.1 |
$10 / $50 |
Sử dụng công cụ; ép buộc sử dụng công cụ sẽ trả về lỗi |
Quy trình làm việc suy luận với ngân sách cao hơn |
| MiniMax M3 |
$0.30 / $1.20 cho các yêu cầu Tiêu chuẩn ≤512K đầu vào |
Công cụ hàm thông qua giao diện tương thích với OpenAI |
Đánh giá tác nhân trả phí giá rẻ |
Các mức giá là giá văn bản tiêu chuẩn của nhà cung cấp trực tiếp không bao gồm bộ nhớ đệm, không phải giá của GPT Proto. Giá của Z.ai, Giá của Google và các ngày khuyến mãi, Ngữ cảnh MiniMax và giá Ưu tiên, và thanh toán bộ nhớ đệm Kimi xác định các điều kiện liên quan. Bộ nhớ đệm, suy luận, lời nhắc dài và các công cụ tích hợp sẵn có thể thay đổi chi phí cuối cùng.
9 LLM hỗ trợ gọi công cụ, theo yêu cầu của tác nhân
1. GLM-5.2 — Các tác nhân văn bản dài hạn
Z.ai cung cấp tài liệu về gọi hàm, truyền phát, đầu ra có cấu trúc và cửa sổ ngữ cảnh 1 triệu token. Những khả năng được hỗ trợ này không thiết lập một thứ hạng chuẩn so sánh: các miền tác vụ, bộ khung tác nhân và định nghĩa chấm điểm đều ảnh hưởng đến kết quả. Hãy xác thực tính chính xác của đối số, các lệnh gọi phụ thuộc và khả năng phục hồi so với điểm cuối thực tế. (Nguồn: Thông số kỹ thuật gọi hàm Z.ai GLM-5.2). Hướng dẫn về tác nhân lập trình GLM-5.2 cho thấy cách truy cập API và môi trường thực thi phù hợp với quy trình làm việc ở cấp độ kho lưu trữ.
2. Claude Opus 5.5 — Các quy trình làm việc đa bước phức tạp
Anthropic định vị Opus cho công việc lập trình và tri thức dài hạn. Các hạn chế API hiện tại của nó rất quan trọng: việc ép buộc sử dụng công cụ không được hỗ trợ, hành vi tư duy đã thay đổi và việc xử lý hội thoại phải bảo toàn các khối tư duy bắt buộc. Nó có thể được đánh giá cho các chuỗi tác nhân khó, nhưng giá token cao hoặc điểm chuẩn của nhà cung cấp không đảm bảo việc thực thi thành công trong một quy trình làm việc được kiểm soát. Quyền ứng dụng và xác thực kết quả vẫn là yếu tố thiết yếu. (Nguồn: Thông số kỹ thuật Anthropic Claude Opus 5.5).
3. Claude Sonnet 5.5 — Tích hợp tác nhân Claude với mức giá tầm trung
Sonnet 5.5 mới hơn Sonnet 5, phiên bản vẫn đang hoạt động. Nó cung cấp một vị thế chi phí khác so với Opus với cùng yêu cầu tuân thủ các quy định về công cụ và lịch sử tin nhắn dành riêng cho từng phiên bản. Không nên gọi nó là nhanh hơn hoặc chính xác hơn một cách phổ quát nếu chưa kiểm tra khối lượng công việc. Hãy so sánh tổng chi phí tác vụ thành công, bao gồm cả suy luận và thử lại, thay vì chỉ nhìn vào giá token. (Nguồn: Thông số kỹ thuật Anthropic Claude Sonnet 5.5).
4. GPT-6 Sol — Các ngăn xếp tác nhân kiểu OpenAI
OpenAI cung cấp tài liệu về gọi hàm và đầu ra có cấu trúc, nhưng bề mặt API làm thay đổi quá trình tích hợp. Việc gọi hàm Chat Completions yêu cầu reasoning_effort=none; suy luận với các công cụ sử dụng API Responses. Các lời nhắc vượt quá 272K token đầu vào sẽ chịu mức phí yêu cầu đầy đủ cao hơn. Một mô hình có thể trả về JSON hợp lệ nhưng lại chọn sai hàm hoặc tạo ra một đối số không chính xác về mặt ngữ nghĩa, vì vậy tính chính xác của lược đồ và tác vụ cần được kiểm tra riêng biệt. (Nguồn: Thông số kỹ thuật OpenAI GPT-6 Sol).
5. Gemini 3.6 Flash — Đánh giá tác nhân đa phương thức nhạy cảm với chi phí
Điểm cuối ổn định này thay thế bí danh Gemini 3.5 Flash đã lỗi thời trong danh sách rút gọn. Google cung cấp tài liệu về gọi hàm và đầu ra có cấu trúc. Mức giá giới thiệu của nó kéo dài đến ngày 31 tháng 12 năm 2026 và không nên được coi là vĩnh viễn. Các lệnh gọi song song, các tính năng lược đồ được hỗ trợ và các quy ước tin nhắn kết quả công cụ cần được xác thực trên lộ trình API đã chọn. Thương hiệu Flash không phải là kết quả đo lường độ trễ độc lập. (Nguồn: Thông số kỹ thuật Google Gemini 3.6 Flash).
6. GLM-4.7-Flash — Tạo mẫu endpoint miễn phí
Trang định giá hiện tại của Z.ai liệt kê mức phí đầu vào và đầu ra miễn phí cho GLM-4.7-Flash. Điều này khiến nó trở thành tùy chọn có chi phí token được công bố thấp nhất trong danh sách rút gọn này, chứ không phải là lời hứa về dung lượng không giới hạn hay chi phí thấp nhất cho mỗi tác vụ thành công. Hãy phân biệt nó với các mô hình FlashX trả phí và các mô hình GLM-4 Flash không liên quan. Hãy xác nhận các giới hạn, phiên bản và hành vi của hàm trước khi dựa vào nó ở quy mô sản xuất. (Nguồn: Thông số kỹ thuật mô hình GLM-4.7-Flash).
7. Kimi K3 — Quy trình làm việc với công cụ dài hạn
Kimi ghi lại các công cụ hàm tùy chỉnh và bảo toàn hoàn toàn tin nhắn của trợ lý trong suốt các lượt sử dụng công cụ. Tư duy (Thinking) luôn được bật và các cài đặt suy luận sẽ ảnh hưởng đến hành vi và chi phí. API và trọng số có thể tải xuống là các quyết định triển khai riêng biệt; một mô hình trọng số mở lớn không tự động thực tế để tự lưu trữ. Quyền riêng tư, khu vực lưu trữ và các điều khoản xử lý của nhà cung cấp được chọn quan trọng hơn một tuyên bố chung chung về quốc tịch của nhà cung cấp. (Nguồn: Hướng dẫn sử dụng công cụ Moonshot Kimi K3).
8. Claude Fable 5.1 — Quy trình suy luận ngân sách cao hơn
Fable 5.1 là một tùy chọn mới hơn so với Fable 5, vốn vẫn đang hoạt động. Anthropic ghi lại hành vi suy luận và sử dụng công cụ của mình, bao gồm các thay đổi đột phá đối với việc sử dụng công cụ bắt buộc và xử lý khối tư duy. Mức giá của nó xếp trên các mục Claude khác ở đây, nhưng giá cả không phải là thước đo cấp độ tin cậy. Nó phù hợp khi việc đánh giá cho thấy lợi ích cụ thể trên các tác vụ phân nhánh xứng đáng với chi phí bổ sung. (Nguồn: Yêu cầu sử dụng công cụ Anthropic Claude Fable 5.1).
9. MiniMax M3 — Đánh giá tác nhân trả phí giá thấp
Mức giá Tiêu chuẩn của MiniMax tăng lên $0.60/$2.40 trên 512K token đầu vào; Xử lý ưu tiên được định giá riêng. Mô hình này là một ứng viên trả phí chi phí thấp trong danh sách rút gọn này, không phải là mô hình rẻ nhất nói chung vì GLM-4.7-Flash miễn phí. Hãy bảo toàn lịch sử công cụ và xác thực kết quả. Mức giá thấp hơn không thiết lập độ chính xác trên các chuỗi công cụ phụ thuộc, và một hành động bên ngoài thất bại có thể tốn kém hơn nhiều so với suy luận. (Nguồn: Tham chiếu gọi hàm MiniMax M3).
Năm kiểm tra độ tin cậy cho các LLM gọi hàm
Lựa chọn công cụ: mô hình yêu cầu một hàm khả dụng phù hợp với tác vụ, hoặc từ chối khi không có hàm nào có thể đáp ứng nó.
Tính chính xác của đối số: các khóa bắt buộc, kiểu dữ liệu, giá trị được phép và ý nghĩa của từng đối số đều chính xác.
Hành vi gọi song song: các yêu cầu độc lập có các định danh riêng biệt và nhận được kết quả tương ứng; các hành động phụ thuộc vẫn được duy trì thứ tự.
Khôi phục nhiều bước: tác nhân xử lý dữ liệu bị thiếu, lỗi công cụ, thời gian chờ và kết quả mâu thuẫn mà không lặp lại các hành động quan trọng.
Hỗ trợ câu trả lời cuối cùng: câu trả lời phản ánh chính xác kết quả của công cụ và không tự ý tạo ra một hành động thành công sau khi thất bại.
Đầu ra có cấu trúc có thể giới hạn định dạng nhưng không thể thiết lập quyền hạn hoặc tính chính xác về ngữ nghĩa. Hãy xác thực các đối số trong mã ứng dụng và áp dụng quyền trước khi thực thi. Đối với các hành động ghi, hãy sử dụng các biện pháp kiểm soát tính lũy đẳng hoặc bước phê duyệt thích hợp khi ứng dụng yêu cầu.
Đọc hiểu đúng các điểm chuẩn BFCL và Agent
BFCL và τ²-Bench kiểm tra các tác vụ và thiết lập khác nhau. Phiên bản điểm chuẩn, công cụ, bộ khung tác nhân (agent harness), ngân sách suy luận và định nghĩa về thành công đều ảnh hưởng đến điểm số. Một con số được sao chép từ bảng xếp hạng của bên thứ ba không phải là phép đo Pass@1 có thể so sánh được nếu thiếu cấu hình đó. Chỉ so sánh điểm số khi các phiên bản điểm chuẩn, bộ khung, ngân sách suy luận và định nghĩa thành công tương thích với nhau.
Chi phí cho mỗi tác vụ tác nhân hoàn thành
Hãy tính mọi bước suy luận, token suy luận, lần thử lại, phản hồi công cụ và tác vụ thất bại. Một mô hình rẻ hơn nhưng cần nhiều lượt sửa lỗi có thể tốn kém hơn một mô hình đắt tiền hoàn thành tác vụ ngay từ lần đầu. Bản thân việc thực thi công cụ cũng có thể đi kèm chi phí tiền tệ hoặc vận hành. Bài viết so sánh GPT-6 Sol và GPT-6 Astra thảo luận về việc sử dụng công cụ, phục hồi và chi phí cho mỗi tác vụ tác nhân hoàn thành.
Tách biệt việc lựa chọn mô hình khỏi việc lựa chọn cổng kết nối (gateway). Một mô hình xác định hành vi suy luận và gọi hàm; cổng kết nối xác định các bản dịch API được hỗ trợ và định tuyến; ứng dụng sở hữu việc thực thi và xác thực công cụ. Không lớp nào trong số này tự động cung cấp các khả năng của lớp còn lại.
Đánh giá các mô hình gọi công cụ được hỗ trợ trên GPT Proto
GPT Proto liệt kê GPT-6 Sol, Claude Opus 5.5 và Claude Sonnet 5.5 làm các điểm truy cập dành riêng cho mô hình để đánh giá mô hình được hỗ trợ. Một tài khoản, một khóa API và số dư trả trước dùng chung sẽ bao gồm các tuyến đường được hỗ trợ. Điều này giúp hợp nhất quyền truy cập và thanh toán, trong khi các lược đồ công cụ, kiểm soát suy luận và yêu cầu về lịch sử trò chuyện vẫn phụ thuộc vào mô hình và điểm cuối (endpoint) đã chọn.
Nền tảng cung cấp các giao diện tương thích với OpenAI cùng với các định dạng dành riêng cho mô hình. Hãy bắt đầu với ví dụ về cách sử dụng API và định danh trên trang mô hình đã chọn, sau đó xác minh các trường cần thiết cho tác nhân. Một ví dụ phản hồi văn bản cơ bản không phải là bằng chứng cho việc ép buộc chọn công cụ, gọi song song, đầu ra có cấu trúc hoặc truyền tham số công cụ (streaming). Những tính năng đó yêu cầu tài liệu hoặc kiểm thử trên tuyến đường thực tế.
Các trang mô hình Claude của GPT Proto minh họa lý do tại sao sự khác biệt này lại quan trọng. Các ghi chú di chuyển của họ mô tả các hạn chế về suy luận và lựa chọn công cụ dành riêng cho mô hình, đồng thời hướng dẫn rõ ràng người dùng xác minh cách điểm cuối GPT Proto hiển thị các điều khiển gốc. Do đó, việc chỉ thay đổi chuỗi mô hình không phải là kiểm tra tính tương thích đầy đủ.
Hãy đánh giá một vòng lặp công cụ hoàn chỉnh: gửi các hàm khả dụng, kiểm tra hàm và đối số đã chọn, thực thi lệnh gọi được ủy quyền và trả về kết quả của nó bằng cấu trúc tin nhắn bắt buộc. Bao gồm cả các lỗi và thông tin bị thiếu, không chỉ các yêu cầu thành công. Ứng dụng máy chủ vẫn chịu trách nhiệm về quyền, xác thực đối số, thời gian chờ và ngăn chặn các hành động trùng lặp có hậu quả. Việc có quyền truy cập vào một mô hình có khả năng sử dụng công cụ không tự động thực thi các chức năng đó.
Các điều khoản thanh toán đã công bố mô tả việc sử dụng trả trước mà không yêu cầu đăng ký hàng tháng và các khoản tín dụng chưa sử dụng sẽ không hết hạn. Trang giá liệt kê mức nạp tiền tối thiểu là 15 đô la. Hãy sử dụng mức giá cụ thể cho từng tuyến đường hiện tại và tính toán toàn bộ tương tác, bao gồm các đầu vào lặp lại, suy luận có tính phí, ngữ cảnh kết quả công cụ và các lần thử lại. Số dư dùng chung không thiết lập chi phí thấp nhất cho mỗi tác vụ thành công.
GPT Proto phù hợp với các nhóm đang đánh giá các phần phụ trợ tác nhân được hỗ trợ dưới một tài khoản trong khi vẫn duy trì lớp thực thi và xác thực của riêng họ. Hãy đánh giá sự tích hợp dựa trên kết quả tác vụ được chấp nhận và khả năng tương thích được ghi lại, chứ không chỉ dựa trên phạm vi danh mục. Để so sánh đồng hành tập trung vào chi phí, hãy xem các API LLM giá cả phải chăng cho các tác nhân AI.
