BroadRouter

Lựa chọn thay thế Artificial Analysis: nơi so sánh LLM năm 2026

Đội ngũ BroadNet Inference · 7 phút đọc · Đăng ngày

Artificial Analysis là nguồn độc lập chính về tốc độ, độ trễ và điểm trí tuệ LLM theo nhà cung cấp API. Các trang khác đo thứ khác: Arena đo lựa chọn của con người, Epoch AI và Vals AI công bố kết quả benchmark, OpenRouter xếp hạng theo mức dùng, còn BroadRouter (website của BroadNet) chỉ có giá. Hãy dùng song song hai nguồn, rồi thử trên dữ liệu của bạn.

Artificial Analysis thường là điểm dừng đầu tiên khi bạn so sánh API LLM, vì nó bấm giờ các request thật tới từng nhà cung cấp. Nhưng đó chỉ là một góc nhìn. Các trang khác xếp hạng theo phiếu bầu của con người, điểm benchmark, mức dùng hoặc giá, và mỗi trang trả lời một câu hỏi khác. Hướng dẫn này trình bày mỗi trang đo gì, đo thế nào, bạn lấy được dữ liệu gì, và khi nào nên dùng. Mọi dữ kiện bên dưới đều được đọc từ chính các trang đó ngày 15/11/2026.

Trước hết, xin nói rõ: BroadRouter là website của chính BroadNet. Nó dẫn lập trình viên tới BroadNet Inference và công bố dữ liệu giá. Nó không benchmark model, và chỉ xuất hiện trong danh sách này vì dữ liệu giá.

Artificial Analysis làm tốt điều gì?

Artificial Analysis tự mô tả là “Independent analysis of AI” (bản dịch: phân tích độc lập về AI). Trang phương pháp của họ giải thích ba việc mà ít bên khác làm:

  • Tốc độ theo từng endpoint của nhà cung cấp. Tốc độ đầu ra là “output tokens per second over each request’s full duration” (bản dịch: số token đầu ra mỗi giây trong toàn bộ thời gian của mỗi request), gồm cả token suy luận, được lấy trung bình “over the workloads we measured in the past 5 days” (bản dịch: trên các khối lượng công việc chúng tôi đo trong 5 ngày qua). Vì một model “may have multiple endpoints across different providers” (bản dịch: có thể có nhiều endpoint ở các nhà cung cấp khác nhau), bạn có thể thấy cùng một model chạy nhanh hơn ở nhà host này so với nhà host khác.
  • Độ trễ có thể so sánh. Họ báo cáo thời gian tới token đầu tiên, thời gian tới token trả lời đầu tiên (đã gồm phần suy luận, nên model suy luận và không suy luận được so sánh công bằng) và thời gian từ đầu đến cuối.
  • Bài đánh giá riêng. Intelligence Index v5.0.1 kết hợp chín bài đánh giá trong bốn nhóm có trọng số bằng nhau (công việc tri thức, lập trình, khoa học, tổng quát). Một số là benchmark riêng của họ hoặc các lần chạy riêng của họ trên tác vụ của bên khác, có ghi rõ số lần lặp.

Bảng xếp hạng nhà cung cấp của họ bao quát “over 500 AI Model endpoints” (bản dịch: hơn 500 endpoint model AI) với chi phí mỗi tác vụ, thời gian mỗi tác vụ, độ trễ tới token trả lời đầu tiên, tỷ lệ lỗi, context window và giấy phép. Giá là “the current prices listed by providers” (bản dịch: giá hiện tại do các nhà cung cấp niêm yết), và giá pha trộn của họ dùng tỷ lệ 7:2:1 giữa token cache hit, đầu vào và đầu ra. Hãy tự điều chỉnh tỷ lệ đó nếu khối lượng công việc của bạn nặng về đầu ra.

Nếu bạn cần tốc độ và tỷ lệ lỗi đo được theo từng nhà cung cấp, rất khó thay thế nó. Người ta tìm lựa chọn khác khi muốn một tín hiệu khác: lựa chọn của con người, một lĩnh vực cụ thể, dữ liệu thô có thể tải về, hoặc một bảng giá có nguồn cho từng dòng.

Có những lựa chọn thay thế Artificial Analysis nào?

Trang Đo gì Phương pháp Dữ liệu bạn lấy được Phù hợp nhất cho
Artificial Analysis Chỉ số trí tuệ, tốc độ đầu ra, độ trễ, tỷ lệ lỗi, giá theo endpoint Tự chạy bài đánh giá và request có bấm giờ; cửa sổ tốc độ trượt 5 ngày API miễn phí, bắt buộc ghi nguồn Tốc độ và độ trễ theo nhà cung cấp
Arena (trước đây là LMArena) Lựa chọn của con người Hai model ẩn danh trả lời, một người bầu chọn, tên được tiết lộ sau Bộ dữ liệu lựa chọn mở trên Hugging Face Cảm nhận của con người về câu trả lời
Epoch AI Benchmarking Hub Điểm benchmark theo thời gian Tự chạy một số benchmark bằng Inspect; thu thập phần còn lại từ bảng xếp hạng chính thức CSV và client Python; dữ liệu của họ theo CC BY Xu hướng và điểm thô
Vals AI Độ chính xác theo lĩnh vực, chi phí và độ trễ 42 benchmark, một số riêng tư hoặc giữ lại Không nêu trên trang benchmark Pháp lý, tài chính, thuế và các lĩnh vực khác
Bảng xếp hạng OpenRouter Mức dùng Token xử lý qua OpenRouter, gom theo ngày UTC API model công khai kèm giá Những gì lập trình viên thực sự chạy
Open LLM Leaderboard (Hugging Face) Điểm model trọng số mở Sáu benchmark trong harness của Eleuther AI Bộ dữ liệu kết quả và yêu cầu So sánh checkpoint mở
Dữ liệu giá BroadRouter (website của BroadNet) Chỉ giá công bố Đọc từ trang giá của chính mỗi nhà cung cấp, kèm URL, ngày và trích dẫn CSV và JSON, CC BY 4.0 cho phần tổng hợp Kiểm tra giá tại nguồn

Arena khác ở điểm nào?

Arena (lmarena.ai giờ chuyển hướng sang arena.ai) yêu cầu người thật so sánh hai câu trả lời ẩn danh và chọn một. Tên model chỉ hiện ra sau khi bầu. Cách này đo sự ưa thích, vốn trộn lẫn độ chính xác với giọng văn, độ dài và định dạng. Bảng xếp hạng của họ có các bảng riêng, gồm Text, WebDev, Vision, Document và Search, và chế độ xem Pareto cho thấy chi phí mỗi tác vụ. Arena cho biết đã công khai mã nguồn dữ liệu lựa chọn trên Hugging Face, hữu ích nếu bạn muốn nghiên cứu phiếu bầu thay vì chỉ đọc thứ hạng.

Hãy dùng nó để xem một câu trả lời chat được con người đón nhận thế nào. Đừng dùng nó để chọn nhà cung cấp API: nó xếp hạng model, không xếp hạng nhà host, và không nói gì về tốc độ trên một endpoint cụ thể.

Khi nào Epoch AI và Vals AI phù hợp hơn?

Epoch AI duy trì một cơ sở dữ liệu kết quả benchmark, theo dõi 99 benchmark và 428 model khi chúng tôi kiểm tra. Một số kết quả họ tự chạy bằng framework Inspect; phần còn lại lấy từ bảng xếp hạng chính thức do người tạo benchmark duy trì. Bạn có thể tải dữ liệu dạng CSV hoặc dùng client Python của họ. Dữ liệu của chính họ được tái sử dụng tự do kèm ghi công theo CC BY; kết quả lấy từ bên ngoài giữ giấy phép gốc. Chọn Epoch khi bạn muốn điểm thô hoặc đường xu hướng, không phải một chỉ số duy nhất.

Vals AI chạy 42 benchmark trong các lĩnh vực pháp lý, tài chính, y tế, lập trình, toán và nhiều hơn nữa, và một số bộ là riêng tư hoặc được giữ lại, giảm rủi ro model đã được huấn luyện trên chính bộ test. Bảng xếp hạng của họ so sánh độ chính xác, chi phí và độ trễ, và Inference Provider Index so sánh các nhà cung cấp về độ chính xác, chi phí và tốc độ. Chỉ số tổng hợp Vals Index đặt trọng số cho các ngành theo tỷ trọng trong GDP của Mỹ. Chọn Vals khi tác vụ của bạn giống một trong các lĩnh vực đó.

Bảng xếp hạng OpenRouter thực sự cho thấy gì?

Mức dùng. Mỗi model được xếp hạng theo “tokens it processed through the OpenRouter API” (bản dịch: số token nó đã xử lý qua API OpenRouter), gồm cả prompt và completion, trong một, bảy hoặc ba mươi ngày gần nhất. Trang nói rõ bảng xếp hạng “do not rank models by accuracy, reasoning ability, or benchmark performance” (bản dịch: không xếp hạng model theo độ chính xác, khả năng suy luận hay hiệu năng benchmark). Model viết câu trả lời dài hoặc chạy trong vòng lặp agent dài sẽ leo bảng. Hãy đọc nó như một tín hiệu về mức phổ biến và một danh sách model đáng thử. OpenRouter cũng có một endpoint model công khai kèm giá theo từng model, phản ánh mức OpenRouter tính phí, không phải mức mỗi nhà host tính trực tiếp.

Open LLM Leaderboard của Hugging Face có còn đáng dùng?

Với checkpoint trọng số mở thì có, nhưng cần thận trọng. Tài liệu của Hugging Face cho biết phiên bản đầu tiên đã được lưu trữ từ tháng 6/2024 và được thay thế. Phiên bản hiện tại chấm điểm model trên IFEval, BBH, MATH level 5, GPQA, MuSR và MMLU-Pro trong harness đánh giá của Eleuther AI, và công bố kết quả dưới dạng bộ dữ liệu. Nó đánh giá tệp model, không phải API được host, nên không thể cho bạn biết về giá, tốc độ hay cách một nhà cung cấp phục vụ model.

So sánh model tiếng Ả Rập ở đâu?

Các bảng xếp hạng chung nói rất ít về tiếng Ả Rập, và các bộ lọc hiển thị của Arena không có mục ngôn ngữ. Hai Space trên Hugging Face lấp một phần khoảng trống:

  • Open Arabic LLM Leaderboard, do tổ chức OALL vận hành, cho văn bản tiếng Ả Rập.
  • Open Universal Arabic ASR Leaderboard, được mô tả là “a benchmark for open-source multi-dialect Arabic ASR models” (bản dịch: benchmark cho các model ASR tiếng Ả Rập đa phương ngữ mã nguồn mở), cho nhận dạng giọng nói. BroadNet báo cáo model Transcribe Arabic của mình đứng thứ 2/37 (số liệu tháng 9 năm 2026; bảng xếp hạng trực tiếp ngày 15 tháng 11, 2026 ghi nhận thứ 4/39). Đó là số liệu của BroadNet, và bảng thay đổi khi có thêm model.

Hãy đọc kết quả giọng nói theo từng phương ngữ, không chỉ số trung bình. Giải thích tỷ lệ lỗi từ của ASR tiếng Ả Rập chỉ cách làm.

Dữ liệu giá của BroadRouter nằm ở đâu?

BroadRouter công bố ba nguồn dữ liệu giá: các trang giá API LLM theo từng model, chỉ số giá với trung vị và độ chênh, và cơ sở dữ liệu giá thô của nhà cung cấp. Mỗi dòng được đọc từ trang giá của chính nhà cung cấp và lưu kèm URL nguồn, ngày và trích dẫn nguyên văn, và một script hằng tuần tải lại các nguồn. Không dùng nguồn cấp từ bên tổng hợp.

Những gì nó không làm cũng quan trọng không kém:

  • Nó không đo tốc độ, độ trễ, uptime hay chất lượng. Với những thứ đó, hãy dùng Artificial Analysis, Arena, Epoch AI hoặc Vals AI.
  • Nó chỉ chứa giá của bên thứ ba. Giá của chính BroadNet nằm trong pricing.json và trên trang giá.
  • Nó là website của BroadNet, nên hãy coi nó là bản tổng hợp của một nhà cung cấp mà bạn có thể kiểm tra từng dòng, không phải một trọng tài trung lập.

Nên kết hợp các trang này thế nào?

  1. Lập danh sách rút gọn theo chất lượng. Dùng Arena cho cảm nhận khi chat và Epoch AI hoặc Vals AI cho điểm tác vụ trong lĩnh vực của bạn. Giữ ba đến năm model.
  2. Kiểm tra tốc độ trên nhà host bạn sẽ dùng. Artificial Analysis cho thấy tốc độ và độ trễ theo từng endpoint. Giải thích độ trễ LLM nói con số nào quan trọng với ứng dụng của bạn.
  3. Kiểm tra giá tại nguồn. Dùng một cơ sở dữ liệu giá để tìm nhà cung cấp, rồi mở trang của chính từng nhà cung cấp. Chú ý giá đầu vào được cache và giá đầu ra, những thứ làm hóa đơn dịch chuyển nhiều hơn giá đầu vào ở nhiều khối lượng công việc.
  4. Kiểm thử trên dữ liệu của chính bạn. Chạy 50 đến 100 đầu vào thật qua mỗi ứng viên cuối và chấm điểm. Một benchmark chỉ dự đoán kết quả của bạn đến mức tác vụ của nó giống tác vụ của bạn. Cách đánh giá LLM trước khi chuyển đổi đưa ra phương pháp, và checklist 20 điểm chọn nhà cung cấp bao quát giới hạn, quyền riêng tư và hỗ trợ.

BroadNet Inference ở đâu trong bức tranh này

BroadNet Inference là một API tương thích OpenAI, không phải bảng xếp hạng. Nó phục vụ một nhóm nhỏ model: DeepSeek V4.1 Flash (do đối tác host), GLM 5.3, Qwen3.8 27B, Gemma 4 VL 26B và hai model chuyển giọng nói thành văn bản. Tool call và structured output chỉ được ghi trong tài liệu cho GLM 5.3 và Qwen3.8 27B. Tài khoản tự phục vụ không có SLA, và không có batch API hay embedding. Nếu một trong các model này lọt vào danh sách rút gọn, tín dụng ban đầu $5 dùng được cho Gemma 4 VL 26B, cả hai model Transcribe và key theo giờ của Gemma, nên bạn có thể chạy bước 4 trên đầu vào của mình trước khi trả tiền; DeepSeek, GLM và Qwen cần nạp tiền. Prompt và câu trả lời không được lưu giữ. So sánh các model hoặc tạo tài khoản.

Câu hỏi thường gặp

Lựa chọn thay thế tốt nhất cho Artificial Analysis là gì?

Tùy bạn muốn so sánh gì. Về lựa chọn của con người, dùng Arena. Về điểm benchmark có thể tải về, dùng Epoch AI. Về tác vụ chuyên ngành như pháp lý, tài chính và thuế, dùng Vals AI. Về những gì lập trình viên thực sự chạy, dùng bảng xếp hạng OpenRouter. Về tốc độ đo được theo từng nhà cung cấp, trong các trang này không có bên nào thay thế sát được Artificial Analysis.

Artificial Analysis có API không?

Có. Tài liệu của họ (kiểm tra ngày 15/11/2026) mô tả một API miễn phí "focused on model benchmarks" (bản dịch: tập trung vào benchmark model), dùng key lấy từ Insights Platform. Mọi cách dùng API miễn phí đều phải ghi nguồn artificialanalysis.ai. Một API thương mại với nhiều dữ liệu hơn được cung cấp cho đối tác.

Open LLM Leaderboard của Hugging Face còn hữu ích không?

Theo tài liệu của Hugging Face, phiên bản đầu tiên đã được lưu trữ từ tháng 6/2024. Phiên bản 2 chấm điểm model trọng số mở trên sáu benchmark như IFEval, GPQA và MMLU-Pro, với kết quả trong các bộ dữ liệu công khai. Nó bao quát checkpoint trọng số mở, không phải API được host, và không nói gì về giá hay tốc độ.

Bảng xếp hạng OpenRouter có cho biết model nào tốt nhất không?

Không. Trang xếp hạng nói rằng họ đếm token xử lý qua OpenRouter và "do not rank models by accuracy, reasoning ability, or benchmark performance" (bản dịch: không xếp hạng model theo độ chính xác, khả năng suy luận hay hiệu năng benchmark). Bảng cho thấy mức phổ biến, vốn bị đẩy lên bởi model trả lời dài và vòng lặp agent dài.

BroadRouter có benchmark model không?

Không. BroadRouter là website của chính BroadNet. Nó công bố giá đọc từ trang của chính các nhà cung cấp, kèm nguồn và ngày, cùng các phép đo tokenizer. Nó không đo tốc độ, độ trễ hay chất lượng câu trả lời, nên không thay thế được Artificial Analysis hay một trang benchmark.

So sánh model tiếng Ả Rập ở đâu?

Với văn bản tiếng Ả Rập, dùng Open Arabic LLM Leaderboard (OALL) trên Hugging Face. Với nhận dạng giọng nói tiếng Ả Rập, dùng Open Universal Arabic ASR Leaderboard, tự mô tả là benchmark cho các model ASR tiếng Ả Rập đa phương ngữ mã nguồn mở. Hãy đọc tỷ lệ lỗi từ theo từng phương ngữ, không chỉ số trung bình.

Đọc dạng MarkdownHỏi ChatGPTHỏi ClaudeHỏi Perplexity

Nguồn