Tính khả dụng và ID mô hình được kiểm tra vào ngày 14/10/2026, đối chiếu với danh mục haimaker. Đây là các ứng viên để bạn thử nghiệm trên tác vụ của chính mình, không phải kết quả từ một benchmark kiểm soát mới.

API rẻ nhất cho một coding agent AI phụ thuộc vào việc agent của bạn đang làm gì. Mô hình dẫn đầu trên biểu đồ giá mỗi triệu token thường thua khi bạn đo chi phí cho mỗi tác vụ hoàn thành — vì mô hình rẻ thường phải thử lại nhiều hơn, tạo ra tham số tool call sai lệch và khiến agent rơi vào vòng lặp.

Đây là bài phân tích tập trung vào coding agent. Nếu bạn đang chọn API cho ứng dụng chat hoặc one-shot completion, bài toán sẽ khác.

Xếp hạng nhanh (tháng 10/2026)

Phân khúcMô hìnhMức chi phíKhối lượng công việc nên thử
Cục bộQwen3.8 27B qua OllamaKhông tốn phí token APICode riêng tư, đã có sẵn phần cứng phù hợp
Đám mây giá rẻDeepSeek V4.1 Flash / GLM-5.3 FlashChi phí thấpTác vụ agent thường xuyên và tóm tắt
Đám mây giá rẻMiniMax M3Tiết kiệmLập trình và quy trình dùng nhiều công cụ
Công việc chuyên biệtGPT-6 Luna / Claude Haiku 5.5Chi phí thấpPhân loại, trích xuất và tác vụ có giới hạn
Gói miễn phíGemini 3.8 FlashMiễn phí + trả phí trực tiếp từ GoogleCông việc phù hợp với hạn mức thực tế của dự án
Tùy chọn ngữ cảnh lớnGrok 4.1 FastTiết kiệmĐọc repository; xác minh giới hạn endpoint hiện tại
Dự phòng mạnh hơnClaude Sonnet 5.5 / GPT-6.1 SolTầm trungDebug và tác vụ mà mô hình giá rẻ không làm được

Sao chép ID chính xác từ danh mục trực tiếp: deepseek/deepseek-v4.1-flash, z-ai/glm-5.3-flash, minimax/minimax-m3, openai/gpt-6-luna và anthropic/claude-haiku-5-5. Gói miễn phí của Google áp dụng cho truy cập trực tiếp từ Google, không phải lời gọi qua gateway.

Tại sao giá output quan trọng hơn giá input

Ứng dụng chat đọc prompt ngắn và viết câu trả lời ngắn. Coding agent đọc file, viết patch, giải thích lỗi, viết lại test và xuất ra diff. Chi phí thực sự phát sinh ở phía output.

Hãy ước tính khối lượng công việc của riêng bạn trước khi so sánh giá:

task cost = input tokens × input rate + output tokens × output rate
          + tool charges + retries - applicable cache savings

Sử dụng cùng tỷ lệ input/output cho mọi mô hình. Bao gồm token suy luận và các lần thử thất bại nếu bị tính phí. Giá output thấp quan trọng nhất khi agent viết nhiều; giá input và cache quan trọng hơn khi agent đọc lại ngữ cảnh dài nhiều lần.

Tùy chọn miễn phí: chạy cục bộ

Ollama trên phần cứng của bạn có chi phí $0 mỗi token. Vấn đề nằm ở phần cứng.

Để so sánh cục bộ mới, hãy thử Qwen3.8 27B trên máy có đủ bộ nhớ. Ollama liệt kê bản tải xuống khoảng 18GB, chưa tính trạng thái ngữ cảnh và bộ đệm runtime. Muse Glimmer và Qwen3 Coder 30B là các ứng viên khác có khả năng sử dụng tool. Máy nhỏ hơn cần mô hình nhỏ hơn hoặc ngữ cảnh ngắn hơn.

Chạy cục bộ hợp lý về mặt kinh tế khi bạn đã có sẵn phần cứng phù hợp, cần xử lý ngoại tuyến, hoặc có danh mục tác vụ mà mô hình xử lý đáng tin cậy. Xem các mô hình cục bộ tốt nhất cho OpenClaw để biết các mức bộ nhớ.

Khi nào mỗi mô hình đám mây phát huy thế mạnh

MiniMax M3 / DeepSeek V4.1 Flash / GLM-5.3 Flash — ứng viên giá rẻ

Các mô hình này là tùy chọn hiện tại cho công việc coding agent thường quy trong danh mục haimaker. Chạy cùng một chuỗi đọc file, chỉnh sửa và test trên từng mô hình. Hãy chọn dựa trên việc hoàn thành đúng và tổng số token, thay vì tỷ lệ phần trăm tác vụ mà nhà cung cấp tuyên bố mô hình có thể xử lý.

Giới hạn số lần retry. Một mô hình rẻ hơn nhưng lặp lại cùng một lệnh thất bại có thể tốn nhiều hơn một mô hình mạnh hơn hoàn thành ngay lần đầu.

Grok 4.1 Fast — khi kích thước ngữ cảnh quan trọng

Grok 4.1 Fast vẫn là ứng viên giá rẻ có ngữ cảnh lớn. Kiểm tra ID mô hình đang hoạt động và giới hạn của nhà cung cấp trước khi gửi repository. Cửa sổ ngữ cảnh được quảng cáo lớn không đảm bảo mô hình sẽ sử dụng chính xác mọi file.

Gemini 3.8 Flash — khi truy cập miễn phí quan trọng

Google liệt kê gói miễn phí cho Gemini 3.8 Flash. Kiểm tra hạn mức dự án của bạn trong AI Studio; không có mức cho phép hàng ngày chung cho mọi tài khoản. Thử Gemini 4 Argon cho công việc khó hơn, nhưng hãy dự trù chi phí sử dụng trả phí.

Chiến lược định tuyến thực sự tiết kiệm tiền

Chọn một mô hình rẻ và dùng cho mọi thứ sẽ bỏ lỡ phần tiết kiệm vì một số tác vụ thực sự cần mô hình tiên tiến. Chọn một mô hình tiên tiến duy nhất sẽ lãng phí tiền vì hầu hết tác vụ không cần đến.

Cách mà đa số người dùng áp dụng là định tuyến hai tầng: mặc định rẻ + dự phòng thông minh. Gửi tác vụ thường quy đến mô hình rẻ hơn và chuyển đổi khi nó không thể hoàn thành một cách đáng tin cậy. Hãy đo tỷ lệ phân chia đó trên khối lượng công việc thực tế của bạn.

Bạn có thể làm thủ công:

# in OpenClaw
/model haimaker/minimax/minimax-m3    # default
/model anthropic/claude-sonnet-5-5   # when the cheap model gets stuck

Hoặc bạn có thể để bộ định tuyến tự động của Haimaker xử lý — trỏ agent của bạn đến haimaker/auto và bộ định tuyến sẽ chọn theo từng request dựa trên độ phức tạp của tác vụ. Chọn tỷ lệ phân bổ dựa trên số liệu đo lường các tác vụ đã hoàn thành. Kiểm tra danh mục trực tuyến trước khi ước tính hóa đơn kết hợp.

Gợi ý áp dụng

Với agent mới, so sánh mặc định giá rẻ với phương án dự phòng mạnh hơn:

  • Công việc thường quy: MiniMax M3, DeepSeek V4.1 Flash hoặc GLM-5.3 Flash
  • Tác vụ tập trung khối lượng lớn: GPT-6 Luna hoặc Claude Haiku 5.5
  • Lập trình khó: Claude Sonnet 5.5 hoặc GPT-6.1 Sol
  • Truy cập gói miễn phí Google: Gemini 3.8 Flash, trong hạn mức thực tế của bạn
  • Công việc cục bộ riêng tư: Qwen3.8 27B nếu mô hình và ngữ cảnh phù hợp

Kiểm tra lại tổng chi phí tác vụ sau khi thay đổi mô hình. Mặc định mới phải tiết kiệm chi phí mà không làm tăng các tool call thất bại hoặc khối lượng rà soát.

NHẬN $10 TÍN DỤNG MIỄN PHÍ TRÊN HAIMAKER

Liên quan: API AI rẻ nhất năm 2026, Mô hình rẻ nhất cho OpenClaw, Mô hình cục bộ tốt nhất cho OpenClaw, Thiết lập bộ định tuyến tự động Haimaker, Trỏ agent đến bộ định tuyến bằng một lệnh.