OpenAI Playground là bàn thí nghiệm, không phải phòng kiểm thử. Nó cho bạn gõ prompt, đổi model, xem token và chi phí trong vài giây — đủ để tìm ra hướng, không đủ để chứng minh một tính năng ổn định. Người mới hay nhầm hai thứ này, rồi mang kết quả một phiên chat vào production và ngạc nhiên khi chất lượng tụt.
Bài này giải thích Playground dùng để làm gì, không dùng để làm gì, cách đọc lineup model hiện tại, và quy trình biến một phiên thử nghiệm thành prompt có version cùng một lời gọi Responses API chạy được trong code. Mục tiêu là để bạn dùng Playground có kỷ luật, không phải để bạn tin nó.
Mục lục
Cập nhật 2026: bốn thứ đã đổi trong Playground
- Model picker đã đổi thế hệ. Dòng GPT-6 có Astra (flagship), 6.1 Sol (high-intelligence), 6 Sol (thế hệ trước), 6.1 Terra (fast/visual) và 6 Luna (volume). Cả năm đều có context 1,05 triệu token, tối đa 922K vào và 128K ra.
- Responses là API mặc định cho dự án mới. Assistants API đã bị gỡ. Chat Completions vẫn chạy nhưng từ GPT-5.4 không còn tool-call trừ khi reasoning effort là none; Astra và Sol bắt buộc dùng Responses nếu muốn gọi tool.
- Giá trải rộng 100 lần. Astra $10/$50 mỗi 1M token vào/ra, Luna $0,10/$0,50. Cùng một prompt thử trên hai model là hai bài toán chi phí khác nhau, không chỉ là hai mức chất lượng.
- Reasoning token hiện trên hóa đơn. Chúng tính như output và ăn vào giới hạn output; Playground là nơi tốt để thấy con số này trước khi nó thành dòng chi phí trong production.
Playground là gì
Đó là giao diện web trong OpenAI Platform để gửi request tới model mà không cần viết code. Bạn nhập system message, user message, thêm ví dụ, chọn model và xem phản hồi. Với người mới, đây là cách nhanh nhất để hiểu “prompt vào, token ra” nghĩa là gì. Với người có kinh nghiệm, đây là nơi thử nhanh một giả thuyết trước khi đụng vào repo.
Nó hữu ích vì vòng lặp ngắn: sửa một câu, gửi lại, so sánh. Không có build, không có deploy, không có log phải mở. Nhưng chính vì vòng lặp ngắn, nó dễ tạo ảo giác “đã kiểm thử”. Một phiên Playground không phải bằng chứng; nó là giả thuyết.
Bốn việc nên làm trong Playground
So sánh model trên cùng một prompt. Đây là việc tốn ít công nhất và mang lại nhiều thông tin nhất. Chạy cùng input trên Astra, 6.1 Sol và Luna; ghi lại chất lượng, độ dài, và chi phí. Bạn sẽ thấy ngay liệu tác vụ có cần model flagship hay không — rất nhiều tác vụ không cần.
Đo token và chi phí. Trước khi thiết kế một tính năng, hãy biết một request tốn bao nhiêu token vào, bao nhiêu token ra, và bao nhiêu trong số đó là reasoning. Con số này quyết định ngân sách, quyết định có nên dùng long context hay retrieval, và quyết định có phải cắt bớt lịch sử hội thoại.
Thử cấu trúc prompt. Zero-shot, few-shot, chỉ dẫn theo bước, yêu cầu trích dẫn — Playground là nơi thử nhanh các cấu trúc này trước khi đóng băng thành prompt id. Đừng thử từng chữ; thử từng cấu trúc.
Cảm nhận đòn bẩy reasoning. Với dòng GPT-6, reasoning.effort nhận low, medium, high, xhigh và max; Sol mặc định medium. Chạy cùng prompt ở hai mức để thấy chất lượng và token reasoning thay đổi như thế nào. Đây là thứ Playground dạy nhanh hơn đọc docs.
Một bài thử hữu ích: lấy cùng một câu hỏi, chạy ở low và high, rồi đếm token reasoning. Nếu mức thấp đã đạt yêu cầu, bạn vừa tiết kiệm phần lớn chi phí output. Nếu mức cao không cải thiện, vấn đề không nằm ở reasoning mà ở context hoặc prompt — và không model nào sửa được điều đó.
Bốn việc không nên làm trong Playground
Không dùng làm bộ eval. Playground không có dataset, không có chấm điểm hàng loạt, không có regression, không có CI. Nó không thể trả lời “bản prompt mới có làm hỏng 30 case cũ không”. Muốn thế, cần promptfoo, DeepEval hoặc một harness tương tự chạy trên bộ case đã đóng băng.
Không kỳ vọng tái lập tuyệt đối. Cùng prompt, cùng model, hai lần gửi có thể ra hai kết quả vì sampling. Model id có thể trỏ tới một snapshot khác theo thời gian, và các thế hệ model cùng tồn tại trong picker — 6 Sol và 6.1 Sol là hai model khác nhau dù giá giống nhau. Nếu bạn không lưu prompt, model id và tham số, bạn không tái lập được phiên đó.
Không dùng làm môi trường production. Playground không cho bạn cấu hình retry, rate limit, timeout, queue, logging theo tenant, hay kiểm soát dữ liệu như hệ thống của bạn. Nó cũng không phản ánh traffic thật, nơi người dùng gõ tắt, viết sai chính tả và đổi ý giữa câu.
Không dùng làm nơi lưu prompt. Lịch sử phiên không phải version control. Prompt thắng phải được chép ra file, có id, có ngày, có người review, rồi commit. Nếu bạn chỉ có ảnh chụp màn hình, bạn không có prompt.
Lineup trong picker và cách chọn
| Model | Vai trò | Giá vào / ra (1M token) |
|---|---|---|
| gpt-6-astra | Flagship, reasoning khó nhất | $10 / $50 |
| gpt-6.1-sol | High-intelligence, cân bằng | $2 / $10 |
| gpt-6-sol | Thế hệ Sol trước | $2 / $10 |
| gpt-6.1-terra | Fast/visual, latency thấp | $1 / $5 |
| gpt-6-luna | Volume, phân loại số lượng lớn | $0,10 / $0,50 |
Cả năm dùng chung context 1,05 triệu token và giới hạn ra 128K. Cùng một request 2.000 token vào trên Astra tốn $0,02; trên Luna tốn $0,0002 — chênh 100 lần. Nếu tác vụ của bạn là phân loại hoặc trích xuất có schema, hãy thử Luna trước. Nếu là suy luận nhiều bước trên tài liệu dài, Astra mới đáng tiền.
Đừng bỏ qua 6 Sol chỉ vì có 6.1 Sol. Model cũ vẫn nằm trong picker và có thể là thứ code cũ của bạn đang pin; so sánh hai bản trên cùng prompt là cách kiểm tra xem nâng cấp có thực sự đem lại gì.
Một cách đọc bảng khác: chênh lệch giá giữa các bậc lớn hơn nhiều so với chênh lệch chất lượng trong một tác vụ hẹp. Đừng chọn Astra vì “chắc hơn”; hãy chọn khi eval cho thấy Luna hoặc Sol không đạt, và ghi lại tỷ lệ đạt của từng model trên bộ case của bạn. Quyết định dựa trên eval, không dựa trên tên model.
Đọc token và chi phí trong Playground
Ba con số cần nhìn: token vào, token ra, và token reasoning nằm trong token ra. Với model reasoning, phần “nghĩ” có thể lớn hơn phần chữ bạn thấy; đặt max_output_tokens quá thấp có thể khiến model tiêu hết ngân sách cho reasoning rồi trả về phần trả lời rỗng hoặc bị cắt.
Cached input rẻ hơn nhiều so với input mới. Trên 6.1 Sol, cached input là $0,10/1M so với $2/1M; cache write có giá riêng. Điều này chỉ có lợi khi prefix — system prompt và tool block — byte-stable. Nếu bạn sửa system prompt mỗi lần thử, bạn đang trả giá input mới liên tục.
Và nhớ ngưỡng 272K: vượt ngưỡng, toàn bộ request bị tính gấp đôi input/cache và 1,5 lần output. Playground là nơi tốt để thấy một prompt dài 300K token đắt gấp đôi một prompt 250K token, trước khi bạn thiết kế tính năng quanh nó.
Từ Playground sang code: đóng băng artifact trước
Bước chuyển đổi không phải “copy prompt”. Đó là tạo một manifest đủ để tái lập: prompt id, model id chính xác, reasoning effort, max output, phiên bản tool schema, và danh sách case eval đi kèm. Manifest này nằm trong git cùng code.
{
"prompt_id": "refund-answer@2026-11-08",
"model": "gpt-6.1-sol",
"reasoning_effort": "medium",
"max_output_tokens": 800,
"tool_schema_version": "refund-tools@3",
"eval_cases": 12,
"source": "playground-session-2026-11-08"
}
Sau đó gọi bằng Responses API, không phải Chat Completions. Lý do có ba: Responses là API được khuyến nghị cho dự án mới; nó hỗ trợ state qua previous_response_id, hosted tools và encrypted reasoning; và Astra/Sol chỉ tool-call được trên Responses. Chat Completions chỉ nên là đường legacy cho code cũ.
{
"model": "gpt-6.1-sol",
"input": [
{"role": "system", "content": "Bạn là trợ lý chính sách đổi trả. Trả lời ngắn, trích dẫn điều khoản."},
{"role": "user", "content": "Tôi mua áo ngày 2/11, muốn đổi size sau 10 ngày có được không?"}
],
"reasoning": {"effort": "medium"},
"max_output_tokens": 800
}
Đây là dạng payload tối thiểu; tên field có thể được SDK bọc lại. Dùng SDK chính thức thay vì tự viết HTTP client: bản Python hiện tại là openai 3.46.0. Pin version trong requirements và nâng có chủ đích, vì SDK đổi nhanh hơn model.
pip install "openai==3.46.0"
An toàn và chi phí khi dùng Playground
Mọi thứ bạn dán vào Playground đều được gửi tới provider. Đừng dán dữ liệu khách hàng thật, khóa API, mật khẩu, hay bản ghi y tế. Dùng dữ liệu tổng hợp hoặc đã redact; nếu cần debug trên case thật, làm việc đó trong môi trường có kiểm soát, không phải trên giao diện web.
Playground cũng không phải lớp an toàn. Moderation endpoint của OpenAI miễn phí và trả điểm theo category, nhưng nó không thay thế kiểm tra quyền truy cập, mã hóa output, hay review của con người. Với nội dung người dùng thấy, minh bạch là nghĩa vụ theo Điều 50 của EU AI Act từ 02/08/2026.
Về chi phí: mỗi lần gửi đều tính tiền như một request API thật. Thử 20 biến thể trên Astra với prompt 50K token có thể tốn nhiều hơn bạn nghĩ. Hãy thử trên Luna trước để loại phương án, rồi chỉ chạy Astra cho 2–3 ứng viên cuối. Với kiểm thử hàng loạt, ra khỏi Playground và dùng Batch — Batch giảm khoảng 50% và chạy bất đồng bộ.
Quy trình 30 phút
Chọn một tác vụ hẹp. Viết 5 case đại diện, gồm một case biên và một case ngoài phạm vi. Chạy trên ba model: Luna, 6.1 Sol, Astra. Ghi lại chất lượng, token vào/ra, token reasoning, và chi phí mỗi case. Chọn model rẻ nhất đạt ngưỡng. Đóng băng prompt thành manifest, thêm 7 case nữa, rồi chuyển sang harness eval. Playground kết thúc nhiệm vụ ở đây; phần còn lại là code và CI.
Checklist
- Mỗi phiên thử có mục tiêu rõ: chọn model, đo token, hay so cấu trúc prompt.
- Không dán dữ liệu thật, secret, hay PII vào Playground.
- Thử Luna trước khi mặc định Astra; ghi chi phí mỗi request.
- Prompt thắng được chép ra file với prompt id, model id, tham số.
- Chuyển sang Responses API và pin SDK
openai3.46.0. - Đưa bộ case vào promptfoo/DeepEval trước khi coi là đã kiểm thử.
Đọc tiếp: bắt đầu với OpenAI Chat Completions API, tokens, cửa sổ ngữ cảnh và chi phí API, và so sánh các mô hình AI hàng đầu.
