Masa kedaluwarsa dari "model terkuat" sedang memendek.Penulis artikel, sumber: Dingjiao
Dalam satu bulan, sembilan model unggulan dirilis secara bersamaan, hal ini tidak umum di industri model besar.
Dari awal bulan, ketika Tencent meluncurkan versi resmi dan opensource Hunyuan Hy3, hingga akhir bulan ketika Anthropic merilis Claude Opus 5, model-model seperti Kimi K3, Qwen3.8-Max preview, dan Grok 4.5 secara bertahap muncul. Juli menjadi puncak peluncuran yang jarang terjadi dalam satu tahun terakhir.
Titik waktu yang dipilih oleh masing-masing pihak berbeda. Beberapa produsen mengikuti rilis setelah pesaing memperbarui produk, beberapa memilih untuk meluncurkan produk menjelang atau selama Konferensi Kecerdasan Buatan Dunia, dan ada pula produsen yang merespons persaingan pasar melalui penyesuaian harga.
Namun, Juli tidak hanya tentang banyaknya model yang dirilis, tetapi lebih penting lagi adalah dua perubahan yang tercermin dari rilis ini.
Pertama, kesenjangan kemampuan antar model sedang menyempit. Indeks Kecerdasan Komprehensif terbaru dari Artificial Analysis menunjukkan bahwa selisih antara model-model teratas telah jelas menyempit. Dengan iterasi versi yang cepat, posisi "model terkuat" semakin sulit dipertahankan dalam jangka panjang, dan masing-masing pihak mulai mencari keunggulan di berbagai tugas, bukan hanya mengejar kepemimpinan absolut dalam satu dimensi.
Kedua, model open-source kini memasuki kelompok teratas. Di antara model-model baru yang dirilis pada Juli, Tencent Hunyuan Hy3, Kimi K3, dan lainnya memilih untuk membuka bobot (membuka parameter model, memungkinkan pengembang mengunduh dan mendeploy sendiri). Di antaranya, Kimi K3 menduduki peringkat pertama dalam daftar pemrograman frontend Code Arena, mengungguli GPT-5.6 Sol dan Claude Fable 5. Selama dua tahun terakhir, model open-source lebih sering dianggap sebagai pengejar model closed-source, namun persaingan kali ini menunjukkan bahwa model open-source telah mulai bersaing langsung dengan model closed-source di sejumlah skenario pengembangan.
Lalu, apa perubahan dan makna apa yang dibawa oleh rilis intensif bulan ini?
01. Tidak lagi hanya membandingkan siapa yang lebih cerdas
Dalam beberapa tahun terakhir, industri model besar terutama bersaing dalam kemampuan umum, siapa yang memiliki cakupan pengetahuan lebih luas dan jawaban lebih akurat. Namun sekarang, dimensi persaingan telah berubah.
Pada putaran ini, kemampuan kode menjadi arah persaingan yang paling jelas.
OpenAI terus memperkuat pemrograman dan penalaran kompleks, serta terus memperluas ekosistem Codex, dengan harapan mengikat pengembang melalui alat pengembangan. Anthropic mempertaruhkan pemahaman kode dan audit keamanan untuk membantu pengembang menangani masalah teknis kompleks dalam proyek besar. Grok 4.5 menekankan kecepatan dan biaya rendah, serta terintegrasi dengan alat pemrograman AI Cursor untuk mencakup skenario pengembangan sehari-hari.
Peneliti model besar Yao Yuhang mengatakan kepada 'Dingjiao One' bahwa setiap perusahaan sedang secara signifikan berinvestasi dalam kemampuan pemrograman, dan kesenjangan tersebut juga cepat menyempit; misalnya, kemampuan kode Kimi K3 telah meningkat pesat dan kini mendekati tingkat model tertutup teratas.
Sumber gambar / pexels
Agen adalah arah lain yang diperjuangkan oleh berbagai pihak. GPT-5.6 Sol bekerja sama dengan Codex untuk mengeksplorasi pemrograman otomatis, Opus 5 menekankan eksekusi tugas jangka panjang, Kimi K3 menunjukkan kemampuan menjalankan berkelanjutan untuk menyelesaikan tugas kompleks, sedangkan Tencent Hunyuan Hy3 berusaha menggabungkan ekosistem WeChat untuk mengeksplorasi aplikasi agen.
Namun, agen masih belum matang dalam penerapan nyata. Pengembang independen Bei Cheng menyatakan bahwa kelemahan sebagian produk agen saat ini bukan terletak pada kemampuan memanggil alat, melainkan pada kemampuan pengelolaan tugas. Misalnya, mode Ultra Codex akan mengaktifkan banyak sub-agen, yang masing-masing membaca file yang sama berulang-ulang dan melakukan analisis serupa, sehingga konsumsi Token meningkat, tetapi pekerjaan yang benar-benar efektif tidak bertambah. Menurutnya, peningkatan kemampuan agen tidak bisa hanya bergantung pada peningkatan jumlah sub-agen, tetapi kuncinya adalah kemampuan untuk menilai tugas mana yang layak dianalisis dan langkah mana yang dapat dihilangkan.
Pandangan Yao Yuhang serupa. Ia percaya bahwa agen cerdas adalah arah paling patut diperhatikan saat ini, tetapi masih jauh dari kematangan yang sebenarnya. Menurutnya, agen di bidang vertikal seperti kesehatan dan keuangan masih memiliki peluang besar; kunci yang akan membedakan tahap berikutnya bukan hanya kemampuan model itu sendiri, tetapi juga seberapa mudah digunakan agen tersebut dalam skenario spesifik dan apakah pelanggan bersedia membayarnya.
Model lokal mencari terobosan melalui peningkatan berbagai kemampuan. Kimi K3 memilih memperkuat kemampuan konteks panjang, pemrograman frontend, dan desain produk, masuk ke posisi teratas dalam beberapa tes pemrograman, dengan kemampuan yang mendekati model unggulan tertutup luar negeri.
Persaingan antara ukuran parameter dan efisiensi inferensi juga menjadi garis utama lainnya.
Beberapa model yang dirilis pada Juli memasuki rentang parameter triliunan bahkan puluhan triliunan, tetapi ukuran parameter tidak lagi dapat secara sederhana dianggap setara dengan tingkat kemampuan. Seiring perkembangan arsitektur MoE, model dapat memiliki kapasitas parameter yang lebih besar, sekaligus hanya mengaktifkan sebagian kecil darinya untuk melakukan inferensi, sehingga menurunkan biaya komputasi aktual.
Industri ini membentuk dua jalur: pertama, terus memperluas skala dengan parameter yang lebih besar untuk mendapatkan kemampuan yang lebih kuat; kedua, menekankan efisiensi dengan menggunakan parameter aktivasi yang lebih kecil untuk mencapai kinerja yang mendekati model unggulan.
Harga juga menjadi variabel paling langsung dalam persaingan model Juli.
Produsen luar negeri lebih banyak mengadopsi strategi penetapan harga diferensial. OpenAI memilih untuk lebih memperdalam segmen pasar dengan membagi GPT-5.6 menjadi beberapa versi, memungkinkan pengguna memilih model yang sesuai dengan tingkat kompleksitas tugasnya; Anthropic terus mempertahankan jalur model unggulan berperforma tinggi, dengan seri Opus yang mencakup pengembangan bernilai tinggi dan skenario perusahaan; Grok 4.5 justru mengambil strategi harga rendah, dengan harga output hanya seperempat dari seri Opus, serta menarik pengembang melalui keterikatan dengan Cursor.
Produsen domestik lebih menekankan keunggulan biaya. Dalam enam bulan terakhir, sejumlah produsen model domestik terus menurunkan harga API, berharap dengan biaya rendah dapat menurunkan ambang batas penggunaan dan memperluas basis pengembang serta pengguna perusahaan.
Ringkasan satu kalimat: Persaingan model besar pada Juli telah berkembang dari kompetisi kemampuan tunggal menjadi berbagai dimensi seperti kode, agen, efisiensi parameter, dan harga.
02. Siapa yang melebihi harapan, siapa yang mendapat evaluasi beragam?
Berdasarkan perbandingan komprehensif terhadap perubahan dibandingkan generasi sebelumnya, kinerja daftar, dan umpan balik pengembang, tingkat model yang dirilis pada Juli dapat dibagi menjadi tiga kategori.
Pertama, lihat kategori yang melampaui harapan: Kimi K3, Grok 4.5, Hunyuan Hy3.
Yang paling diperhatikan adalah Kimi K3. Model ini menggunakan arsitektur MoE dengan total parameter mencapai triliunan, dengan fokus utama pada peningkatan kemampuan konteks panjang, pemrograman frontend, dan desain produk. Pada hari peluncurannya, Kimi K3 langsung menduduki peringkat pertama di daftar pemrograman frontend Code Arena dengan skor 1679, naik 17 peringkat dari peringkat ke-18 yang diraih oleh pendahulunya, Kimi K2.6. Dalam daftar komprehensif Arena satu minggu kemudian, Kimi K3 memasuki peringkat Top 10 global untuk pertama kalinya.
Namun, Kimi K3 juga memiliki batasan kemampuan yang jelas. Dalam uji keandalan pengetahuan Artificial Analysis, tingkat halusinasinya meningkat dari 39% pada Kimi K2.6 menjadi 51%, dengan kecepatan output sekitar 33 Token/s, jauh lebih rendah dibandingkan model sejenis.
Pengalaman penggunaan nyata para pengembang juga mengonfirmasi "kelemahan ini". Beicheng percaya bahwa Kimi K3 memang mengalami peningkatan signifikan dibanding generasi sebelumnya, dengan keunggulan utama terletak pada pengembangan frontend, desain UI, dan ekspresi produk. Misalnya, dalam tugas-tugas seperti mengoptimalkan UI situs web atau merancang antarmuka aplikasi, Kimi K3 mampu menghasilkan produk yang lebih baik, tetapi performanya tidak stabil ketika menangani tugas teknis yang kompleks.
Sumber gambar / pexels
Grok 4.5 juga mendapat perhatian yang sama. Setelah dirilis pada 9 Juli, ia masuk ke peringkat atas dalam Indeks Cerdas Artificial Analysis dan menunjukkan kinerja unggul dalam sejumlah pengujian pemanggilan alat, dianggap oleh banyak pengembang sebagai pilihan dengan rasio nilai terhadap biaya yang tinggi.
Pengalaman Beicheng selaras dengan ini; ia percaya bahwa keunggulan terbesar Grok 4.5 adalah kecepatannya. Untuk kebutuhan yang sama, Grok 4.5 mungkin menyelesaikannya dalam tiga hingga lima menit, sementara GPT-5.6 terkadang memerlukan dua puluh menit bahkan hingga tiga puluh menit. Ditambah harganya yang lebih rendah, Grok 4.5 cocok digunakan saat ada kebutuhan pengembangan cepat. Yao Yuhang berpendapat bahwa kemampuan pemrograman Grok 4.5 telah dioptimalkan secara khusus, dan ketika digunakan bersama Cursor, pengalaman keseluruhan sangat baik. Sebagai latar belakang, SpaceX sebelumnya mengumumkan akuisisi induk perusahaan Cursor, Anysphere, dengan transaksi diperkirakan akan diselesaikan pada kuartal ketiga; kerja sama data antara xAI dan Cursor juga dianggap membantu meningkatkan pengalaman pemrograman Grok 4.5.
Hy3 Huyuan mewakili terobosan dalam jalur efisiensi. Model ini memiliki total parameter 295B, dengan parameter yang diaktifkan hanya 21B, dan mencapai performa yang mendekati model pesaing yang lebih besar dengan ukuran parameter kurang dari seperlima model unggulan. Namun, dalam SWE-Bench Pro, skor Hy3 sebesar 57,9 masih jauh dari skor 69,2 dari Claude Opus, menunjukkan bahwa kemampuan memperbaiki kode kompleks masih perlu ditingkatkan.
Yao Yuhang percaya bahwa Hunyuan Hy3 menunjukkan kemajuan dibandingkan model sebelumnya dari Tencent, dan dengan desain open-source serta ukuran kecil, ini merupakan pilihan yang cukup baik untuk kategori menengah.
Lihat lagi kelas yang tetap berada di tingkat atas, tetapi memiliki kejutan terbatas: GPT-5.6 Sol dan Claude Opus 5.
GPT-5.6 Sol dan Claude Opus 5 tetap berada di kelompok teratas, tetapi tidak membawa perubahan signifikan. GPT-5.6 Sol memperkuat kemampuan penalaran kompleks dan pemrograman agen, mencapai 88,8% dalam pengujian Terminal-Bench 2.1 (benchmark yang menguji kemampuan model dalam menyelesaikan tugas nyata di lingkungan baris perintah), dengan mode Ultra yang meningkatkan performa hingga 91,9%. Claude Opus 5 terus mempertahankan keunggulannya dalam tugas kompleks, dengan penekanan lebih besar pada keandalan model dalam skenario seperti teknik kompleks, pemahaman kode, dan analisis keamanan. Keunggulan Opus 5 adalah performanya yang mendekati Fable 5, namun harganya hanya setengah dari Fable 5.
Kedua model masih berada di tingkat teratas, hanya saja tidak membawa terobosan besar.
Beicheng menyebutkan bahwa GPT-5.6 sudah mampu memenuhi sebagian besar kebutuhan pengembangan harian-nya, tetapi saat menghadapi masalah yang sangat kompleks, ia akan menggunakan Opus 5 untuk menyelesaikannya. Namun, kemampuan yang lebih kuat juga berarti biaya yang lebih tinggi. Baginya, Opus 5 lebih berperan sebagai "ahli" yang dipanggil saat menangani masalah kritis.
Terakhir adalah kategori umpan balik yang terbagi dan masih perlu diverifikasi: Gemini 3.6 Flash dan versi preview Qwen3.8-Max.
Yang paling khas adalah Gemini 3.6 Flash. Ia mendapatkan skor 50 di daftar indeks Artificial Analysis, sejajar dengan generasi sebelumnya, 3.5 Flash. Umpan balik dari komunitas pengembang cenderung konsisten bahwa generasi ini tidak menunjukkan peningkatan signifikan dibandingkan pendahulunya dan performanya kalah dibandingkan pesaing sejawatnya. Namun, ada juga yang berpendapat bahwa sebagai model ringan, kualitas output Gemini 3.6 Flash secara umum memadai.
Menurut pengembang independen Kapdim, pengalaman penggunaan sehari-hari Gemini 3.6 Flash cukup baik, meskipun kemampuan pemrogramannya tidak menonjol, pemahaman multimodal tetap sangat baik. Platform ini mendukung input file dalam berbagai format, dan gaya serta pengalaman obrolan sehari-harinya lebih unggul dibandingkan banyak pesaing.
Setelah rilis versi pratinjau Qwen3.8-Max pada Juli, kinerja model tidak stabil dan umpan balik pasar bervariasi. Pengalaman utama Bei Cheng adalah bahwa versi pratinjau Qwen3.8-Max memiliki kedalaman pemikiran yang tinggi, tetapi terkadang terjebak dalam penalaran yang berkepanjangan, "seperti memutar-mutar dirinya sendiri," namun akhirnya tidak memberikan solusi yang efektif. Kapdim berpendapat bahwa versi pratinjau Qwen3.8-Max di bawah harapan; saat menguji model dengan kumpulan penilaian estetika frontend miliknya, ia menemukan perbedaan signifikan antara kemampuan aktual dan promosi. Sebagai produk versi pratinjau yang masih dalam penyesuaian, kinerja akhirnya perlu diverifikasi setelah rilis versi resmi.
Bulan Juli tidak menghasilkan model yang unggul di semua dimensi, berbagai model mulai membentuk pembagian tugas berdasarkan skenario spesifik.
Sebagai contoh, Bei Cheng akan memilih alat berdasarkan tugas: GPT-5.6 untuk pengembangan sehari-hari, Grok 4.5 untuk menyelesaikan kebutuhan dengan cepat, Kimi K3 untuk skenario produk dan frontend, serta Claude Opus 5 untuk menyelesaikan masalah kompleks. Pendekatan Kapdim berbeda, ia menggunakan model Fable 5 atau Opus 5 Claude untuk perencanaan, lalu menjalankannya melalui GPT-5.6 Sol.
03. Rilis semakin cepat, perdebatan antara open source dan closed source semakin memanas
Di balik rilis padat ini, ada beberapa pertanyaan yang layak dianalisis: mengapa iterasi model semakin cepat, mengapa konsentrasi terjadi di bulan Juli, dan mengapa open source akan memengaruhi model bisnis yang ada.
Pertama, cara iterasi model sedang berubah. Di masa lalu, peningkatan kemampuan model besar terutama bergantung pada pelatihan ulang model berskala lebih besar, yang memakan waktu lama dan biaya tinggi. Namun, seiring dengan kedewasaan teknologi seperti reinforcement learning dan post-training (mengoptimalkan kinerja model lebih lanjut melalui fine-tuning, reinforcement learning, dll. setelah pelatihan model dasar selesai), peningkatan model kini semakin mengandalkan optimasi pasca-pelatihan.
Yao Yuhang memberi tahu 'Dingjiao One' bahwa kecepatan peluncuran model dalam dua tahun terakhir jelas mempercepat, dan salah satu alasan utamanya adalah industri telah menguasai metode pasca-pelatihan yang lebih matang. Sekarang, banyak peningkatan pada model tidak memerlukan pelatihan ulang model, tetapi cukup dengan mengoptimalkan model dasar yang sudah ada melalui cara-cara seperti pembelajaran penguatan dan iterasi mandiri.
Ini berarti siklus persaingan model semakin memendek. Dulu, model unggulan bisa mempertahankan keunggulannya selama beberapa bulan; sekarang, jendela keunggulan yang dihasilkan oleh pembaruan versi mungkin hanya beberapa minggu. Jika ritme peluncuran tidak mampu mengikuti, model tersebut bisa dengan cepat digantikan oleh versi baru. Bagi produsen, meluncurkan model bukan hanya sekadar pameran teknologi, tetapi waktu peluncuran itu sendiri juga menjadi bagian dari persaingan.
Sumber gambar / pexels
Kedua, Juli adalah periode di mana beberapa titik penting bertumpukan. Bagi produsen domestik, World Artificial Intelligence Conference (WAIC) diadakan pada Juli, di mana produsen cenderung merilis model dan menunjukkan kemajuan teknologi di sekitar periode ini. Bagi produsen luar negeri, banyak perusahaan terkemuka juga memilih untuk memperbarui model mereka pada tahap ini, dengan harapan dapat memperoleh posisi unggul dalam ekosistem pengembang dan persaingan bisnis.
Selain itu, aturan persaingan industri sedang berubah. Kemampuan model yang kuat bukan lagi satu-satunya tujuan; persaingan telah meluas ke bagaimana model digunakan dan bagaimana diubah menjadi pendapatan.
Ini juga alasan mengapa perdebatan antara open-source dan closed-source kembali memanas pada Juli. Selama ini, terdapat kesenjangan kemampuan antara model open-source dan closed-source. Namun, seiring sejumlah model open-source masuk ke kelompok teratas, muncul pertanyaan yang lebih realistis: ketika model berkinerja tinggi dapat diperoleh secara gratis, apakah pendapatan dari panggilan API dan langganan perusahaan model akan teralihkan?
Pihak yang mendukung open source berpendapat bahwa bobot terbuka dapat menurunkan hambatan teknis, memungkinkan lebih banyak perusahaan dan pengembang berpartisipasi dalam inovasi AI. Open source berarti penyedia teknologi secara aktif melepaskan sebagian keuntungan untuk mendorong perkembangan ekosistem; sementara pihak closed source khawatir pengguna mereka akan teralihkan oleh model open source. Perusahaan seperti Anthropic berpendapat bahwa seiring peningkatan kemampuan model, pembukaan bobot dapat menimbulkan risiko keamanan dan memerlukan tata kelola yang lebih ketat.
Di balik perdebatan ini sebenarnya terkait dengan kepentingan berbagai perusahaan. Bagi perusahaan infrastruktur seperti NVIDIA, keterbukaan model berarti lebih banyak permintaan penyebaran dan pasar daya komputasi yang lebih besar. Bagi perusahaan model seperti OpenAI dan Anthropic, model tertutup mampu mempertahankan pendapatan dari panggilan API dan langganan. Namun, perlu diperhatikan sisi lain: keterbukaan sumber terbuka memang akan memperluas permintaan penyebaran, tetapi seiring peningkatan efisiensi parameter, konsumsi daya komputasi per tugas juga bisa diratakan, sehingga pertumbuhan pasar daya komputasi tidak selalu sejalan dengan tingkat keterbukaan model. Bagi produsen domestik, keterbukaan bobot bukan hanya pilihan jalur teknis, tetapi juga upaya untuk merebut ekosistem pengembang, layanan cloud, dan akses ke komersialisasi selanjutnya.
Setelah Juli, persaingan model besar akan terus berlanjut. Komunitas pengembang secara umum memperkirakan bahwa model-model baru seperti DeepSeek V4 versi resmi, Fable 5.1, dan GPT-6 akan dirilis bertahap pada Agustus.
Kesenjangan kemampuan model sedang menyempit, dan semakin sulit untuk membangun keunggulan jangka panjang hanya dengan merilis model yang lebih kuat. Yang perlu diamati selanjutnya adalah beberapa indikator spesifik: di mana versi resmi DeepSeek V4 akan mendorong batas atas kemampuan model open-source, apakah harga API akan terus turun, apakah agen akan muncul dengan skenario pembayaran yang stabil, dan apakah model open-source dapat masuk ke lebih banyak deploy privat perusahaan. Jawaban atas pertanyaan-pertanyaan ini akan lebih menjelaskan apa yang benar-benar berubah dalam pertarungan ini daripada peringkat di daftar.
*Gambar utama berasal dari Pexels.