Claude di Posisi Pertama, Biaya Gemini Kurang dari Sepertiganya: Analisis Perbedaan Rasio Harga-Kinerja 13 Model di GDPx

Catatan penulis: Mengulas edisi pertama papan peringkat GDPx yang diterbitkan SemiAnalysis, membandingkan skor dan “biaya rata-rata per tugas” model-model teratas, serta membedakan biaya evaluasi dari harga Token resmi. Tujuannya membantu Anda memilih model berdasarkan kemampuan, biaya, dan ketersediaan.

Pada 2 November 2026, SemiAnalysis merilis GDPx v1.0, benchmark Agent dengan tingkat kesulitan tinggi. Claude Opus 5.5 menempati peringkat pertama dengan skor keseluruhan 12.0%, disusul Gemini 4 Carbon dengan 10.9%. Yang lebih menarik adalah biayanya: biaya rata-rata per tugas Carbon hanya sekitar 31.7% dari Opus, tetapi skornya mencapai sekitar 90.8% dari Opus.

Ini bukan sekadar kabar angin. Data di atas berasal dari papan peringkat resmi GDPx dan laporan asli SemiAnalysis. Situs resminya juga memublikasikan 14 tugas representatif dengan total 168 jejak eksekusi. Meski begitu, papan peringkat ini mudah disalahartikan. “Biaya rata-rata per tugas” bukan harga API, dan “12%” bukan tingkat keberhasilan AI dalam pekerjaan nyata.

Manfaat utama: Artikel ini merangkum data biaya dan kemampuan dalam edisi pertama papan peringkat GDPx, sekaligus membedakan secara tegas tiga jenis harga: biaya evaluasi GDPx, harga Token resmi dari penyedia, dan harga yang tercantum dalam dokumentasi APIYI. Setelah membacanya, Anda akan memahami mengapa peringkat keseluruhan dan pilihan model untuk penggunaan nyata bisa berbeda.

Ringkasan Informasi Utama GDPx

Nama lengkap GDPx adalah “Measuring Frontier Model Capabilities Across the Most Valuable Domains”, yang berarti “mengukur kemampuan model terdepan di bidang dengan nilai ekonomi tinggi”. GDPx bukan tes tanya jawab pengetahuan. Tolok ukur ini menguji apakah Agent mampu menyelesaikan tugas jangka panjang secara mandiri, dengan bantuan alat dan perangkat lunak, dalam lingkungan profesional nyata atau simulasi yang mendekati kondisi nyata.

Perlu diperhatikan bahwa GDPx mengukur kinerja keseluruhan dari “model + kerangka kerja Agent + alat + lingkungan”, bukan kemampuan penalaran model semata. Skor keseluruhan dihitung dengan bobot yang sama untuk setiap bidang dan menggunakan metode penilaian campuran, sehingga tidak bisa dikonversi menjadi “berapa dari 206 soal yang dijawab benar”.

Peringkat GDPx: Skor dan Biaya Rata-rata per Tugas

Tabel berikut mencantumkan 13 model yang ditampilkan secara default di situs resmi (terdapat 20 konfigurasi pengujian dalam filter). Kolom terakhir menunjukkan apakah model terkait tercantum dalam dokumentasi model publik APIYI (snapshot harga 2026-10-27), sebagai referensi pencarian saja.

Angka dalam dolar di atas adalah biaya rata-rata untuk menjalankan setiap tugas evaluasi yang dilaporkan GDPx, termasuk eksekusi yang gagal. Angka ini bukan harga per satu juta token, bukan biaya setiap kali pengguna mengajukan pertanyaan, dan bukan biaya untuk menyelesaikan satu tugas bisnis yang memenuhi standar.

Tiga perbandingan biaya GDPx yang perlu diperhatikan

Berdasarkan perhitungan dari data resmi, ada tiga pola perbandingan performa dan biaya yang menarik:

Ketiga perbandingan ini menggambarkan tiga pilihan: mengejar performa terdepan, menekan biaya dengan skor yang mendekati, dan memilih opsi ekonomis untuk tugas berisiko rendah. Namun, skor keseluruhan yang berdekatan belum tentu berarti performanya juga serupa pada tugas spesifik Anda.

Peringkat pertama secara keseluruhan di GDPx bukan berarti unggul di semua bidang

Laporan asli SemiAnalysis menunjukkan bahwa setiap model unggul di bidang yang berbeda:

• Claude Opus 5.5: unggul dalam perdagangan kuantitatif, desain perangkat keras, dan desain chip.
• Gemini 4 Carbon: unggul dalam biologi dan juga unggul tipis dalam rekayasa perangkat lunak.
• GPT-6 Astra: unggul dalam peningkatan diri rekursif (RSI) dan ilmu material.

Tim peneliti juga menjelaskan bahwa sebagian hasil Opus 5.5 dan GPT-6 Astra dipengaruhi oleh pengklasifikasi keamanan, terutama di tiga bidang: keamanan siber, biologi, dan penyelarasan AI. Dalam kasus desain fisik chip vt01, skor rata-rata Astra adalah 0.34, sedangkan Opus hanya 0.135. Hasil pada satu tugas bisa saja menunjukkan arah yang berlawanan dengan peringkat keseluruhan.

Biaya GDPx tidak sama dengan harga Token resmi

Kesalahan yang paling sering muncul saat membahas rasio harga dan performa adalah menganggap $/task di GDPx sebagai tarif API. Berikut harga teks standar yang diumumkan resmi oleh masing-masing penyedia (dalam dolar AS per juta Token), beserta perkiraan tagihan dengan asumsi “1 juta Token input + 200 ribu Token output, tanpa biaya cache dan alat”.

Sumber harga: halaman harga resmi Anthropic dan OpenAI, serta pengumuman Carbon dari Google pada 2026-10-28. Google juga menyampaikan bahwa setelah masa perkenalan berakhir, harga standar Carbon adalah $4 untuk input dan $20 untuk output. Tanggal berakhirnya masa perkenalan belum diumumkan. Permintaan OpenAI dengan konteks panjang mungkin dikenai harga berbeda, dan aturan penagihan untuk penulisan cache, pemrosesan batch, serta fitur lainnya juga berbeda di tiap penyedia.

Tabel ini hanya menunjukkan perbedaan “harga satuan”. Untuk tugas yang sama, jumlah Token dan putaran pemanggilan yang dibutuhkan setiap model bisa sangat berbeda. Karena itu, urutan tagihan aktual belum tentu sama dengan perkiraan di atas. Misalnya, perkiraan tagihan Opus lebih rendah daripada Astra, tetapi rata-rata biaya per tugas keduanya di GDPx cukup berdekatan ($51.41 vs $53.99).

Keterbatasan Gemini 4 Carbon saat ini

Carbon menjadi sorotan dalam pembahasan rasio harga dan performa di daftar ini, tetapi saat ini masih sulit diakses langsung oleh pengembang umum. Saat meluncurkan Carbon pada 28 Oktober, Google hanya membukanya untuk sebagian tim pertahanan keamanan siber dan mitra yang telah melalui proses peninjauan, serta menyatakan akan memperluas akses secara bertahap. Hingga 3 November, belum ditemukan pengumuman bahwa API-nya telah dibuka untuk publik secara luas.

Snapshot harga dalam dokumentasi model publik APIYI juga belum mencantumkan gemini-4-carbon. Artikel penjelasan yang diterbitkan platform tersebut pada 29 Oktober juga menyatakan dengan jelas bahwa API publik Carbon belum tersedia. Jadi, untuk saat ini Carbon lebih cocok dipandang sebagai “penunjuk arah teknologi” daripada opsi yang bisa langsung dibeli. Gemini 4 Argon, yang masih satu keluarga dengan Gemini 4 dan sudah tersedia untuk digunakan (GDPx 7.3%, $12.79/tugas), bisa menjadi pilihan untuk dipantau saat ini.

Faktor yang Memengaruhi Total Biaya Tugas Agent Seperti GDPx

Tagihan untuk Agent dengan alur panjang tidak sesederhana “harga satuan × satu panggilan”. Total biayanya dapat diuraikan sebagai berikut:

Total biaya = Biaya Token input + Biaya Token output + Biaya terkait cache + Biaya pemanggilan tool + Biaya percobaan ulang akibat kegagalan + Biaya operasional lainnya

Bagi perusahaan, metrik yang lebih berguna adalah biaya per hasil yang memenuhi syarat = biaya seluruh percobaan ÷ jumlah hasil yang memenuhi syarat. Ini adalah metode perhitungan yang disarankan, bukan statistik resmi dari GDPx. Jika model yang murah perlu dicoba berulang kali, biaya akhirnya justru bisa lebih tinggi. Sebaliknya, model yang mahal tetapi menghasilkan output lebih konsisten bisa memiliki biaya bisnis per unit yang lebih rendah.

Cara membuat perbandingan biaya ala GDPx: panduan cepat

Sebagian besar dari 206 tugas GDPx tidak dipublikasikan, jadi Anda tidak bisa mereplikasi papan peringkatnya secara langsung. Cara yang lebih praktis adalah menggunakan tugas nyata dari bisnis Anda: jalankan beberapa model kandidat beberapa kali dengan input dan kriteria penerimaan yang sama, lalu catat penggunaan Token dan apakah hasilnya lolos penilaian.

Contoh sederhana

Kode berikut memanggil model melalui antarmuka yang kompatibel dengan OpenAI dan membaca penggunaan Token untuk permintaan tersebut:

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

resp = client.chat.completions.create(
    model="gpt-6.1-sol",
    messages=[{"role": "user", "content": "核对这份应收账款账龄表的合计是否正确"}]
)
print(resp.choices[0].message.content)
print(resp.usage)  # prompt_tokens / completion_tokens

import openai
from typing import Callable

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

# Harga satuan: dolar AS/juta Token, berdasarkan dokumentasi APIYI per 2026-10-27
# Biaya aktual mengacu pada konsol; grup dan promo isi ulang dapat memengaruhi tagihan
PRICES = {
    "claude-opus-5-5":     {"in": 4.0,  "out": 20.0},
    "gpt-6.1-sol":         {"in": 2.0,  "out": 10.0},
    "gemini-4-argon":      {"in": 2.0,  "out": 10.0},
    "deepseek-v4.1-flash": {"in": 0.30, "out": 1.20},
    "gpt-6-luna":          {"in": 0.10, "out": 0.50},
}

def run_once(model: str, task: str) -> tuple[str, float]:
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": task}],
    )
    u, p = resp.usage, PRICES[model]
    cost = (u.prompt_tokens * p["in"] + u.completion_tokens * p["out"]) / 1_000_000
    return resp.choices[0].message.content, cost

def evaluate(task: str, validator: Callable[[str], bool], runs: int = 3):
    report = []
    for model in PRICES:
        total_cost, passed = 0.0, 0
        for _ in range(runs):
            try:
                out, cost = run_once(model, task)
                total_cost += cost          # Percobaan yang gagal juga dihitung sebagai biaya
                passed += int(validator(out))
            except Exception as e:
                print(f"{model} 调用失败: {e}")
        per_pass = total_cost / passed if passed else float("inf")
        report.append((model, passed, runs, total_cost, per_pass))
    for m, ok, n, c, pp in sorted(report, key=lambda x: x[4]):
        print(f"{m:22s} 通过 {ok}/{n}  总成本 ${c:.4f}  单次合格交付成本 ${pp:.4f}")

# Contoh: validator harus dibuat sesuai standar bisnis Anda; ini hanya demonstrasi
evaluate(
    task="根据以下条款判断 418 美元的保险审计调整是否终止原有保险义务……",
    validator=lambda out: "不终止" in out,
)

Skrip ini hanya mencakup pemanggilan satu putaran. Untuk tugas Agent yang sebenarnya, penggunaan Token dari pemanggilan alat dan konteks beberapa putaran juga perlu dijumlahkan. Validator pun sebaiknya mendekati standar penerimaan hasil yang sebenarnya, bukan sekadar mencocokkan kata kunci.

🚀 Saran untuk memulai: Saat membandingkan beberapa model, bagian yang paling merepotkan adalah membuat akun untuk setiap penyedia dan menyesuaikan SDK yang berbeda-beda. Melalui APIYI apiyi.com, Anda bisa menggunakan satu kunci API dan antarmuka yang kompatibel dengan OpenAI untuk beralih di antara model-model pada tabel di atas. Pengguna baru mendapat kuota uji coba gratis, cocok untuk memulai perbandingan dengan sampel kecil.

Analisis dampak GDPx: artinya bagi pemilihan model oleh developer dan perusahaan

Dampak bagi developer

• Jangan hanya melihat peringkat keseluruhan: Opus berada di posisi pertama secara keseluruhan, tetapi Carbon unggul dalam biologi dan rekayasa perangkat lunak, sedangkan Astra unggul dalam ilmu material dan RSI. Hasil pada tugas tertentu bisa berbeda dari arah peringkat keseluruhan.
• Perbedaan biaya bisa jauh lebih besar daripada perbedaan skor: Skor Astra dan Sol hanya terpaut 1,2 poin persentase, tetapi biaya rata-rata per tugas berbeda sekitar 5,51 kali. Ini membuat routing bertingkat layak dicoba.
• Framework juga penting: Dalam GDPx, setiap model menggunakan framework bawaannya masing-masing. Jika framework diganti, skor dan konsumsi token juga bisa berubah.

Dampak bagi perusahaan

• Untuk tugas berisiko tinggi, perhatikan hasil akhir: Tugas keuangan dan hukum dinilai dengan sistem biner yang ketat, dan semua model mendapat 0%. Dalam kasus hukum, Opus memperoleh rata-rata skor parsial 44%, tetapi tidak ada satu pun dokumen yang memenuhi standar kelayakan.
• Menyelesaikan tugas tidak berarti menyelesaikannya sesuai aturan: Dari 200 pelaksanaan pengujian keamanan siber, 196 di antaranya melanggar setidaknya satu aturan perilaku. Ini adalah pengujian adversarial bertekanan tinggi, sehingga tingkat pelanggaran di dunia nyata tidak bisa disimpulkan darinya. Namun, hasil ini menunjukkan bahwa batas kewenangan perlu dievaluasi secara terpisah.
• Ketersediaan adalah batasan yang tidak bisa ditawar: Sebagus apa pun hasil evaluasinya, model tidak bisa diterapkan jika tidak tersedia untuk dibeli. Carbon adalah contoh yang jelas.

Dari sini, kita bisa menyusun kerangka awal pemilihan model: pertama, lihat kemampuan (tingkat kelulusan pada sampel tugas bisnis sendiri); kedua, biaya (biaya per hasil yang memenuhi standar); dan terakhir, periksa ketersediaan (apakah model dapat dibeli, batas laju, dan ketentuan data). Ketiganya sama-sama penting.

Pertanyaan Umum FAQ

Poin Utama Rasio Harga-Kinerja GDPx

• Peringkat: Di GDPx v1.0, Opus 5.5 memimpin dengan 12.0%, disusul Carbon 10.9% dan Astra 9.6%.
• Selisih biaya: Skor Carbon sekitar 90.8% dari Opus, sedangkan biaya rata-rata per tugasnya hanya sekitar 31.7% dari biaya Opus.
• Perbedaan metrik: $/task di GDPx adalah rata-rata biaya selama pengujian, bukan harga Token resmi.
• Perbedaan bidang: Peringkat pertama secara keseluruhan tidak berarti unggul di setiap bidang. Selisih pada tugas tertentu bahkan bisa berlawanan dengan hasil peringkat keseluruhan.
• Kendala ketersediaan: API publik Carbon belum tersedia secara luas, jadi belum bisa menjadi opsi yang langsung digunakan.
• Cara memilih: Ukur biaya per hasil yang memenuhi kriteria. Gunakan antarmuka terpadu APIYI apiyi.com untuk membandingkan model dengan sampel kecil.

Kesimpulan

Peringkat perdana GDPx menunjukkan perbedaan rasio harga-kinerja yang jelas di antara model AI terkemuka:

1. Kemampuan: Claude Opus 5.5 unggul secara keseluruhan, tetapi setiap model punya bidang keunggulan masing-masing. Untuk tugas berisiko tinggi, model-model ini masih jauh dari mampu menyelesaikannya secara mandiri.
2. Biaya: Perbandingan Carbon dengan Opus dan Sol dengan Astra menunjukkan bahwa skor yang berdekatan bisa disertai selisih biaya hingga beberapa kali lipat.
3. Ketersediaan: Carbon saat ini masih sulit dipanggil secara langsung. Sebagus apa pun hasil pengujiannya, model tetap harus tersedia untuk bisa diterapkan.

GDPx bisa membantu mengarahkan pilihan, tetapi tidak menggantikan pengujian pada kebutuhan bisnis Anda sendiri. Cara yang lebih aman adalah memilih beberapa model terdepan, seimbang, dan ekonomis, lalu menguji masing-masing beberapa kali dengan tugas nyata dan standar penerimaan yang sama. Bandingkan biaya per hasil yang memenuhi kriteria. Anda bisa menggunakan satu Key melalui APIYI apiyi.com untuk menguji beberapa model; harga terkini dapat dilihat di konsol.

📚 Referensi

1. Laporan asli GDPx dari SemiAnalysis: metodologi benchmark, hasil per bidang, dan studi kasus
2. Tautan: newsletter.semianalysis.com/p/gdpx-measuring-frontier-model-capabilities

3. Keterangan: mencakup model unggulan di setiap bidang dan analisis pola kegagalan

4. Papan peringkat resmi GDPx: skor keseluruhan dan biaya rata-rata per tugas

5. Tautan: gdpx.semianalysis.com

6. Keterangan: sumber data papan peringkat dalam artikel ini; jejak eksekusi tersedia di halaman /rollouts

7. Pengumuman peluncuran Google Gemini 4 Carbon: cakupan akses dan rencana harga API

8. Tautan: blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon

9. Keterangan: harga pengenalan Carbon, harga standar, dan batasan akses

10. Halaman harga OpenAI API: harga resmi per Token untuk seri GPT-6

11. Tautan: developers.openai.com/api/docs/pricing

12. Keterangan: perhatikan harga khusus untuk permintaan dengan konteks panjang

13. Daftar lengkap harga model APIYI: model yang tercantum di platform dan cuplikan harga

14. Tautan: docs.apiyi.com/models
15. Keterangan: cuplikan per 2026-10-27; biaya aktual mengacu pada konsol

Penulis: Tim teknis APIYI
Diskusi teknis: Hubungi kami melalui situs resmi APIYI. Untuk panduan integrasi model lainnya, kunjungi pusat dokumentasi di docs.apiyi.com

Artikel terkait

• Analisis peluncuran Gemini 4 Carbon: Ungguli Opus 5.5 dengan selisih 59 poin, menang di 15 dari 17 kategori tetapi tak bisa dipanggil: Gemini 4 Carbon memuncaki indeks kecerdasan komposit Artificial Analysis dengan 59 poin dan menang 15 dari 17 perbandingan resmi, tetapi belum punya ID model API atau jadwal akses; artikel ini mengurai skor dan alasan belum dapat dipanggil, serta menyarankan pengembang Tiongkok memakai gemini-4-argon.
• Gemini 4 Carbon Dirilis: Berapa Lama Lagi Pengembang Harus Menunggu untuk Menggunakannya?: Gemini 4 Carbon dirilis pada 28 Oktober 2026, tetapi belum memiliki API publik; artikel ini memperkirakan kapan pengembang dapat menggunakannya berdasarkan empat titik acuan waktu dan pembatasan bertahap Fairwind, serta menyajikan alternatif yang dapat digunakan sekarang.