Setiap kali model bahasa besar baru dirilis, pertanyaan yang paling sering muncul selalu sama: apakah model ini lebih kuat daripada model sebelumnya?
Namun, dalam pekerjaan sehari-hari di API Hop, kami lebih memperhatikan hal lain: untuk pekerjaan yang sama, bisakah model baru menyelesaikannya lebih baik dan lebih cepat? Berapa lama harus menunggu? Berapa biayanya? Apakah masih perlu campur tangan manusia untuk merevisi hasilnya?
Kali ini, pengujian GPT-6 Astra, Claude Fable 5.1, dan Gemini 4 Carbon yang kami perhatikan mencakup evaluasi kemampuan umum, data agen pemrograman, perbaikan proyek nyata, serta pengujian tugas panjang, penulisan, dan pembuatan situs.
Temuan utama: tugas berbeda memerlukan cara penilaian berbeda
| Pekerjaan | Fokus penilaian | Hasil sejauh ini |
|---|---|---|
| Memperbaiki bug, mengubah kode yang ada | Tingkat perbaikan, uji regresi, cakupan perubahan, dan biaya penyelesaian | Fable menyelesaikan lebih banyak dalam uji 64 tugas; biaya Astra lebih rendah |
| Menjalankan agen pemrograman | Indeks agen dari versi yang sama, biaya, waktu tunggu | Kombinasi Carbon, Fable, dan Astra yang diuji memiliki pertimbangan masing-masing |
| Menata informasi, menyerahkan laporan atau presentasi | Evaluasi khusus pekerjaan pengetahuan, akurasi fakta, besarnya revisi manusia | Fable meraih skor tertinggi dalam pengaturan AA-Briefcase yang kami periksa |
| Riset mandiri dalam waktu panjang | Penerimaan hasil akhir, kemampuan menemukan kesalahan, ketepatan pengiriman | Contoh tugas panjang publik menunjukkan bahwa berjalan lama dan menghasilkan karya yang diterima adalah hal berbeda |
| Menulis artikel, membuat halaman promosi | Struktur, konsistensi merek, fungsi, dan waktu revisi | Ada kasus nyata Astra/Fable; Carbon masih perlu diuji dalam alur pemasaran biasa berbahasa Mandarin |
Kesimpulan kami: model yang berbeda menunjukkan kinerja berbeda dalam konteks bisnis yang berbeda.
Informasi dasar ketiga model
Pertama, mari lihat informasi dasar dari penyedia resmi.
| Item | GPT-6 Astra | Claude Fable 5.1 | Gemini 4 Carbon |
|---|---|---|---|
| Nama model resmi | GPT-6 Astra | Claude Fable 5.1 | Gemini 4 Carbon |
| Panjang konteks | 1M token | 1M token | 1M token |
| Keluaran maksimum | 128,000 token | 128,000 token | 1,048,576 token |
Ada hal yang mudah terlewat: model itu sendiri dan alat untuk menjalankannya bukan hal yang sama. Untuk tugas pemrograman yang sama, menjalankan model melalui Codex, Claude Code, atau Antigravity CLI dapat mengubah cara membaca file, mengeksekusi perintah, mengelola konteks, dan mencoba kembali. Hasil yang terlihat sebenarnya adalah hasil “model + alat + konfigurasi”.
Jika hanya meminta model memoles paragraf, perbedaan ini mungkin kurang terlihat. Jika agen bekerja di repositori besar selama beberapa jam, lingkungan alat sering kali sangat penting.
Kemampuan umum: Carbon mendapat skor tertinggi, tetapi belum tentu menang di semua tugas
Mari mulai dengan evaluasi umum dari versi yang sama.
| Model dan pengaturan | Indeks kecerdasan (lebih tinggi lebih baik) | Biaya API tertimbang per tugas (lebih rendah lebih baik) |
|---|---|---|
| Gemini 4 Carbon (high) | 59 | $7.76 |
| GPT-6 Astra (max) | 57 | $6.24 |
| Claude Fable 5.1 (max, fallback bawaan) | 49 | $12.99 |
Artificial Analysis Intelligence Index v5.0 · Lebih tinggi lebih baik · Batang dimulai dari 0 dengan skala maksimum 60; bukan persentase.
- Carbon · high59
- Astra · max57
- Fable 5.1 · max / fallback bawaan49
Carbon memimpin versi indeks kecerdasan ini. Model baru Google patut diperhatikan, terutama untuk penalaran kompleks, pengetahuan, dan tugas sains.
Biaya API rata-rata Astra pada kumpulan tugas ini lebih rendah daripada dua pengaturan lain yang tercantum.
Skor umum Fable yang lebih rendah tidak berarti model ini lemah di semua pekerjaan. Evaluasi khusus pekerjaan pengetahuan di bawah menunjukkan hasil berbeda.
Memilih model pemrograman: kualitas perubahan dan biaya aktual lebih penting
Mulai dengan data agen pemrograman dari versi yang sama
Pengembangan sehari-hari meliputi implementasi kebutuhan, perbaikan bug, dan penyerahan perubahan dalam repositori, sehingga kami menggunakan evaluasi agen pemrograman.
| Kombinasi model + alat | Indeks agen | Biaya API rata-rata per tugas | Waktu berjalan rata-rata per tugas |
|---|---|---|---|
| Carbon high + Antigravity CLI | 59 | $7.74 | 29.8 menit |
| Fable 5.1 max/fallback bawaan + Claude Code | 58 | $11.53 | 35.3 menit |
| Astra max + Codex | 55 | $7.04 | 24.8 menit |
Evaluasi agen pemrograman dari versi yang sama · Unit: menit · Lebih rendah lebih baik · Skala 0–40; lihat skor dan biaya pada tabel di atas.
- Carbon high + Antigravity CLI29.8 menit
- Fable 5.1 max / fallback bawaan + Claude Code35.3 menit
- Astra max + Codex24.8 menit
Kombinasi Carbon mendapat skor lebih tinggi; Astra + Codex lebih cepat dan biaya API rata-ratanya lebih rendah dalam data ini; Fable + Claude Code berada di antara keduanya dalam skor, tetapi biaya dan waktunya lebih tinggi.
64 tugas pemrograman: Fable menyelesaikan lebih banyak, tetapi tagihannya lebih tinggi
Dibandingkan hanya melihat skor umum, menurut kami uji imec/aistack lebih dekat dengan pertanyaan pengembang: apakah bug diperbaiki, apakah kebutuhan selesai, dan berapa biayanya?
| Metrik | Astra + Codex | Fable 5.1 + Claude Code |
|---|---|---|
| Tugas terselesaikan | 34 / 64 | 51 / 64 |
| Proporsi penyelesaian (kami hitung dari jumlah) | 53.1% | 79.7% |
| Total biaya 64 tugas | sekitar €53 | sekitar €121 |
| Biaya rata-rata per tugas terselesaikan | sekitar €1.56 | sekitar €2.37 |
imec/aistack · Kumpulan 64 tugas pemrograman yang sama · Batang menunjukkan jumlah yang selesai, dengan skala 0–64.
- Astra + Codex34 / 64 · 53.1%
- Fable 5.1 + Claude Code51 / 64 · 79.7%
Hasil ini menarik: Fable menyelesaikan 17 tugas lebih banyak, dengan total biaya sekitar €68 lebih tinggi. Jika proyek sangat mementingkan penyelesaian masalah sulit, 17 tugas itu mungkin lebih penting daripada penghematan. Jika harus menangani banyak tugas sederhana setiap hari, biaya dan kecepatan kembali lebih penting.
Bug Gradle yang sama: keduanya berhasil, mengapa pengembang lebih memilih menggabungkan versi Fable?
Ada juga kasus lebih kecil yang sangat dekat dengan pengembangan sehari-hari.
Kami memperhatikan blog rekayasa Gradle yang meminta dua agen memperbaiki masalah konfigurasi dokumentasi yang sama, menggunakan repositori dan batasan tugas yang sama. Hasilnya: keduanya lolos.
| Metrik | Astra + Codex | Fable 5.1 + Claude Code |
|---|---|---|
| Hasil perbaikan | LOLOS | LOLOS |
| Waktu | 12 menit 03 detik | 14 menit 21 detik |
| Biaya API | $3.54 | $4.34 |
| Menambahkan uji regresi | Tidak | Ya |
Mengapa pengembang akhirnya lebih memilih perubahan Fable? Kami memeriksa perbedaannya: cakupan konfigurasi yang diubah Fable lebih spesifik, penulisannya lebih sesuai gaya repositori, dan ada uji regresi tambahan. Perubahan Astra menyelesaikan masalah saat ini, tetapi cakupan konfigurasinya lebih luas dan dapat menimbulkan dampak tak terduga ketika objek sejenis ditambahkan kelak.
Menurut kami, pelajaran kasus ini lebih penting daripada siapa yang selesai dua menit lebih cepat: menyelesaikan tugas hanyalah kemampuan dasar. Periksa juga apakah perubahan terlalu luas, apakah ada uji regresi, dan apakah orang berikutnya dapat memeliharanya.
Dalam tinjauan kode, lebih banyak penalaran belum tentu lebih baik
Kami sudah berulang kali menyampaikan pandangan ini ketika membahas model lain, dan dalam pengembangan kami sendiri juga merasakan bahwa lebih banyak penalaran belum tentu menghasilkan hasil lebih baik.
| Konfigurasi tinjauan Fable 5.1 | Recall masalah yang diketahui | Presisi komentar | Waktu rata-rata per item |
|---|---|---|---|
| Low | 61.0% | 37.3% | 18 menit 38 detik |
| High | 57.1% | 36.4% | 21 menit 36 detik |
Dalam alur tinjauan kode ini, High lebih lambat tanpa metrik keseluruhan yang lebih baik. Karena itu, jangan menganggap parameter High atau Max otomatis layak dibayar dengan tambahan waktu dan biaya. Efek aktual tetap harus diuji dalam skenario bisnis.
Riset dan pekerjaan informasi: berjalan dan memberi hasil tidak berarti hasilnya berguna
Dalam uji pekerjaan pengetahuan, posisi Fable berbalik
Mari ganti jenis tugas untuk melihat apakah hasilnya berubah.
| Model dan pengaturan | Skor AA-Briefcase |
|---|---|
| Fable 5.1 max/fallback bawaan | 1669 Elo |
| Carbon high | 1609 Elo |
| Astra max | 1568 Elo |
Inilah alasan kami tidak menyarankan hanya melihat satu peringkat umum: model yang sama berubah urutannya ketika tugasnya menjadi pekerjaan pengetahuan.
Jika Anda menata riset pelanggan, menulis laporan, atau membuat materi kerja, Fable dapat masuk daftar prioritas untuk dicoba.
Tugas riset dengan anggaran $10,000 tetap dapat berakhir dengan penolakan
CRUX melakukan evaluasi tugas panjang yang patut dibaca: menyerahkan masalah riset dari makalah yang belum diterbitkan kepada Astra dan Fable 5.1, memberikan anggaran riset $10,000, lalu meminta penulis riset asli menilai makalah yang dihasilkan.
Kami melihat kemajuan kedua model dalam desain eksperimen dan penggunaan sumber daya, tetapi kedua makalah akhir secara tegas ditolak oleh pakar. Tim riset menyoroti masalah penilaian riset, kebaruan, komunikasi, dan penyesuaian arah ketika gagal. Perlu diperhatikan bahwa kedua model mengerjakan masalah riset berbeda, sehingga skor akhirnya tidak dapat langsung dijadikan perbandingan satu lawan satu yang adil. Laporan riset CRUX
Menurut kami, hal ini sangat berguna sebagai referensi penggunaan AI untuk riset nyata.
Contohnya, jika meminta model meneliti pesaing SaaS, yang benar-benar diperlukan bukan hanya 20 halaman teks, tetapi juga apakah harga yang dirujuk benar, apakah fiturnya terkini, dari kanal mana lalu lintas berasal, dan apakah fitur terbaru layak dipelajari.
Bekerja lama dapat menambah jumlah keluaran, tetapi tidak otomatis menjamin arah yang benar; hasil akhirnya bisa berupa banyak konten yang tidak berguna. Pendekatan kami adalah menulis persyaratan terlebih dahulu, lalu meminta model mengisi konten sesuai kerangka yang ditentukan agar proses lebih terkendali.
Tugas lima jam Carbon juga mengalami masalah penyerahan hasil
Evaluasi FrontierCS mengizinkan model berjalan maksimal lima jam per tugas untuk mengembalikan metode yang dihapus dari implementasi makalah atau mengirim metode yang lebih baik.
| Metrik | Gemini 4 Carbon | Gemini 4 Argon |
|---|---|---|
| Tugas lolos | 24 / 48 | 26 / 48 |
| Biaya rata-rata per proses | $36.90 | $19.52 |
| Median waktu berjalan | 3.2 jam | 2.4 jam |
Dalam uji pihak ketiga ini, beberapa proses berakhir sebelum menyerahkan hasil karena cara agen menangani tugas latar belakang.
Pada tugas yang hasilnya dikirim oleh keduanya, skor rata-rata Carbon lebih tinggi. Ini mengingatkan bahwa agen yang mampu berjalan berjam-jam dapat salah menilai tujuan atau tidak menyelesaikan penyerahan akhir.
Menulis artikel dan membuat situs: apa yang ditunjukkan kasus publik?
Materi yang sama: struktur Fable lebih baik, alur kerja Astra lebih cepat
Dalam pekerjaan riset kami, PDF 20 halaman yang sama pernah diberikan kepada Fable 5.1 dan Astra untuk disusun menjadi artikel panjang.
Pembukaan dan struktur artikel Fable lebih sesuai preferensi kami, dengan susunan jelas dan logika ketat, tetapi Astra menyelesaikan seluruh alur lebih cepat.
Kami menyarankan pengguna menyiapkan materi yang tertata, atau setidaknya menentukan garis besar dan struktur, sebelum memakai model untuk menulis artikel agar keluaran dapat dinilai terhadap kebutuhan.
Pembuatan situs: skor tidak langsung berarti lalu lintas dan konversi
Snapshot halaman WebDev Arena pada 2026-10-27 menunjukkan skor berikut:
| Pengaturan model | Skor WebDev Arena |
|---|---|
| Astra Max | 1773 ± 10 |
| Carbon High | 1768 ± 15 (Sementara) |
| Fable 5.1 Max | 1746 ± 9 |
Sumber: peringkat asli WebDev Arena.
Pembuatan situs sebenarnya menggabungkan pengembangan, penulisan artikel, dan penyesuaian terhadap aturan mesin pencari. Walaupun kami menampilkan skor WebDev Arena, berdasarkan pengalaman luas API Hop sendiri dalam membuat situs, penggunaan yang kami sarankan adalah Fable untuk merencanakan artikel dan Astra untuk pengembangan.
Perbandingan harga: harga token sama, tagihan akhir berbeda
Kami sering melihat perbandingan yang langsung memilih harga per juta token terendah. Angka itu tentu penting, tetapi untuk tugas kompleks dengan beberapa putaran penalaran, panggilan alat, dan percobaan ulang, menentukan pilihan termurah hanya dari harga per juta token kurang tepat.
Mulai dengan tarif API biasa resmi
Unit tabel berikut adalah dolar AS / juta token; bukan harga jual platform API Hop.
| Item penagihan | Astra | Fable 5.1 | Carbon masa peluncuran | Carbon tarif standar berikutnya |
|---|---|---|---|---|
| Masukan tanpa cache | $10 | $10 | $2 | $4 |
| Keluaran | $50 | $50 | $10 | $20 |
| Pembacaan cache | $1 | $0.25 | $0.10 | $0.20 |
Ada dua detail lain yang mudah memengaruhi tagihan:
- Astra: ketika masukan satu permintaan melebihi 272K token, tarif masukan dan cache seluruh permintaan dihitung 2 kali, serta keluaran 1.5 kali; kenaikan bukan hanya untuk bagian yang melebihi ambang.
- Fable 5.1: keterangan resmi menyebut konteks 1M menggunakan tarif masukan dan keluaran standar; penulisan cache memiliki biaya dan durasi penyimpanan tersendiri.
Jika kita terus memasukkan repositori besar, materi sangat panjang, atau banyak riwayat percakapan ke konteks, aturan ini perlu diperhatikan agar tagihan tidak mengejutkan.
Contoh perhitungan dengan penggunaan tetap
Misalkan satu permintaan menggunakan tepat 100,000 token masukan tanpa cache dan menghasilkan 10,000 total token keluaran yang dapat ditagih. Untuk sementara, abaikan biaya alat, penulisan cache, percobaan ulang, dan harga paket khusus.
| Model dan tahap harga | Biaya masukan | Biaya keluaran | Total |
|---|---|---|---|
| Astra | $1.00 | $0.50 | $1.50 |
| Fable 5.1 | $1.00 | $0.50 | $1.50 |
| Carbon masa peluncuran | $0.20 | $0.10 | $0.30 |
| Carbon tarif standar berikutnya | $0.40 | $0.20 | $0.60 |
100,000 token masukan + 10,000 token keluaran yang ditagih · Dolar AS · Skala $0–$1.50; dihitung dari tarif resmi di atas, bukan tagihan terukur atau harga platform.
- Astra$1.50
- Fable 5.1$1.50
- Carbon · masa peluncuran$0.30
- Carbon · tarif standar berikutnya$0.60
Perhitungan tabel ini sederhana: token masukan / 1,000,000 × harga satuan masukan + token keluaran / 1,000,000 × harga satuan keluaran.
Walaupun jumlah token dibuat tetap dalam perhitungan ini, pada penggunaan nyata model berbeda dapat berpikir dan menghasilkan konten dengan panjang berbeda, serta mencoba kembali dalam jumlah berbeda.
Biaya per hasil yang diterima: kriteria penilaian yang lebih baik
Jika batas tugas dan kriteria penerimaan jelas, kita dapat melakukan ini:
Biaya rata-rata per hasil yang diterima = biaya API dan alat seluruh proses ÷ jumlah tugas yang lolos penerimaan
Seluruh biaya di sini harus mencakup kegagalan dan percobaan ulang. Catat terpisah waktu revisi manusia yang dibutuhkan setiap hasil berhasil. Jika model lebih murah $2 tetapi memerlukan setengah jam revisi tambahan, pilihan praktisnya dapat sepenuhnya berbeda.
Halaman model API Hop menampilkan harga platform dan harga referensi resmi. Kami menyarankan melihat keduanya secara terpisah dan mengikuti aturan penyelesaian biaya yang berlaku; harga platform tidak sama dengan harga API resmi. Halaman Astra API Hop · Halaman Fable API Hop · Halaman perbandingan API
Bagaimana kami menguji ketiga model dengan tugas sendiri?
Kami menyarankan membagi pekerjaan nyata menjadi tugas kecil dengan kriteria penerimaan jelas, dimulai dari bug atau kebutuhan kecil.
Agar proses dapat direproduksi, kami menyiapkan tiga jenis tugas berikut. Ini adalah rancangan pengujian, bukan hasil eksperimen yang sudah kami selesaikan.
| Tugas | Materi yang sama | Kriteria penerimaan |
|---|---|---|
| Menulis artikel untuk pengguna umum | Tabel fakta, catatan wawancara, dan persyaratan gaya yang sama | Tidak mengarang fakta atau melewatkan poin penting; catat waktu revisi |
| Mengubah halaman promosi produk | Kode awal, batasan merek, dan tiga permintaan perubahan yang sama | Fungsi bekerja, dapat digunakan di ponsel, tidak merusak merek atau logika bisnis |
| Memperbaiki bug lintas file | Versi repositori, langkah reproduksi, dan uji independen yang sama | Masalah diperbaiki tanpa regresi, dengan catatan pengujian yang benar-benar dijalankan |
Jalankan setiap jenis tugas tiga kali pada setiap model yang dapat diakses. Astra dan Fable dapat menyelesaikan putaran pertama; selama akses pengujian publik Carbon yang dapat direproduksi belum dikonfirmasi, kami akan mengosongkan hasilnya dan tidak mengganti Carbon dengan Argon.
Agar data berguna, kami menetapkan versi materi, deskripsi tugas, serta batas waktu dan anggaran. Setiap proses menggunakan sesi baru, mencatat ID model yang persis, pengaturan penalaran, versi alat, fallback, biaya, waktu, dan hasil akhir. Untuk penulisan, fokus pada kesalahan fakta dan revisi manusia; untuk bug, fokus pada pengujian dan cakupan perubahan.
Untuk perbandingan tugas teks Anda sendiri, mulailah dengan templat sederhana ini:
Kita perlu menulis artikel yang mudah dibaca untuk pengguna umum berdasarkan bahan faktual di bawah ini.
Pembaca: orang yang baru mengenal persoalan ini
Tugas: jelaskan persoalannya, berikan solusi yang dapat diterapkan, dan jelaskan kondisi penerapannya
Wajib dibahas: [cantumkan 3—5 poin utama]
Larangan: menambahkan data yang tidak ada dalam bahan, mengarang pengalaman pengujian, atau melebih-lebihkan kesimpulan
Keluaran: isi artikel, sumber fakta yang bersesuaian, dan informasi yang masih perlu dikonfirmasi
Bahan:
[tempelkan bahan yang sama]Prinsip penting: jangan hanya mempertahankan keluaran terbaik. Tugas gagal, panggilan berulang, dan perbaikan manual adalah biaya nyata penggunaan model.
Pertanyaan umum
Apakah semua orang sudah dapat menggunakan Gemini 4 Carbon?
Per 2026-10-30, tidak demikian. Google menyatakan akses pertama diberikan kepada sebagian organisasi pertahanan siber, lalu diperluas bertahap ke mitra tepercaya. Pengujian oleh lembaga riset tidak berarti seluruh pengembang memiliki akses API publik biasa. Kami akan memperbarui penjelasan mengikuti pembukaan resmi dan katalog model platform yang sebenarnya. Pengumuman resmi Google
Jika harga masukan dan keluaran Astra serta Fable sama, mengapa biaya tugas dapat jauh berbeda?
Karena jumlah token, cache hit, intensitas penalaran, jumlah panggilan alat, dan percobaan ulang berbeda. Harga $10 masukan dan $50 keluaran per juta token pada keduanya tidak menjamin biaya yang sama untuk memperbaiki bug yang sama. Dalam kasus Gradle, tagihannya masing-masing $3.54 dan $4.34. Pengujian Gradle
Apakah Max pada Fable 5.1 pasti lebih baik daripada intensitas penalaran lebih rendah?
Kami belum melihat bukti yang mendukung kesimpulan mutlak itu. Pengujian CodeRabbit pada tugas tinjauan kode yang sama justru menemukan konfigurasi penalaran tinggi lebih lambat dan recall keseluruhan lebih rendah. Kami menyarankan mulai dengan konfigurasi yang memenuhi kriteria penerimaan, lalu menilai apakah meningkatkan penalaran layak dilakukan. Pengujian CodeRabbit
Mana yang lebih cocok untuk artikel panjang berbahasa Mandarin?
Saat ini kami belum memberikan peringkat pasti ketiganya. Ada kasus penulisan dan tolok ukur pekerjaan pengetahuan, tetapi belum membentuk uji tiga model dengan materi, lingkungan, dan standar penulisan Mandarin yang sama. Kami menyarankan memakai materi Mandarin yang sama untuk membandingkan akurasi fakta, struktur, nada, dan waktu revisi.
Mengapa situs evaluasi berbeda memberikan peringkat berbeda?
Kumpulan tugas, metode penilaian, konfigurasi penalaran, alat agen, dan dasar penagihan dapat berbeda. Uji pengetahuan umum, perbaikan repositori nyata, dan penataan dokumen bisnis memang bukan pekerjaan yang sama. Periksa setidaknya versi peringkat, tanggal pengujian, pengaturan model, dan kriteria kelulusan sebelum menerima kesimpulan.
Bisakah perbandingan ketiga model pada tugas yang sama dilakukan langsung di API Hop?
Mulailah dengan memeriksa model dan harga yang benar-benar tersedia pada GPT-6 Astra, Claude Fable 5.1, dan katalog model API Hop saat ini, lalu bandingkan keluaran menggunakan tugas teks yang sama. Saat ini kami tidak mengklaim Carbon dapat dipanggil langsung oleh akun biasa. Alat teks online juga tidak sama dengan lingkungan agen lengkap yang dapat menjalankan kode, mengunggah file, atau menjelajah web; kemampuan alat perlu dikonfirmasi terpisah untuk perbandingan agen pemrograman.
Pada akhirnya, bagaimana kami memilih?
Setelah menggabungkan data publik ini, metode pilihan kami justru menjadi lebih sederhana.
Untuk memperbaiki bug di repositori yang ada, kami memprioritaskan pengujian Astra dan Fable pada tugas yang sama di proyek sendiri: periksa penyelesaian, uji regresi, dan biaya pemeliharaan berikutnya, bukan hanya siapa yang lebih dahulu mengeluarkan kode.
Untuk menata informasi, menulis laporan, atau melakukan riset panjang, kami lebih memperhatikan kinerja Fable dalam pekerjaan pengetahuan dan menjadikan evaluasi baru Carbon arah pengujian berikutnya. Namun, semua model tetap memerlukan pemeriksaan fakta dan penerimaan hasil yang jelas.
Untuk terus menghasilkan artikel atau halaman promosi, kami terlebih dahulu menghitung apakah persyaratan konten terpenuhi dan berapa lama revisi per artikel, alih-alih mengandalkan peringkat umum untuk menentukan seluruh proses konten.
Menurut kami, rumus perbandingan paling praktis adalah: apakah hasil diterima + seluruh biaya + waktu tunggu + besarnya revisi manusia.
Untuk mencoba tugas teks nyata, API Hop menyediakan penjelasan model, harga, dan akses percobaan Astra serta Fable 5.1. Anda juga dapat melihat model dan ketentuan terkini melalui halaman perbandingan API. Kami menyediakan layanan model, tetapi pengujian pihak ketiga yang dirujuk artikel ini bukan eksperimen milik API Hop. Kami terus mempertahankan sumber dan batas pengujian agar pembaca dapat menilai sendiri.
Sumber dan catatan pembaruan
Tanggal verifikasi materi: 2026-10-29. Peringkat yang dirujuk adalah versi yang tersedia saat itu; harga, izin model, dan hasil evaluasi dapat berubah. Ketika ada pembukaan resmi baru atau uji kami sendiri yang dapat direproduksi, perubahan akan dicatat terpisah tanpa diam-diam menimpa kondisi pengujian lama dengan data baru.
Model dan harga resmi
- OpenAI: spesifikasi dan penagihan GPT-6 Astra
- Anthropic: halaman model resmi Claude Fable 5.1
- Google: Introducing Gemini 4 Carbon, 2026-10-28
Evaluasi dan kasus independen
- Artificial Analysis: hasil Carbon pada Intelligence Index v5.0
- Artificial Analysis: perbandingan umum dan pekerjaan pengetahuan Astra serta Fable
- Artificial Analysis: Antigravity CLI dan Codex
- Artificial Analysis: Claude Code dan Codex (termasuk hasil versi Fable 5.1)
- imec/aistack: 64 tugas pemrograman dan tagihan aktual
- Blog rekayasa Gradle: dua cara memperbaiki bug dokumentasi yang sama
- CodeRabbit: pengujian tinjauan kode Fable 5.1
- CRUX: tugas riset terbuka Astra dan Fable
- FrontierCS: tugas kode riset lima jam Gemini 4 Carbon
- Aaron Makelky: pengalaman menulis dan membuat situs dengan Astra serta Fable
- WebDev Arena: peringkat pembuatan situs
Catatan editorial: “kami” dalam artikel merujuk pada verifikasi materi, analisis, dan saran penggunaan tim API Hop, bukan berarti kami mengulangi sendiri eksperimen pihak ketiga. Semua contoh biaya mencantumkan asumsi secara jelas; skor dan biaya dari sistem evaluasi berbeda tidak langsung dijumlahkan atau dikonversi.