Claude Opus 4.8 vs GPT-5.5 vs Gemini 3.5 Flash: Siapa Pemimpin Frontier AI Mei 2026?

* Skor SWE-Bench Pro untuk Gemini 3.5 Flash, Grok 4.3, dan DeepSeek V4 Pro berasal dari satu pengujian pihak ketiga — kartu model Google sendiri menunjukkan angka yang berbeda (lihat catatan di bawah).

Perbandingan Harga & Metrik Performa

Temuan Utama

Model mana yang memimpin di bidang apa?

• Claude Opus 4.8 memimpin di coding agen (SWE-Bench Pro), knowledge work (GDPval-AA) dengan skor 1890, penggunaan komputer (OSWorld) di 83,4%, penalaran multidisiplin (Humanity's Last Exam), dan analisis keuangan . Model ini menempati peringkat #2 secara keseluruhan di papan peringkat sementara dengan skor komposit 93/100 .
• GPT-5.5 unggul di terminal coding (Terminal-Bench 2.0/2.1) pada 78,2–82,7%, ARC-AGI-2 di 85,0% (penalaran visual abstrak), GPQA Diamond di 96,0%, FrontierMath, dan AA Intelligence Index di 60 .
• Gemini 3.5 Flash memimpin di orchestration penggunaan tool (MCP Atlas) pada 83,6% dan ~4x lebih cepat dalam kecepatan output (~289 token/detik) dibandingkan model lain di sini — dengan biaya terendah .
• DeepSeek V4 Pro memimpin di kompetisi coding dengan Codeforces ELO 3206 dan LiveCodeBench di 93,5%, dan menyamai Claude di SWE-bench Verified pada 80,6% — dengan biaya yang jauh lebih murah .
• Grok 4.3 kompetitif di level menengah: AA Index 53, GPQA 90,1%, kecepatan tinggi (159–207 tps), dan harga sangat rendah — tetapi tertinggal dari para pemimpin di sebagian besar benchmark agen .
• Claude Opus 4.7 adalah pendahulu langsungnya — masih kuat di SWE-bench Verified (87,6%) tetapi kini dilampaui oleh penerusnya sendiri di setiap metrik utama .

Catatan penting yang perlu diperhatikan

• Sumber benchmark bervariasi. Data berasal dari beberapa vendor (Anthropic, OpenAI, Google DeepMind, penguji independen) yang menggunakan metrik berbeda. Skor untuk benchmark yang sama bisa berbeda antar sumber (misalnya, Terminal-Bench GPT-5.5 menunjukkan 78,2% di kartu model Google vs. 82,7% di laporan OpenAI sendiri).
• SWE-Bench Pro vs. SWE-Bench Verified adalah tes yang berbeda. Pro lebih sulit (perubahan arsitektural multi-file); Verified lebih mudah (perbaikan masalah tunggal). Claude memimpin di Pro; persaingan lebih ketat di Verified.
• DeepSeek, Grok, dan Gemini 3.5 Flash secara signifikan lebih murah per token daripada Claude Opus dan GPT-5.5, menjadikannya nilai lebih baik untuk beban kerja bervolume tinggi atau sensitif terhadap kecepatan.
• Gemini 3.5 Flash adalah model tingkat "Flash" (dioptimalkan untuk efisiensi), bukan pesaing langsung di kelas frontier — namun bersaing dengan baik di banyak benchmark agen sambil menawarkan biaya dan kecepatan yang jauh lebih baik.

Hal yang masih belum jelas

• Tidak ada rangkaian benchmark lintas vendor tunggal yang menguji keenam model pada metrik yang persis sama dengan metodologi yang setara. Gambaran komposit ini dibangun dari rangkaian pengujian yang tumpang tindih tetapi tidak identik.
• Grok 4.3 dan DeepSeek V4 Pro memiliki data publik yang lebih sedikit pada benchmark agen dan konteks panjang dibandingkan dengan tiga vendor besar.
• Claude Opus 4.8 baru saja diluncurkan (28 Mei 2026) — data replikasi independen masih terbatas; sebagian besar skor dilaporkan oleh vendor.

Sumber paling terpercaya

1. Halaman vendor resmi: Anthropic (claude/opus), OpenAI (introducing-gpt-5-5), Google DeepMind (kartu model gemini-3-5-flash) — data sumber utama.
2. Evaluasi NIST CAISI terhadap DeepSeek V4 Pro — evaluasi pemerintah independen .
3. Analisis Duke University tentang Gemini 3.5 Flash — liputan institusi akademik .
4. Agregator pihak ketiga: dev.to head-to-head test , BenchLM.ai , Artificial Analysis — berguna untuk perbandingan lintas model tetapi kurang otoritatif dibandingkan data resmi.