Tahap 2: Pakar dan Jaguh Kelajuan

Claude Opus 4.8 (Anthropic)

Sebelum ketibaan Fable 5, Opus 4.8 adalah raja yang tidak dipertikaikan. Dilancarkan pada akhir Mei 2026, ia kini merupakan 'orang kedua' yang berkuasa di Anthropic dan kekal sebagai model peringkat atasan dengan haknya sendiri .

• Keseluruhan & Agentik: Ia adalah model pertama mendahului Indeks Kecerdasan Artificial Analysis dengan skor 61.4 dan mendahului carta GDPval-AA pada 1890 Elo, sebelum diatasi oleh Fable 5 .
• Pengekodan: Ia skor 69.2% pada SWE-bench Pro dan 88.6% pada SWE-bench Verified .
• Matematik: Ia menunjukkan lonjakan bersejarah 27 mata pada penanda aras matematik pertandingan USAMO 2026, melonjak dari 69.3% kepada 96.7% dalam masa 41 hari .
• Kejujuran: Model ini mempunyai kadar halusinasi fakta terendah dalam kalangan rakan sebayanya, terutamanya dengan 'abstain' (tidak menjawab) apabila tidak pasti dan bukannya meneka .

GPT-5.5 (OpenAI)

GPT-5.5, yang dilancarkan pada akhir April 2026, adalah model pertama dalam generasi ini yang merampas semula kedudukan prestasi keseluruhan untuk OpenAI, tetapi dengan set kemahiran yang lebih khusus .

• Penaakulan Matematik: Ia adalah model matematik yang menonjol, skor 51.7% pada FrontierMath Tier 1-3 dan 35.4% pada Tier 4 yang sukar luar biasa — satu pendahuluan yang jelas berbanding yang lain .
• CLI Autonomi: Ia juga mendahului Terminal-Bench 2.0, skor 82.7% untuk tugasan baris arahan yang kompleks, berbanding Claude Opus 4.7 pada 69.4% .
• Konteks Panjang: GPT-5.5 membuat lonjakan 37 mata dalam perolehan semula konteks panjang (MRCR v2), skor 74.0% pada konteks 1M token, meninggalkan skor pendahulunya 36.6% jauh di belakang .
• Amaran Pengekodan: Walaupun serba boleh, skor SWE-Bench Pro 58.6% kini ketinggalan dengan ketara berbanding model Anthropic .

Gemini 3.5 Flash (Google)

Memulakan penampilan sulung di Google I/O 2026, model ini adalah tawaran peringkat 'Flash', bermakna ia direka untuk kelajuan dan kecekapan kos tanpa mengorbankan keupayaan untuk 'menumbuk lebih berat dari kelasnya' .

• Kelajuan dan Nilai: Ia dilaporkan 4x lebih pantas daripada Gemini 3.1 Pro untuk tugasan ejen dan pengekodan, dengan harga yang kompetitif .
• Agentik & Penggunaan Alat: Ia skor kukuh 83.6% pada MCP Atlas, penanda aras penggunaan alat pelbagai langkah .
• Pengekodan & Visi: Pada SWE-Bench Pro, skornya 55.1% sedikit mengatasi pendahulunya yang lebih besar, Gemini 3.1 Pro, dan ia skor 84.2% pada penanda aras penaakulan visual CharXiv .
• Semakan Realiti Pengekodan: Data bebas Artificial Analysis menunjukkan skor pengekodannya jauh lebih lemah daripada yang dicadangkan oleh perbandingan Google sendiri, jadi utiliti dunia sebenarnya untuk pembangun masih dalam pengesahan .

Grok 4.3 (xAI)

Dilancarkan secara senyap pada akhir April 2026, Grok 4.3 adalah satu strategi kecekapan kos dan kelajuan yang cemerlang dalam bidang khusus .

• Kedudukan Keseluruhan: Ia skor 53 pada Indeks Kecerdasan Artificial Analysis. Ini meletakkannya di atas model peringkat pertengahan seperti Claude Sonnet 4.6 tetapi jauh di bawah peringkat atasan GPT-5.5, Claude Opus 4.7, dan Gemini 3.1 Pro .
• Raja Ikut Arahan: Ia menduduki tempat #1 pada IFBench dengan skor 81%, mengalahkan GPT-5.5, Gemini 3.1 Pro, dan Claude Opus 4.7 .
• Lonjakan Agentik: Grok 4.3 menunjukkan lompatan besar +321 mata Elo pada penanda aras tugasan agentik GDPval-AA berbanding pendahulunya, mencapai skor 1500 . Ia juga skor pendahulu bidang 98% pada penanda aras τ²-Bench Telecom .
• Jaguh Kelajuan: Laporan awal menyenaraikan kelajuannya pada 159 token sesaat, dengan penanda aras lain menunjukkan kelajuan antara 78.4 dan 196 token/s .
• Harga & Had: Berharga agresif pada anggaran $1.25/$2.50 per juta token (input/output), ia adalah pilihan nilai yang kukuh untuk domain tertentu tetapi bukan pesaing kecerdasan umum .

Pencabar Sumber Terbuka: DeepSeek V4 Pro (DeepSeek AI)

Dilancarkan pada April 2026, DeepSeek V4 Pro adalah pencabar sumber terbuka terkuat, menawarkan nilai pengekodan yang luar biasa tetapi dengan satu kaveat bebas yang kritikal.

• Peneraju Nilai Pengekodan: Ia skor mengagumkan 80.6% pada SWE-bench Verified dan 93.5% pada LiveCodeBench, meletakkannya hampir setanding dengan Claude Opus 4.6 dalam pengekodan pada harga yang jauh lebih murah (anggaran ~$3.48/M token output) .
• Keputusan CAISI: Penilaian bebas oleh CAISI kerajaan A.S. mendapati bahawa keupayaan DeepSeek V4 ketinggalan di belakang frontier kira-kira 8 bulan. Walaupun data DeepSeek sendiri membandingkannya dengan GPT-5.4, CAISI meletakkan prestasinya lebih dekat dengan GPT-5 dari Ogos 2025 .
• Kedudukan Keseluruhan: Ia ketinggalan dalam pengetahuan am dan tugasan penaakulan kompleks berbanding gergasi proprietari, menduduki tempat #39 daripada 123 model pada satu carta pendahulu yang lebih luas .

Ujian Keselamatan & Penilaian Bebas

Ujian keselamatan piawai bebas masih jarang dan sering tidak diterbitkan.

• DeepSeek V4 Pro (CAISI/NIST): Penilaian kerajaan A.S. kekal sebagai isyarat keselamatan paling ketara, menyimpulkan keupayaannya kira-kira 8 bulan di belakang frontier .
• GPT-5.5 (Institut Keselamatan AI): Institut Keselamatan AI UK melaporkan GPT-5.5 mempunyai kadar kelulusan 71.4% pada tugasan siber peringkat pakarnya, dengan menyatakan ia "mungkin model terkuat yang telah kami uji" pada ukuran tersebut .

Cara Memahami Keputusan Ini

Adalah mudah untuk menobatkan satu pemenang, tetapi data melukis gambaran yang lebih praktikal:

• Untuk keupayaan pengekodan tulen dan tugasan agentik, Claude Fable 5 berada dalam kelasnya sendiri.
• Untuk penaakulan matematik berat dan kerja baris arahan autonomi, GPT-5.5 adalah alat pilihan.
• Untuk model seimbang, kos efektif yang pantas dan boleh dipercayai, Gemini 3.5 Flash adalah pilihan yang menarik, walaupun anda harus mengesahkan tuntutan pengekodannya untuk kes penggunaan khusus anda.
• Jika anda memerlukan pakar untuk penaakulan undang-undang, kewangan, atau mengikut arahan pada harga rendah, Grok 4.3 adalah pilihan yang sangat berpotensi.
• Jika anda membangun dengan bajet dan memerlukan pengekodan gred frontier dengan lesen sumber terbuka, DeepSeek V4 Pro tiada tandingan dari segi nilai, tetapi kecanggihan dunia sebenarnya mungkin tidak setanding dengan yang terbaik.

Sentiasa ingat bahawa keadaan penanda aras adalah berbeza-beza (cara 'prompt', penggunaan alat, usaha penaakulan) dan bukan peramal sempurna untuk aplikasi khusus anda.

Tahap 2: Pakar dan Jaguh Kelajuan

Claude Opus 4.8 (Anthropic)

Sebelum ketibaan Fable 5, Opus 4.8 adalah raja yang tidak dipertikaikan. Dilancarkan pada akhir Mei 2026, ia kini merupakan 'orang kedua' yang berkuasa di Anthropic dan kekal sebagai model peringkat atasan dengan haknya sendiri .

• Keseluruhan & Agentik: Ia adalah model pertama mendahului Indeks Kecerdasan Artificial Analysis dengan skor 61.4 dan mendahului carta GDPval-AA pada 1890 Elo, sebelum diatasi oleh Fable 5 .
• Pengekodan: Ia skor 69.2% pada SWE-bench Pro dan 88.6% pada SWE-bench Verified .
• Matematik: Ia menunjukkan lonjakan bersejarah 27 mata pada penanda aras matematik pertandingan USAMO 2026, melonjak dari 69.3% kepada 96.7% dalam masa 41 hari .
• Kejujuran: Model ini mempunyai kadar halusinasi fakta terendah dalam kalangan rakan sebayanya, terutamanya dengan 'abstain' (tidak menjawab) apabila tidak pasti dan bukannya meneka .

GPT-5.5 (OpenAI)

GPT-5.5, yang dilancarkan pada akhir April 2026, adalah model pertama dalam generasi ini yang merampas semula kedudukan prestasi keseluruhan untuk OpenAI, tetapi dengan set kemahiran yang lebih khusus .

• Penaakulan Matematik: Ia adalah model matematik yang menonjol, skor 51.7% pada FrontierMath Tier 1-3 dan 35.4% pada Tier 4 yang sukar luar biasa — satu pendahuluan yang jelas berbanding yang lain .
• CLI Autonomi: Ia juga mendahului Terminal-Bench 2.0, skor 82.7% untuk tugasan baris arahan yang kompleks, berbanding Claude Opus 4.7 pada 69.4% .
• Konteks Panjang: GPT-5.5 membuat lonjakan 37 mata dalam perolehan semula konteks panjang (MRCR v2), skor 74.0% pada konteks 1M token, meninggalkan skor pendahulunya 36.6% jauh di belakang .
• Amaran Pengekodan: Walaupun serba boleh, skor SWE-Bench Pro 58.6% kini ketinggalan dengan ketara berbanding model Anthropic .

Gemini 3.5 Flash (Google)

Memulakan penampilan sulung di Google I/O 2026, model ini adalah tawaran peringkat 'Flash', bermakna ia direka untuk kelajuan dan kecekapan kos tanpa mengorbankan keupayaan untuk 'menumbuk lebih berat dari kelasnya' .

• Kelajuan dan Nilai: Ia dilaporkan 4x lebih pantas daripada Gemini 3.1 Pro untuk tugasan ejen dan pengekodan, dengan harga yang kompetitif .
• Agentik & Penggunaan Alat: Ia skor kukuh 83.6% pada MCP Atlas, penanda aras penggunaan alat pelbagai langkah .
• Pengekodan & Visi: Pada SWE-Bench Pro, skornya 55.1% sedikit mengatasi pendahulunya yang lebih besar, Gemini 3.1 Pro, dan ia skor 84.2% pada penanda aras penaakulan visual CharXiv .
• Semakan Realiti Pengekodan: Data bebas Artificial Analysis menunjukkan skor pengekodannya jauh lebih lemah daripada yang dicadangkan oleh perbandingan Google sendiri, jadi utiliti dunia sebenarnya untuk pembangun masih dalam pengesahan .

Grok 4.3 (xAI)

Dilancarkan secara senyap pada akhir April 2026, Grok 4.3 adalah satu strategi kecekapan kos dan kelajuan yang cemerlang dalam bidang khusus .

• Kedudukan Keseluruhan: Ia skor 53 pada Indeks Kecerdasan Artificial Analysis. Ini meletakkannya di atas model peringkat pertengahan seperti Claude Sonnet 4.6 tetapi jauh di bawah peringkat atasan GPT-5.5, Claude Opus 4.7, dan Gemini 3.1 Pro .
• Raja Ikut Arahan: Ia menduduki tempat #1 pada IFBench dengan skor 81%, mengalahkan GPT-5.5, Gemini 3.1 Pro, dan Claude Opus 4.7 .
• Lonjakan Agentik: Grok 4.3 menunjukkan lompatan besar +321 mata Elo pada penanda aras tugasan agentik GDPval-AA berbanding pendahulunya, mencapai skor 1500 . Ia juga skor pendahulu bidang 98% pada penanda aras τ²-Bench Telecom .
• Jaguh Kelajuan: Laporan awal menyenaraikan kelajuannya pada 159 token sesaat, dengan penanda aras lain menunjukkan kelajuan antara 78.4 dan 196 token/s .
• Harga & Had: Berharga agresif pada anggaran $1.25/$2.50 per juta token (input/output), ia adalah pilihan nilai yang kukuh untuk domain tertentu tetapi bukan pesaing kecerdasan umum .

Pencabar Sumber Terbuka: DeepSeek V4 Pro (DeepSeek AI)

Dilancarkan pada April 2026, DeepSeek V4 Pro adalah pencabar sumber terbuka terkuat, menawarkan nilai pengekodan yang luar biasa tetapi dengan satu kaveat bebas yang kritikal.

• Peneraju Nilai Pengekodan: Ia skor mengagumkan 80.6% pada SWE-bench Verified dan 93.5% pada LiveCodeBench, meletakkannya hampir setanding dengan Claude Opus 4.6 dalam pengekodan pada harga yang jauh lebih murah (anggaran ~$3.48/M token output) .
• Keputusan CAISI: Penilaian bebas oleh CAISI kerajaan A.S. mendapati bahawa keupayaan DeepSeek V4 ketinggalan di belakang frontier kira-kira 8 bulan. Walaupun data DeepSeek sendiri membandingkannya dengan GPT-5.4, CAISI meletakkan prestasinya lebih dekat dengan GPT-5 dari Ogos 2025 .
• Kedudukan Keseluruhan: Ia ketinggalan dalam pengetahuan am dan tugasan penaakulan kompleks berbanding gergasi proprietari, menduduki tempat #39 daripada 123 model pada satu carta pendahulu yang lebih luas .

Ujian Keselamatan & Penilaian Bebas

Ujian keselamatan piawai bebas masih jarang dan sering tidak diterbitkan.

• DeepSeek V4 Pro (CAISI/NIST): Penilaian kerajaan A.S. kekal sebagai isyarat keselamatan paling ketara, menyimpulkan keupayaannya kira-kira 8 bulan di belakang frontier .
• GPT-5.5 (Institut Keselamatan AI): Institut Keselamatan AI UK melaporkan GPT-5.5 mempunyai kadar kelulusan 71.4% pada tugasan siber peringkat pakarnya, dengan menyatakan ia "mungkin model terkuat yang telah kami uji" pada ukuran tersebut .

Cara Memahami Keputusan Ini

Adalah mudah untuk menobatkan satu pemenang, tetapi data melukis gambaran yang lebih praktikal:

• Untuk keupayaan pengekodan tulen dan tugasan agentik, Claude Fable 5 berada dalam kelasnya sendiri.
• Untuk penaakulan matematik berat dan kerja baris arahan autonomi, GPT-5.5 adalah alat pilihan.
• Untuk model seimbang, kos efektif yang pantas dan boleh dipercayai, Gemini 3.5 Flash adalah pilihan yang menarik, walaupun anda harus mengesahkan tuntutan pengekodannya untuk kes penggunaan khusus anda.
• Jika anda memerlukan pakar untuk penaakulan undang-undang, kewangan, atau mengikut arahan pada harga rendah, Grok 4.3 adalah pilihan yang sangat berpotensi.
• Jika anda membangun dengan bajet dan memerlukan pengekodan gred frontier dengan lesen sumber terbuka, DeepSeek V4 Pro tiada tandingan dari segi nilai, tetapi kecanggihan dunia sebenarnya mungkin tidak setanding dengan yang terbaik.

Sentiasa ingat bahawa keadaan penanda aras adalah berbeza-beza (cara 'prompt', penggunaan alat, usaha penaakulan) dan bukan peramal sempurna untuk aplikasi khusus anda.