Claude memimpin skor keseluruhan
Benchmark AI adalah rangkaian pengujian terstruktur untuk membandingkan kemampuan model dalam menyelesaikan tugas tertentu, seperti penalaran, pemrograman, matematika, dan analisis data. Hasil terbaru LiveBench, dirilis pada 25 Juni 2026, menempatkan tiga model Anthropic di puncak peringkat kualitas jawaban keseluruhan. Claude Fable 5.1 meraih 83,4 poin, disusul Claude Opus 5.5 dengan 83,2 dan Claude Fable 5 dengan 83 poin. GPT-6 Astra dari OpenAI berada di posisi keempat dengan 82,2 poin. Dominasi tipis ini menguatkan posisi Claude LiveBench, tetapi tidak membuktikan bahwa satu model selalu menjadi pilihan terbaik. LiveBench menguji setiap model melalui 23 tugas dalam tujuh kategori, sementara persaingan AI yang makin ketat membuat hasil perlu dibaca berdasarkan jenis pekerjaan, bukan hanya urutan umum.
Daftar 15 besar juga memperlihatkan persaingan yang rapat: GPT-6.1 Sol dan Muse Spark 1.3 sama-sama mendapat 81,6 poin, sementara DeepSeek V4.1 Flash meraih 81,1. Posisi berikutnya ditempati GPT-5.6 Sol (81), GPT-5.5 Thinking (80,2), Claude Opus 5 (80,1), GPT-6 Sol (79,3), Kimi K3 (79,2), Gemini 3.7 (78,8), Qwen 3.8 (78,5), dan Grok 4.6 (78). Selisih skor yang kecil menunjukkan bahwa peringkat model AI berguna sebagai titik awal perbandingan, bukan keputusan final tentang model mana yang paling cocok.
Pemenang berganti menurut kemampuan
Peringkat kategori menjelaskan kemampuan model AI dengan lebih tajam daripada skor gabungan. Dalam penalaran, GPT-6 Astra memimpin dengan 92,7 poin, hanya unggul tipis dari GPT-6.1 Sol yang meraih 92,6; Claude Opus 5.5 berada di urutan ketiga dengan 92,2. Sebaliknya, coding menjadi wilayah kuat Anthropic: Claude Opus 5.5 memimpin dengan 89,3, diikuti Claude Sonnet 5.5 dengan 88,9. Pada matematika, Claude Opus 5.5 kembali di depan dengan 97,1 poin, hanya 0,1 poin di atas Claude Fable 5.1. Hasil ini mendukung pandangan bahwa Claude unggul di sejumlah tugas, tetapi tidak menjadikan keunggulan keseluruhan sebagai jaminan menang di setiap kategori.
Pengecualian paling jelas muncul pada agentic coding, yakni pekerjaan pemrograman bertahap yang lebih mandiri. DeepSeek V4.1 Flash memimpin dengan 77,3 poin, mengungguli Claude Opus 5.5 yang mendapat 71,7. Untuk analisis data, justru GPT-6 Astra berada di posisi pertama dengan 83 poin, disusul GPT-6.1 Sol dengan 82,7. Sementara itu, Gemini menguasai lima posisi teratas pada kemampuan mengikuti instruksi. Artinya, pilihan model sebaiknya mengikuti tugas: Claude menarik untuk coding dan matematika, sedangkan pesaing bisa lebih pas untuk penalaran, analisis data, atau kerja agentik.
Skor membantu, tetapi kebutuhan tetap menentukan
Nilai benchmark LiveBench berasal dari jawaban terhadap soal yang dicocokkan dengan kunci objektif, bukan penilaian manusia atau model AI lain. LiveBench juga memperbarui pertanyaan dan tugas secara berkala untuk mengurangi risiko kontaminasi data, dengan seluruh set soal diperbarui sekitar setiap enam bulan. Metode terstruktur ini membuat hasil lebih berguna untuk membandingkan model pada tugas yang diuji, tetapi tidak mencakup seluruh keadaan nyata: alur kerja, cara pengguna memberi instruksi, dan jenis keluaran yang dibutuhkan tetap berpengaruh.
Pengguna yang menulis kode mungkin lebih terbantu oleh peringkat coding, sedangkan pekerjaan yang menuntut analisis angka atau penalaran perlu merujuk kategori terkait. Kecepatan respons juga berbeda dari kualitas jawaban: skor tinggi dalam daftar ini menunjukkan kemampuan menyelesaikan tugas pengujian, bukan seberapa cepat model membalas. Jadi, gunakan skor untuk menyaring pilihan, lalu cocokkan hasilnya dengan pekerjaan sehari-hari. Kesimpulannya, Claude memimpin LiveBench secara keseluruhan, tetapi model AI terbaik adalah model yang paling sesuai dengan kebutuhan pengguna.
