Tiga posisi teratas untuk Anthropic
Benchmark AI LiveBench adalah rangkaian pengujian yang membandingkan kualitas jawaban berbagai model pada tugas seperti penalaran, pemrograman, matematika, dan analisis data, lalu merangkum hasilnya menjadi skor serta peringkat. Dalam pemeringkatan terbaru yang diberitakan pada 2026, Anthropic menguasai tiga posisi teratas: Claude Fable 5.1 meraih 83,4 poin, Claude Opus 5.5 mendapat 83,2, dan Claude Fable 5 memperoleh 83 poin. Dominasi itu membuat Claude tampak sebagai pilihan terkuat secara keseluruhan dalam daftar tersebut. Namun, kata “kencang” di sini bukan ukuran kecepatan respons. Yang dinilai adalah mutu jawaban terhadap tugas uji. Perbedaan kecil antarskor teratas juga layak dibaca sebagai keunggulan dalam kerangka pengujian ini, bukan bukti bahwa satu model selalu lebih baik dalam setiap penggunaan.
Peringkat model AI ini membandingkan hasil yang dihimpun dari puluhan model, bukan satu kemampuan tunggal. Karena itu, skor agregat berguna sebagai titik awal untuk memahami posisi para pesaing, tetapi tidak cukup untuk menetapkan pemenang universal. Pilihan model yang tepat tetap bergantung pada jenis pekerjaan yang diuji.
OpenAI dan pesaing tetap dekat
GPT-6 Astra dari OpenAI berada di urutan keempat dengan 82,2 poin—selisih 1,2 poin dari pemuncak. OpenAI juga menempatkan GPT-6.1 Sol di posisi kelima dengan 81,6 poin, sejajar dengan Muse Spark 1.3 dari Meta. DeepSeek V4.1 Flash menyusul pada urutan ketujuh dengan 81,1 poin. Daftar 15 besar turut memuat model dari Moonshot, Google, Alibaba, dan xAI; Kimi K3 mendapat 79,2 poin, Gemini 3.7 meraih 78,8, Qwen 3.8 memperoleh 78,5, dan Grok 4.6 mencatat 78 poin. Angka-angka ini menunjukkan persaingan yang rapat, bukan jurang besar yang membuat alternatif lain tak relevan. Skor pengujian AI membantu membaca performa dalam kumpulan tugas LiveBench, tetapi tidak menghapus perbedaan kemampuan antarkategori.
Itu terlihat pada hasil per kategori. GPT-6 Astra memimpin penalaran dengan 92,7 poin, sedangkan Claude Opus 5.5 berada di posisi ketiga dengan 92,2. DeepSeek V4.1 Flash unggul dalam agentic coding dengan 77,3 poin, sementara kategori mengikuti instruksi dipimpin Gemini 3.8 Flash dengan 81,4 poin. Jadi, menyebut model Claude terbaik tanpa menyebut tugasnya akan terlalu menyederhanakan hasil.
Keunggulan Claude terlihat pada kategori tertentu
Claude memang tampil kuat dalam sejumlah bidang yang diuji. Claude Opus 5.5 mencatat skor tertinggi matematika, 97,1 poin, dan memimpin coding dengan 89,3 poin. Claude Fable 5 memuncaki kategori bahasa dengan 90,7 poin. Hasil tersebut memberi alasan konkret di balik posisi keseluruhan Anthropic: kekuatannya tidak hanya bertumpu pada satu skor, tetapi muncul pada beberapa kategori. Meski begitu, kategori lain dimenangi pesaing. OpenAI memimpin analisis data melalui GPT-6 Astra dengan 83 poin, sementara Gemini unggul dalam mengikuti instruksi. Peringkat keseluruhan sebaiknya dipahami sebagai ringkasan lintas kemampuan, bukan pengganti pemeriksaan skor per tugas. Bagi pembaca, perbandingan yang lebih berguna bukan sekadar “model mana nomor satu”, melainkan model mana yang paling kuat pada jenis pekerjaan yang menjadi fokus.
LiveBench juga memperbarui pertanyaan dan tugas secara berkala untuk mengurangi risiko model memperoleh nilai tinggi karena menghafal soal yang pernah bocor ke data pelatihan. Seluruh set soal diperbarui sekitar setiap enam bulan. Langkah ini menambah nilai benchmark, tetapi berarti skor dari rilis berbeda tidak dapat dibandingkan langsung. Maka, posisi Claude adalah sinyal kuat tentang hasil pada pengujian terbaru, bukan janji atas semua situasi.
Skor adalah petunjuk, bukan vonis
Kesimpulan yang paling masuk akal dari LiveBench bukan bahwa satu perusahaan telah menutup persaingan, melainkan bahwa Anthropic saat ini memimpin agregat sementara rival masih unggul di bidang tertentu. Claude Fable 5.1 menjadi pemuncak daftar, tetapi jarak dengan GPT-6 Astra relatif terbatas dan hasil per kategori memperlihatkan pemimpin yang berbeda-beda. Karena itu, benchmark AI LiveBench layak dipakai untuk menyaring dan membandingkan model secara terstruktur, bukan sebagai ukuran mutlak kualitas untuk setiap tugas. Periksa kategori yang relevan, perhatikan tanggal rilis hasil, lalu baca skor sebagai bukti performa pada set pengujian yang tersedia. Peringkat menjawab siapa yang paling kuat dalam agregat LiveBench; ia tidak menjawab semua pertanyaan tentang kemampuan model.
