ASIAWORLDVIEW – OpenDesign, perusahaan di balik situs benchmark OpenDesign Arena, menguji 13 model Artificial Intelligence atau AI dengan serangkaian tugas desain yang sama minggu ini. Model dengan skor tertinggi adalah GPT-6 Astra dari OpenAI.
Ternyata model terbaru DeepSeek, V4.1 Flash, mencapai 98% dari skor tertinggi tersebut. Bahkan dengan biaya sekitar 1,4% dari harga tertinggi.
OpenDesign Arena menilai model-model tersebut berdasarkan pekerjaan desain sehari-hari—pembuatan aplikasi web, dasbor, layar ponsel, dan halaman arahan—dengan skala 100 poin. Tiga puluh poin di antaranya menilai apakah hasil yang dihasilkan benar-benar sesuai dengan brief; sedangkan 70 poin lainnya menilai kualitas desain dari segi tata letak, hierarki, warna, dan kesesuaian gaya.
Baca Juga: Evolusi AI Ungkap Hierarki Kecerdasan Buatan di Era Baru
Platform ini dirancang untuk menjawab pertanyaan yang lebih spesifik daripada yang diajukan oleh sebagian besar papan peringkat AI. Dalam hal ini, termasuk model mana yang seharusnya digunakan oleh seorang desainer web profesional besok.
Dalam skala tersebut, GPT-6 Astra meraih rata-rata 82,7 poin, membutuhkan waktu 11,1 menit, dan biaya $1,61 per desain yang selesai. DeepSeek V4.1 Flash meraih skor 81,2, menyelesaikan tugas dalam 5,3 menit, dan biayanya $0,023. Claude Fable 5.1 meraih skor 80,3, membutuhkan waktu 12,8 menit, dan biayanya $3,66.
Setiap model lain yang diuji oleh OpenDesign—termasuk Grok 4.6, Qwen 3.8-Max, Kimi K3, GLM-5.3 Flash, dan Gemini 3.8 Flash—mendapatkan skor lebih rendah daripada DeepSeek V4.1 Flash dan biayanya lebih mahal. Itu berarti 11 dari 13 model yang diuji. Hanya GPT-6 Astra yang mengunggulinya secara langsung, dan selisihnya hanya satu setengah poin.
Laporan teknis DeepSeek untuk V4.1 Flash menjelaskan dari mana penghematan tersebut berasal. Model ini memiliki total 552 miliar parameter—pengaturan internal yang disesuaikan model selama pelatihan untuk menyimpan apa yang telah dipelajarinya—tetapi hanya mengaktifkan 8 miliar di antaranya untuk membaca prompt yang masuk dan 16 miliar untuk menulis respons. DeepSeek menyebut ini sebagai desain Causal Encoder-Decoder, dan inilah trik di balik waktu penyelesaian yang cepat dari model tersebut.
Ini bukanlah upaya pertama DeepSeek dalam menutup kesenjangan kemampuan dengan biaya rendah. Beberapa minggu sebelumnya, model V4 Pro perusahaan ini berada dalam rentang 5% dari Claude Fable 5 pada perbandingan benchmark terpisah, sementara tarifnya hanya sebagian kecil dari tarif Fable. DeepSeek juga telah merekrut insinyur di Beijing untuk mengembangkan Code Harness miliknya sendiri, dengan tujuan menguasai seluruh tumpukan agen (agentic stack) alih-alih hanya menyediakan model di baliknya.
Pengaturan pengujian OpenDesign membatasi apa yang dapat dibuktikan oleh angka-angka ini. Keluaran model hanya akan dinilai jika berhasil ditampilkan sebagai halaman web yang berfungsi; apa pun yang kosong, rusak, atau terpotong akan mendapat skor nol dan tidak akan diuji ulang. Artinya, tolok ukur ini mengukur hasil desain sehari-hari yang andal, bukan kemampuan penalaran umum atau keterampilan pemrograman.
GPT-6 Astra, yang dirilis OpenAI pada 3 September, sudah dikenal mampu melakukan berbagai hal—mulai dari merancang tata letak papan sirkuit, menyusun draf laporan pajak, hingga membangun adegan 3D—namun penguji awal menandainya sebagai penulis yang lebih lemah dibandingkan model yang digantikannya. Harga dan kecepatannya pada grafik OpenDesign sesuai dengan desain serba bisa tersebut: lebih lambat dan lebih mahal daripada model DeepSeek yang lebih terjangkau, namun tetap menjadi yang memperoleh skor tertinggi di bidangnya.
Tingkat penyelesaian DeepSeek V4.1 Flash—persentase hasil yang dinilai OpenDesign siap diserahkan tanpa revisi—mencapai 57,7%. Tingkat penyelesaian GPT-6 Astra adalah 60%. Sedangkan tingkat penyelesaian Claude Fable 5.1 adalah 56,7%.
