tl;dr: Tiap penyedia LLM punya beberapa varian dalam satu keluarga — Claude ada Opus/Sonnet/Haiku, Gemini ada Pro/Flash/Flash-Lite, OpenAI ada varian flagship sampai hemat. Polanya mirip: varian atas untuk penalaran berat, varian tengah untuk kerja harian, varian ringan untuk volume besar dengan biaya kecil. Yang membedakan biaya bisa 10-30 kali lipat antar varian dalam satu keluarga yang sama. Halaman ini memetakan varian tiap keluarga beserta harga resminya, lalu menutup dengan tabel ringkasan lintas penyedia.
Satu hal yang sering bikin bingung: orang membandingkan “Claude vs Gemini vs ChatGPT” seolah masing-masing cuma satu model. Padahal di dalam tiap nama itu ada beberapa varian dengan harga dan kemampuan yang jauh berbeda. Memilih varian yang salah bisa bikin tagihan membengkak tanpa hasil yang lebih baik — atau sebaliknya, pakai varian terlalu ringan untuk pekerjaan yang butuh penalaran serius.
Kalau kamu masih di tahap memilih penyedia mana yang cocok untuk AI Agent, kami sudah bahas terpisah di LLM terbaik untuk AI Agent. Halaman ini fokus ke pertanyaan berikutnya: setelah tahu penyedianya, varian mana yang sebaiknya dipakai.
Kenapa Satu Keluarga Punya Banyak Varian
Penyedia LLM membagi lini produknya karena kebutuhan pengguna memang tidak seragam. Menjawab pertanyaan sederhana dan menganalisis dokumen ratusan halaman butuh kapasitas komputasi yang beda jauh, dan menagih keduanya dengan harga sama tidak masuk akal untuk kedua pihak.
Pola umumnya mirip di hampir semua penyedia:
- Varian flagship — kemampuan penalaran tertinggi, harga paling mahal. Untuk tugas kompleks: analisis mendalam, coding agentik, pekerjaan yang salahnya mahal.
- Varian menengah — keseimbangan kecerdasan dan biaya. Ini yang biasanya paling sering dipakai untuk produksi sehari-hari.
- Varian ringan — paling murah dan cepat, kemampuannya lebih terbatas. Cocok untuk volume besar: klasifikasi, ekstraksi data, balasan sederhana.
Ada juga varian khusus di luar tiga kategori itu: model khusus coding, model penglihatan (vision), model transkripsi suara, sampai model embedding untuk pencarian. Semuanya dihitung terpisah.
Keluarga Claude (Anthropic)
Claude membagi lini utamanya berdasarkan nama: Opus untuk kapasitas tertinggi, Sonnet untuk keseimbangan, Haiku untuk kecepatan dan biaya rendah. Per pemeriksaan kami, lini terbarunya mencakup Claude Fable 5 dan Claude Mythos 5 sebagai model paling mampu, dengan Opus 5, Sonnet 5, dan Haiku 4.5 di bawahnya.
| Varian | Context window | Max output | Posisi |
|---|---|---|---|
| Claude Fable 5 | 1 juta token | 128k token | Model paling mampu yang dirilis luas |
| Claude Mythos 5 | 1 juta token | 128k token | Spesifikasi dan harga sama dengan Fable 5, ketersediaan terbatas lewat program undangan |
| Claude Opus 5 | 1 juta token | 128k token | Direkomendasikan untuk coding agentik kompleks dan pekerjaan enterprise |
| Claude Sonnet 5 | 1 juta token | 128k token | Keseimbangan kemampuan dan kecepatan |
| Claude Haiku 4.5 | 200 ribu token | 64k token | Varian tercepat, context window lebih kecil |
Perhatikan bedanya di baris terakhir: Haiku punya context window 200 ribu token, seperlima dari varian lain yang sudah 1 juta token. Untuk kebanyakan percakapan biasa itu lebih dari cukup, tapi untuk menganalisis dokumen panjang sekaligus, perbedaan ini menentukan.
Catatan Penting: Claude Code dan Claude Cowork Bukan Model
Ini sumber kebingungan yang sering muncul. Claude Code dan Claude Cowork bukan nama model — keduanya adalah tool atau antarmuka kerja yang dibangun di atas model Claude. Analoginya: model itu mesinnya, tool itu kendaraannya.
Artinya ketika kamu memakai Claude Code, di belakangnya tetap ada salah satu model di tabel atas yang bekerja. Jadi kalau ada pertanyaan “lebih bagus Claude Code atau Claude Sonnet”, pertanyaannya sebenarnya tidak setara — yang satu tool, yang satu model. Perbandingan tool coding sendiri sudah kami bahas di Claude Code vs OpenClaw.
Keluarga GPT (OpenAI)
OpenAI memakai pola penamaan berbeda: satu nomor seri, lalu varian dengan nama pembeda. Pada lini GPT-5.6, pembagiannya jelas berdasarkan kebutuhan.
| Varian | Diarahkan untuk |
|---|---|
| GPT-5.6 Sol | Model unggulan untuk penalaran kompleks dan coding |
| GPT-5.6 Terra | Menyeimbangkan kecerdasan dan biaya |
| GPT-5.6 Luna | Beban kerja volume besar yang sensitif terhadap biaya |
Seluruh model terbaru OpenAI menerima input teks dan gambar, menghasilkan output teks, serta mendukung kemampuan multibahasa dan penglihatan. Rekomendasi resminya: mulai dari varian unggulan kalau belum yakin, lalu turun ke varian yang lebih hemat setelah tahu beban kerja sebenarnya.
Keluarga Gemini (Google)
Gemini memakai penamaan Pro / Flash / Flash-Lite, dengan angka seri di depannya. Yang membedakan Gemini dari kebanyakan penyedia lain: context window besar tersedia bahkan di varian murah, bukan cuma di varian flagship.
| Varian | Input / 1 juta token | Output / 1 juta token | Context caching |
|---|---|---|---|
| Gemini 2.5 Flash-Lite | $0,10 | $0,40 | $0,025 |
| Gemini 2.5 Flash | $0,30 | $2,50 | $0,075 |
| Gemini 3.7 / 3.6 Flash | $0,75 | $3,75 | $0,075 |
| Gemini 2.5 Pro | $1,25 (≤128k) · $2,50 (>128k) | $5,00 (≤128k) · $10,00 (>128k) | $0,3125 |
Ada tiga hal yang perlu dicatat dari struktur harga ini. Pertama, Gemini punya tingkat gratis dengan batas laju tertentu — cukup untuk belajar dan uji coba, dengan catatan data input bisa dipakai untuk peningkatan layanan. Kedua, Batch API memberi diskon 50% untuk pekerjaan yang tidak perlu jawaban seketika. Ketiga, harga Pro naik dua kali lipat begitu prompt melewati 128 ribu token — jadi context window besar bukan cuma soal kemampuan, tapi juga soal biaya.
Untuk fitur tambahan, Grounding with Google Search memberi 5.000 permintaan gratis per bulan, setelahnya $14 per 1.000 permintaan pencarian.
Keluarga DeepSeek
DeepSeek punya struktur harga yang tidak dipakai penyedia lain: tarif berbeda antara jam sibuk dan jam sepi, di mana tarif jam sepi hanya setengah dari tarif jam sibuk. Untuk beban kerja yang bisa dijadwalkan, ini bisa memangkas biaya signifikan.
| Varian | Input jam sepi (cache miss) | Output jam sepi | Context |
|---|---|---|---|
| deepseek-v4-flash | $0,22 | $0,66 | 1 juta token |
| deepseek-v4-pro | $0,66 | $1,98 | 1 juta token |
| deepseek-v4-flash-vision-exp | $0,22 | $0,66 | 1 juta token |
Tarif jam sibuk persis dua kali lipat angka di atas. Jam sibuk berlaku pukul 01.00-04.00 dan 06.00-10.00 UTC; selebihnya dihitung jam sepi. Kalau proses kamu berupa antrean yang bisa dijalankan malam hari waktu Indonesia, selisihnya nyata.
Yang menarik, harga input saat cache hit jauh lebih murah lagi — sekitar $0,007 sampai $0,022 per satu juta token di jam sepi. Ketiganya mendukung mode berpikir (thinking) maupun non-thinking, JSON output, dan tool calling.
Keluarga Qwen (Alibaba)
Qwen membagi lini berdasarkan Max (paling mampu), Plus (seimbang), dan Turbo (paling hemat). Ciri khas struktur harganya: tarif bertingkat mengikuti panjang prompt, bukan harga tunggal.
| Varian | Panjang prompt | Input / 1 juta token | Output / 1 juta token |
|---|---|---|---|
| qwen3.7-max | sampai 1 juta token | $2,50 | $7,50 |
| qwen3.6-max | sampai 128k | $1,30 | $7,80 |
| 128k-256k | $2,00 | $12,00 | |
| qwen3-max | sampai 32k | $1,20 | $6,00 |
| 32k-128k | $2,40 | $12,00 | |
| 128k-256k | $3,00 | $15,00 |
Konsekuensinya penting: pada qwen3-max, prompt yang melewati 128 ribu token dikenai tarif dua setengah kali lipat dibanding prompt pendek. Jadi memotong konteks yang tidak perlu bukan sekadar praktik rapi — langsung berpengaruh ke tagihan.
Qwen juga memberi kuota gratis satu juta token yang berlaku 90 hari setelah aktivasi, serta diskon melalui batch call (50% dari harga real-time) dan context cache. Dua diskon ini tidak bisa dipakai bersamaan.
Keluarga Kimi (Moonshot AI)
Kimi menonjol di satu hal: selisih harga input antara cache hit dan cache miss yang sangat lebar, sehingga pola penggunaan sangat menentukan biaya akhir.
| Varian | Input (cache hit) | Input (cache miss) | Output | Context |
|---|---|---|---|---|
| Kimi K3 | $0,30 | $3,00 | $15,00 | 1.048.576 token |
Perhatikan selisihnya: input cache hit sepuluh kali lebih murah dibanding cache miss. Untuk aplikasi yang berulang kali mengirim konteks sama — misalnya dokumen rujukan yang tetap — memanfaatkan cache bukan optimasi tambahan, tapi penentu utama biaya.
Selain K3 sebagai model unggulan, Kimi juga menyediakan K2.7 Code (khusus coding, multimoda) dan K2.6 (mendukung input visual dan teks). Lini lama Moonshot V1 dijadwalkan dihentikan.
Keluarga Mistral
Mistral punya cakupan paling luas di antara semua penyedia yang dibahas di sini — bukan cuma model teks, tapi juga OCR, transkripsi suara, dan embedding, semuanya dengan skema harga terpisah.
| Varian | Input / 1 juta token | Output / 1 juta token | Lisensi |
|---|---|---|---|
| Mistral Medium 3.5 | $1,50 | $7,50 | Open |
| Mistral Large 3 | $0,50 | $1,50 | Open |
| Mistral Small 4 | $0,15 | $0,60 | Open (Apache 2.0) |
| Ministral 3 (14B) | $0,20 | $0,20 | Edge/on-device |
| Ministral 3 (8B) | $0,15 | $0,15 | Edge/on-device |
| Ministral 3 (3B) | $0,10 | $0,10 | Edge/on-device |
| Codestral (coding) | $0,30 | $0,90 | Open |
Beberapa hal yang membedakan Mistral dari penyedia lain. Sebagian besar model utamanya berlisensi open-weight (ditandai “Open”), yang berarti bisa diunduh dan dijalankan sendiri, bukan cuma diakses lewat API. Seri Ministral dirancang khusus untuk perangkat edge atau on-device, dengan harga input dan output yang sama rata — beda dari model lain yang biasanya output lebih mahal dari input. Mistral juga menawarkan Regional Inference di Eropa dengan tambahan biaya 10% dari harga dasar, untuk kebutuhan kedaulatan data.
Untuk model non-teks: Mistral OCR 4.1 $4 per 1.000 halaman (naik ke $5 untuk mode Document AI), Voxtral Mini Transcribe $0,003 per menit audio untuk transkripsi, Mistral Embed $0,10 per satu juta token, dan Codestral Embed $0,15 per satu juta token. Context caching bisa menghemat sampai 90% untuk token input yang berulang, dan paket Enterprise API tersedia dengan tambahan 75% dari harga standar untuk kontrol pemrosesan data regional, SLA tingkat sistem, dan dukungan prioritas.
Keluarga Llama (Meta)
Llama beda dari tujuh keluarga lain di halaman ini: Meta tidak menjual akses API dengan harga per token. Model-model Llama dirilis sebagai bobot terbuka (open-weight) yang bisa diunduh langsung dari Hugging Face, dijalankan di server sendiri, atau diakses lewat penyedia pihak ketiga seperti cloud provider yang punya skema harga masing-masing.
| Varian | Arsitektur | Karakteristik |
|---|---|---|
| Llama 4 Scout | Mixture-of-experts, 17 miliar parameter aktif, 16 expert | Multimodal native (teks dan gambar) |
| Llama 4 Maverick | Mixture-of-experts, 17 miliar parameter aktif, 128 expert | Multimodal native, kapasitas lebih besar dari Scout |
Generasi sebelumnya (Llama 3.1 sampai 3.3) masih tersedia dalam rentang ukuran 1 miliar sampai 405 miliar parameter, termasuk varian khusus penglihatan (Llama 3.2 Vision). Karena sifatnya open-weight, biaya sebenarnya bukan di harga model, melainkan di infrastruktur untuk menjalankannya — baik itu server sendiri atau biaya hosting dari penyedia cloud. Kalau kamu mempertimbangkan jalur ini, pembahasan infrastrukturnya ada di Private LLM: Cara Bangun Infrastruktur LLM Lokal.
💡 Key Takeaway
Tiap keluarga selalu punya jalur murah (varian ringan atau harga jam sepi) dan jalur mahal (flagship atau jam sibuk). Sebelum pilih model, tentukan dulu: pekerjaan ini butuh penalaran berat, atau sekadar tugas berulang volume besar? Jawaban itu yang menentukan varian, bukan nama besar penyedianya.
Catatan Tambahan: Perplexity (Sonar) — Bukan LLM Biasa
Perplexity sengaja tidak dimasukkan ke delapan keluarga di atas karena kategorinya memang beda. Sonar — lini model API Perplexity — bukan LLM yang dilatih dari nol seperti Claude atau GPT, melainkan model yang selalu terhubung ke pencarian web real-time dan menyertakan sitasi sumber di tiap jawaban. Cocok dijadikan pembanding kalau kebutuhanmu memang riset dan fact-checking, bukan sekadar generasi teks.
| Varian | Input / 1 juta token | Output / 1 juta token | Untuk apa |
|---|---|---|---|
| Sonar | $1,00 | $1,00 | Pencarian dasar, ringan dan cepat |
| Sonar Pro | $3,00 | $1,50 | Pencarian lebih dalam dengan sitasi lebih kaya |
| Sonar Reasoning Pro | $2,00 | $8,00 | Penalaran multi-langkah |
| Sonar Deep Research | $2,00 | $8,00 | Laporan riset mendalam dan kompleks |
Dua hal yang membedakan struktur harga Perplexity dari delapan keluarga sebelumnya. Pertama, ada request fee tambahan di luar harga token — sekitar $5 sampai $14 per 1.000 request, tergantung ukuran konteks pencarian yang dipanggil. Kalau cuma membandingkan harga token, Perplexity terlihat murah; begitu request fee dihitung, gambarannya berubah. Kedua, perhatikan Sonar Pro: harga output-nya ($1,50) lebih murah dari harga input ($3,00) — kebalikan dari pola semua model di atas, yang outputnya biasanya lebih mahal karena proses generasi lebih berat daripada membaca prompt.
Pelanggan Perplexity Pro ($20/bulan) biasanya mendapat kredit API gratis $5 setiap bulan, yang bisa dipakai untuk uji coba tanpa biaya tambahan di awal.
Tabel Ringkasan Lintas Penyedia
Kalau kamu cuma butuh gambaran cepat sebelum masuk ke detail tiap keluarga, ini rangkumannya. Harga yang ditampilkan adalah varian termurah dan tertinggi dari tiap penyedia untuk perbandingan kasar — detail lengkap tetap ada di tabel masing-masing keluarga di atas.
| Penyedia | Varian termurah (input/1M) | Varian termahal (input/1M) | Model open-weight? | Ciri khas harga |
|---|---|---|---|---|
| Claude (Anthropic) | Haiku 4.5 | Opus 5 / Fable 5 | Tidak | Context window turun di varian ringan (200k vs 1M) |
| GPT (OpenAI) | GPT-5.6 Luna | GPT-5.6 Sol | Tidak | Tiga tingkat jelas: hemat/seimbang/unggulan |
| Gemini (Google) | $0,10 (Flash-Lite) | $2,50 (Pro, >128k) | Tidak | Harga Pro naik 2x setelah 128k token |
| DeepSeek | $0,22 (v4-flash, jam sepi) | $1,32 (v4-pro, jam sibuk) | Sebagian | Tarif jam sibuk 2x lipat jam sepi |
| Qwen (Alibaba) | $1,20 (qwen3-max, ≤32k) | $3,00 (qwen3-max, >128k) | Sebagian | Harga naik bertingkat mengikuti panjang prompt |
| Kimi (Moonshot) | $0,30 (cache hit) | $3,00 (cache miss) | Tidak | Selisih cache hit vs miss sampai 10x |
| Mistral | $0,10 (Ministral 3B) | $1,50 (Medium 3.5) | Ya, sebagian besar | Cakupan terluas: teks, OCR, suara, embedding |
| Llama (Meta) | Tidak dijual per token — open-weight, biaya di infrastruktur | Ya, semua | Satu-satunya tanpa harga API resmi dari pembuatnya | |
💡 Key Takeaway
Kalau prioritasmu kontrol penuh dan tidak keberatan mengurus infrastruktur sendiri, Mistral dan Llama adalah dua penyedia yang model utamanya open-weight. Kalau prioritasmu kepraktisan lewat API tanpa mengurus server, enam penyedia lainnya di tabel ini yang jadi pilihan langsung.
Rating Komunitech: LLM yang Kami Uji di OpenClaw
Semua tabel di atas berisi data objektif dari halaman resmi: spesifikasi dan harga. Tapi angka saja tidak menjawab pertanyaan “enaknya dipakai yang mana?”.
“Rating ini berdasarkan pemakaian nyata di OpenClaw oleh tim Komunitech, bukan benchmark akademis.”
Untuk itu, berikut rating dari Komunitech berdasarkan pengujian langsung memakai model-model ini di OpenClaw untuk pekerjaan sehari-hari — menulis, coding, analisis, sampai brainstorming. Disampaikan oleh Robbie Jeo, CEO Komunitech, mewakili hasil pengujian tim.
| Model | Rating | Catatan dari pemakaian |
|---|---|---|
| Claude | S++ | Dipakai untuk hampir semua pekerjaan: menulis, coding, analisis, brainstorming. Catatan penting: sudah tidak bisa langganan bulanan, hanya pay-as-you-go. |
| Kimi | S | Sangat murah, bisa langganan bulanan, reliabel. Model Kimi for Coding dinilai cocok jadi model utama beserta seluruh cron job-nya. |
| MiniMax | A | Model MiniMax 01 dinilai komplit: reasoning, coding, baca gambar, sampai membuat suara. |
| Xiaomi MiMo | A | Disebut underrated. MiMo v2 Pro sempat jadi pilihan utama saat Claude tidak bisa dilanggan bulanan dan model ini masih gratis di OpenRouter. |
| Gemini | B | Solid, harga kompetitif, performa oke — terutama sejak ada Gemini Live API untuk percakapan real-time. |
| Qwen | B | Cukup oke untuk reasoning dan coding. |
| ChatGPT | C | Dinilai cukup untuk pengguna awam, tapi kurang menarik bagi yang sudah terbiasa memakai OpenRouter. |
| DeepSeek | C | Sempat bikin heboh, tapi batch model terbarunya dinilai tidak se-impresif dulu. |
Ada dua hal yang menarik kalau rating ini dibandingkan dengan tabel harga di atas.
Pertama, harga murah tidak otomatis jadi pilihan utama. DeepSeek punya struktur harga paling agresif di daftar ini (apalagi di jam sepi), tapi rating pemakaiannya justru C. Sebaliknya Kimi yang juga murah mendapat S. Artinya yang menentukan bukan cuma angka per token, tapi konsistensi hasil untuk pekerjaan nyata.
Kedua, model yang paling populer belum tentu paling cocok untuk agent. ChatGPT mendapat rating C bukan karena modelnya buruk, tapi karena konteks penilaiannya spesifik: dipakai sebagai mesin di balik AI Agent lewat OpenRouter, bukan sebagai aplikasi chat sehari-hari. Ini pengingat bahwa “model terbaik” sangat tergantung dipakai untuk apa.
Untuk Claude, alasan rating S++-nya cukup lugas: dipakai untuk hampir semua jenis pekerjaan — menulis, coding, analisis, sampai brainstorming — dan hasilnya konsisten tidak mengecewakan. Satu catatan penting yang perlu diperhitungkan sebelum memakainya: Claude sudah tidak menyediakan opsi langganan bulanan, sehingga akses lewat OpenRouter kini hanya bisa lewat skema pay-as-you-go per token seperti yang tercantum di tabel harga Claude di atas — bukan lagi biaya tetap bulanan.
Kimi dan DeepSeek jadi perbandingan menarik karena sama-sama murah tapi rating akhirnya jauh berbeda. Kimi dinilai reliabel dan cukup kuat untuk coding maupun reasoning, dengan model Kimi for Coding secara spesifik direkomendasikan jadi model utama untuk menjalankan seluruh cron job di OpenRouter — ditambah masih bisa dilanggan bulanan, bukan cuma pay-as-you-go. DeepSeek di sisi lain sempat jadi sorotan besar saat rilis awal, tapi menurut pengujian terbaru, batch model yang berjalan sekarang dinilai sudah tidak seimpresif generasi sebelumnya — sejalan dengan rating C yang didapatnya.
Perlu digarisbawahi: rating di atas adalah hasil pengujian internal Komunitech berbasis pemakaian nyata, bukan benchmark akademis terstandar yang bisa direplikasi pihak luar. Model AI juga berkembang cepat, sehingga rating ini merefleksikan kondisi saat pengujian dilakukan. Anggap sebagai masukan dari tim yang memakainya sehari-hari untuk melengkapi data harga dan spesifikasi, bukan menggantikannya.
Cara Memilih Varian, Bukan Cuma Penyedia
Setelah melihat semua tabel di atas, tiga pertanyaan ini membantu mempersempit pilihan:
- Seberapa berat penalarannya? Tugas yang butuh analisis mendalam, coding kompleks, atau keputusan bertaruh tinggi layak pakai varian flagship walau lebih mahal — kesalahan di sini lebih mahal dari selisih harga model.
- Seberapa besar volumenya? Kalau prosesnya jalan ribuan kali per hari untuk tugas sederhana (klasifikasi, ekstraksi, balasan singkat), varian ringan biasanya cukup dan selisih biayanya signifikan dalam skala besar.
- Apakah konteksnya bisa di-cache atau dijadwalkan? Kalau ya, manfaatkan fitur context caching (Gemini, Kimi, Qwen, Mistral) atau jam sepi (DeepSeek) sebelum menambah budget ke varian yang lebih mahal.
Praktik yang aman: mulai dari varian menengah untuk uji coba, ukur hasilnya, baru putuskan naik ke flagship atau turun ke varian hemat berdasarkan data pemakaian nyata — bukan asumsi di awal.
Metodologi & Sumber
Nama model, spesifikasi (context window, arsitektur), dan harga per token dalam artikel ini diambil langsung dari halaman dokumentasi resmi tiap penyedia: Anthropic, OpenAI, Google AI, DeepSeek, Alibaba Cloud Model Studio (Qwen), Moonshot AI (Kimi), Mistral AI, dan Hugging Face resmi Meta Llama. Data diverifikasi pada Agustus 2026.
Harga LLM berubah relatif sering mengikuti rilis model baru dan penyesuaian kebijakan tiap penyedia. Angka pada tabel adalah snapshot per tanggal verifikasi, bukan harga yang dijamin tetap — selalu cek halaman resmi sebelum membuat keputusan anggaran, terutama untuk penggunaan skala produksi.
Beberapa penyedia (Gemini, Qwen, DeepSeek) memakai skema harga bertingkat berdasarkan panjang prompt atau jam pemakaian; tabel di atas menampilkan rentang lengkapnya, bukan angka tunggal yang disederhanakan, supaya tidak menyesatkan soal biaya sebenarnya.
Khusus bagian rating pemakaian, sumbernya berbeda: itu hasil pengujian internal Komunitech memakai tiap model di OpenClaw untuk pekerjaan nyata, disampaikan oleh Robbie Jeo (CEO Komunitech) lewat video yang disematkan di artikel ini. Rating tersebut sengaja dipisahkan dari tabel harga dan spesifikasi karena sifatnya hasil pengujian internal, bukan benchmark akademis yang bisa direplikasi pihak luar.
Pertanyaan yang Sering Ditanyakan
Apa bedanya Claude Opus, Sonnet, dan Haiku?
Opus untuk kapasitas penalaran tertinggi dan pekerjaan enterprise, Sonnet untuk keseimbangan kemampuan dan kecepatan, Haiku untuk respons cepat dengan biaya rendah. Haiku juga punya context window lebih kecil (200 ribu token) dibanding Opus dan Sonnet (1 juta token).
Apakah Claude Code dan Claude Cowork itu model AI?
Bukan. Keduanya adalah tool atau antarmuka kerja yang dibangun di atas model Claude, bukan model tersendiri. Di balik Claude Code maupun Claude Cowork tetap ada salah satu varian model (Opus, Sonnet, atau Haiku) yang benar-benar memproses permintaan.
Model mana yang paling murah untuk volume besar?
Tergantung penyedia, tapi pola umumnya varian paling ringan di tiap keluarga: Claude Haiku, Gemini Flash-Lite, GPT-5.6 Luna, DeepSeek v4-flash di jam sepi, atau Ministral 3B dari Mistral. Untuk volume sangat besar, manfaatkan juga fitur batch API atau context caching yang tersedia di sebagian besar penyedia.
Kenapa Llama tidak punya harga resmi seperti model lain?
Karena Meta merilis Llama sebagai model open-weight, bukan layanan API berbayar. Kamu mengunduh bobot modelnya secara gratis dan menjalankannya di infrastruktur sendiri atau lewat penyedia cloud pihak ketiga, yang masing-masing punya skema harga sendiri untuk komputasinya.
Model LLM mana yang paling bagus untuk OpenClaw?
Berdasarkan rating Komunitech dari hasil pengujian pemakaian sehari-hari, Claude mendapat rating tertinggi (S++) untuk kualitas hasil, sementara Kimi (S) dinilai paling seimbang antara biaya dan keandalan sehingga cocok jadi model utama beserta cron job-nya. Perlu dicatat bahwa ini hasil pengujian internal berbasis pengalaman pemakaian, bukan benchmark akademis terstandar, dan kebutuhan tiap orang bisa berbeda.
Apakah model yang lebih mahal selalu lebih baik?
Tidak selalu untuk kebutuhanmu spesifik. Model flagship unggul di penalaran kompleks, tapi untuk tugas sederhana dan berulang, varian ringan sering memberi hasil yang sama baiknya dengan biaya jauh lebih rendah. Cara paling aman adalah uji coba di skala kecil dengan beberapa varian sebelum komit ke satu pilihan untuk produksi.
Disclaimer
Harga dan spesifikasi dalam artikel ini adalah snapshot per Agustus 2026 dari halaman resmi masing-masing penyedia. Penyedia LLM sering memperbarui model, mengganti nama varian, dan menyesuaikan harga tanpa pemberitahuan panjang — selalu verifikasi ke halaman resmi sebelum mengambil keputusan anggaran. Artikel ini tidak berafiliasi dengan penyedia manapun yang disebutkan.
Referensi
- Anthropic — Claude Models Overview
- OpenAI — Models Documentation
- Google AI — Gemini API Pricing
- DeepSeek — Models & Pricing
- Alibaba Cloud — Model Studio Pricing (Qwen)
- Moonshot AI — Kimi K3 Pricing
- Mistral AI — API Pricing
- Meta — Llama Models (Hugging Face)
Artikel telah diupdate pada 21/08/2026 untuk memastikan artikel tetap sesuai kondisi terkini.
Related Posts:
Tinggalkan Balasan