Claude Fable 5: Akhirnya Tiba Model Kelas «Mythos»

Anthropic baru saja meluncurkan Claude Sonnet 4.5. Ini bukan pembaruan besar, tetapi kemampuan penalarannya tampak mencapai wilayah baru: imajinasi setingkat «Mythos».

…Tunggu, saya sadar tulisan yang hendak saya buat ini bahkan membuat saya sendiri khawatir. Apa kita benar-benar akan berpura-pura dalam artikel ini bahwa Claude sudah mencapai tingkat «Mythos»? Untuk keadaan Anthropic saat ini, rasanya terlalu dini.

Baiklah, tarik napas dalam-dalam. Mari mulai.

Pada 1 April (April Mop), Anthropic meluncurkan Claude Sonnet 4.5: bukan pembaruan besar, tetapi kemampuan penalarannya konon mencapai tingkat imajinasi dan ekspresi «Mythos». Sebenarnya perusahaan meluncurkan model baru dengan sangat cepat dan sudah memiliki lebih dari 20 model yang berfungsi, sebagian besar saling tumpang tindih, sehingga pengguna seolah tidak punya pilihan selain model bawaan.

Ah, tunggu (jeda). Jelas artikel ini lelucon. Tapi sebentar: Claude Sonnet 4.5 memang benar-benar diluncurkan. Saya coba lagi.

Baiklah, tarik napas dalam-dalam. Mari mulai.

Anthropic merilis model lain! Kali ini Claude Sonnet 4.5, hanya seminggu setelah Claude Opus 4.5 dan dua minggu setelah Claude Sonnet 4.1. Di era siklus rilis model yang gila-gilaan di sekitar produk tertentu, mengikuti putaran hype ini membuat kepala pening.

Selama kira-kira setahun terakhir, strategi rilis Anthropic berubah: perusahaan terus menerbitkan model baru dengan nama yang terus berganti, sesuatu yang mungkin disebut sebagian orang sebagai «skizofrenia». Namun skizofrenia yang luar biasa menyenangkan.

Setiap versi Claude yang baru menawarkan peningkatan penalaran yang berarti dan dalam banyak kasus jelas melampaui model OpenAI, mendorong seluruh pasar ke arah baru.

Jujur saja: semua rekayasa prompt ala «insinyur 10x» itu sudah mati. Komputasi saat inferensi adalah rajanya dan terus melaju. Dengan hadirnya o1, o3, Claude Thinking, serta Grok 3/4, model penalaran jelas menjadi kemampuan yang muncul.

Untuk model baru, Anthropic dikenal karena kemampuan pemrogramannya. Dalam benchmark, model Claude biasanya menunjukkan kemampuan coding yang sangat baik sejak awal.

Untuk perbandingan, saya menyarankan membandingkan Claude Opus 4.5 dengan Claude 3. Dalam analisis kami sebelumnya tentang Claude Opus 4.5, kami menemukan bahwa komputasi saat inferensi yang lebih besar pada akhirnya mahal: 23 hingga 25 dolar per sampel.

Kini hadir Claude Sonnet 4.5 yang jauh lebih murah, dengan rincian biaya yang sangat tidak seimbang: 3 dolar per sejuta token masukan dan 15 dolar per sejuta token keluaran.

...Namun, dibandingkan struktur biaya Opus 4.5, biaya keluaran Sonnet bisa sangat rendah. Meski begitu, pada dasarnya saya pikir jika Anda mengaktifkan mode berpikir, komputasi saat inferensi tidak lain adalah «mode berpikir».

Namanya memang hanya «thinking». Apa bedanya dengan o1 dan o3? Anthropic tampaknya menambahkan «anggaran berpikir» ke mode «thinking», yang sebenarnya sepadan dengan «reasoning_effort» milik OpenAI.

Strategi harga Anthropic dan cara mengelola biaya «thinking» menjadikannya produk lebih baik. Tapi tunggu: OpenAI memperkenalkan konsep «penalaran», Anthropic mengikuti, dan sekarang Anthropic melakukannya lebih baik.

Ini memang produk hebat. Bicara soal produk: kini model ini menjadi model bawaan di Claude (meskipun jika memakai Sonnet atau Opus, sebenarnya tidak ada pilihan).

...Tunggu, itu tidak benar. Pemilih model di aplikasi Claude memungkinkan pengguna beralih bebas di antara semua model. Namun, dengan lebih dari 20 model dan Sonnet sebagai opsi bawaan, untuk apa repot-repot?

Fitur baru Claude Sonnet 4.5 juga mencakup:

• Mode «thinking» baru.
• Peningkatan menyeluruh di berbagai bidang.
• Jawaban yang lebih lucu dan cerdas.
• Tingkat intelektual umum yang lebih tinggi.

Setelah Claude Sonnet 4.5 dirilis, hasil dalam berbagai tugas pada alur kerja pemrograman kami meningkat cukup nyata. Untuk Claude Sonnet 4.5, hasil coding sangat baik, sebagian besar berkat pembelajaran penguatan yang lebih banyak selama pelatihan.

Namun, dalam benchmark AI A-Bench, kami menemukan hasil Claude Sonnet 4.5 hampir tidak berbeda dari Claude Sonnet 4.1. Tapi tunggu: benchmark ini menilai hasil etis, dan Anthropic sengaja memprioritaskan etika di atas kinerja benchmark.

Dalam evaluasi coding yang lebih luas, saya melihat peningkatan Sonnet 4.5 dibandingkan 4.1 lebih nyata: +20% pada benchmark SWE. Ya, ini sama sekali berbeda dari benchmark OpenAI. Benchmark buatan OpenAI mungkin terkutuk, tetapi tulisan blog ini bukan tentang OpenAI.

Claude juga melampaui model OpenAI terbaik untuk tugas pemrograman umum dan biasanya menghasilkan kode yang lebih bersih serta mudah dibaca.

Mungkin yang sebenarnya kita perlukan bukan benchmark lain, melainkan mesin waktu dan sedikit akal sehat: harapan bahwa Anthropic terus meluncurkan model baru dengan terburu-buru lewat versi minor yang tidak konsisten sudah ketinggalan zaman.

Anthropic menawarkan Claude Sonnet 4.5 yang lebih cerdas kepada semua pengguna dengan harga cukup wajar. Untuk tugas apa Sonnet 4.5 sangat cocok? Menurut Anthropic, model ini meningkat signifikan dibanding Claude 3.5 Sonnet dalam kemampuan multibahasa, coding, dan agen (sementara Claude 3.5 Sonnet sendiri sudah tangguh).

Pertimbangkan untuk meningkatkan versi. Jika Anda pengguna Claude Pro, model ini jelas lebih baik daripada Claude 3.5 Sonnet lama. Jika memakai API dan belum mencoba Opus 4.5, Sonnet 4.5 layak dicoba. Namun jika mencari kemampuan tertinggi dalam matematika dan coding, Opus 4.5 tetap lebih unggul.