Claude Opus 5 Puncaki Leaderboard AI dengan Skor 61

Peringkat teratas pada papan skor Artificial Analysis Intelligence Index berganti pemilik lagi. Claude Opus 5 dari Anthropic, yang dirilis pada 24 Juli 2026, kini menempati posisi pertama dengan skor 61 pada konfigurasi Adaptive Reasoning dengan Max Effort, dari 170 model yang memiliki hasil terpublikasi. Angka itu terlihat kecil selisihnya, hanya satu poin di atas Claude Fable 5 dan dua poin di atas GPT-5.6 Sol, tetapi konteks harga dan biaya per tugas membuat pergeseran ini lebih berarti daripada sekadar naik satu baris tabel.

Opus 5 Menempati Peringkat 1 Artificial Analysis Intelligence Leaderboard dengan Skor 61

Artificial Analysis Intelligence Index adalah benchmark komposit yang menggabungkan sembilan evaluasi berat menjadi satu skor 0–100 untuk mengukur kemampuan model bahasa pada matematika, sains, coding, dan penalaran. Pada snapshot terbaru, Claude Opus 5 (Adaptive Reasoning, Max Effort) memegang skor tertinggi, yaitu 61.

Posisi kedua diisi Claude Opus 5 pada tingkat effort xhigh dengan skor 60, sedangkan Claude Fable 5 (Max Effort, dengan fallback Opus 4.8) juga berada di 60. GPT-5.6 Sol (max) menyusul di 59, bersama Claude Opus 5 pada tingkat high.

Susunan itu memunculkan satu implikasi yang jarang dibahas di berita singkat. Varian effort menengah dari satu model kini bisa menyamai atau melewati varian maksimal model pesaing, sehingga perbandingan antarmodel tidak lagi cukup dengan satu baris nama.

Lima Besar Papan Peringkat Intelligence Index Saat Ini

Peringkat	Model	Skor Intelligence Index	Biaya per Tugas
1	Claude Opus 5 (max)	61	$2,03
2	Claude Opus 5 (xhigh)	60	$1,56
3	Claude Fable 5 (dengan fallback)	60	$2,75
4	GPT-5.6 Sol (max)	59	$1,04
5	Claude Opus 5 (high)	59	$1,06

Tabel di atas memperlihatkan bahwa harga tertinggi tidak selalu menghasilkan skor tertinggi. Fable 5 tetap model termahal per tugas pada jajaran puncak, sementara GPT-5.6 Sol menawarkan skor 59 dengan biaya sekitar separuh dari Opus 5 pada effort maksimal.

Pengamatan itulah yang membuat sebagian praktisi menilai kemenangan Opus 5 sebagai kemenangan tipis. Keunggulan satu poin pada indeks komposit berada dalam rentang yang bisa berubah ketika bobot evaluasi diperbarui.

Apa Sebenarnya yang Diukur Artificial Analysis Intelligence Index

Indeks ini bukan hasil satu ujian tunggal. Versi terbaru menyatukan sembilan evaluasi independen yang dijalankan sendiri oleh Artificial Analysis, bukan diambil dari klaim vendor.

Sembilan evaluasi tersebut mencakup:

GDPval-AA v2 — tugas kerja nyata pada 44 okupasi dan 9 industri, dengan akses shell dan penjelajahan web dalam loop agen.
𝜏³-Banking — dukungan pelanggan fintech yang menuntut navigasi basis pengetahuan tak terstruktur dan pemanggilan alat berlapis.
Terminal-Bench v2.1 — 89 tugas terkurasi pada rekayasa perangkat lunak, administrasi sistem, pengolahan data, dan keamanan.
SciCode — 288 subproblem dari 80 masalah laboratorium pada 16 disiplin sains.
Humanity's Last Exam — 2.500 pertanyaan tingkat frontier yang diverifikasi pakar.
GPQA Diamond — 198 pertanyaan tersulit dari GPQA, di mana pakar bergelar doktor mencapai akurasi sekitar 65 persen.
CritPt — 71 tantangan riset fisika tingkat lanjut.
AA-Omniscience — pengukuran keandalan pengetahuan sekaligus tingkat halusinasi.
AA-LCR — penalaran konteks panjang pada dokumen 10 ribu hingga 100 ribu token.

Pembobotan indeks dibagi ke empat kategori dengan porsi setara, masing-masing 25 persen: agen, coding, kemampuan umum, dan penalaran ilmiah. Struktur itu menjelaskan mengapa model yang hanya kuat pada satu dimensi sulit menembus papan atas.

Mengapa Skor Komposit Bisa Menyesatkan Jika Dibaca Sendiri

Skor tunggal memudahkan pembuatan judul berita, tetapi menyembunyikan variasi antar-evaluasi. Model yang unggul pada tugas agen bisa tertinggal pada keandalan faktual, dan sebaliknya.

Dokumentasi Artificial Analysis sendiri menyarankan pembacaan per benchmark untuk kebutuhan spesifik seperti coding, alur kerja agentic, faktualitas, atau penalaran ilmiah. Rekomendasi itu layak dipegang oleh tim yang sedang memilih model produksi.

Cermin pihak ketiga juga menampilkan angka yang tidak identik. Satu agregator menampilkan snapshot indeks pada 60,7 persen untuk Opus 5, diikuti Claude Fable 5 di 59,9 persen dan GPT-5.6 Sol di 58,9 persen, dari 167 model yang tercatat.

Selisih penyajian itu muncul karena normalisasi dan tanggal tarik data yang berbeda. Perbedaan format juga membuat perbandingan lintas situs perlu memakai tanggal snapshot yang sama.

Detail Hasil Claude Opus 5 pada Evaluasi Utama

Angka yang dipublikasikan Artificial Analysis dan kartu sistem resmi memberi gambaran lebih tajam daripada indeks komposit. Beberapa hasil menempatkan Opus 5 di posisi pemimpin dengan jarak lebar.

Pada GDPval-AA v2, Opus 5 pada effort maksimal mencatat 1861 Elo, lebih dari 100 poin di atas Claude Fable 5 dan GPT-5.6 Sol (max). Pada AA-Briefcase, benchmark kerja pengetahuan agentic milik Artificial Analysis, skornya 1720 Elo, unggul 146 poin dari Fable 5.

Pada Terminal-Bench v2.1, Opus 5 mencapai 89 persen pada effort maksimal, kurang lebih setara pemimpin kategori itu, GPT-5.6 Sol (xhigh). Kartu sistem juga melaporkan 90,8 persen pada BrowseComp dan 70,6 persen pada OSWorld 2.0.

Hasil Coding dan Rekayasa Perangkat Lunak

Kategori coding menjadi salah satu titik terkuat sekaligus paradoks bagi Opus 5. Nilai absolutnya tinggi, tetapi peringkat relatifnya tidak selalu nomor satu karena persaingan padat.

Beberapa angka yang dipublikasikan:

SWE-bench Verified: 96 persen, dirata-ratakan dari lima percobaan.
SWE-bench Pro: 79,2 persen.
SWE-bench Multilingual: 89,5 persen.
SWE-bench Multimodal: 59,4 persen.
FrontierCode 1.1 Extended: 63,6 persen pada setelan effort terbaik.
ProgramBench: 83 persen setelah episode pertama, naik ke 93 persen setelah episode kelima.

Pada indeks agen coding, Opus 5 pada effort xhigh yang dijalankan bersama Claude Code menempati posisi puncak bersama, termasuk skor tertinggi pada SWE-Atlas-QnA. Kombinasi model dan harness ternyata memengaruhi hasil sebesar pilihan modelnya sendiri.

Penalaran, Matematika, dan Sains

Pada ARC-AGI-2, Opus 5 mencatat 90,4 persen pada effort maksimal. Evaluasi semi-privat ARC-AGI-1 yang diverifikasi ARC Prize Foundation menghasilkan 97,50 persen, sedangkan ARC-AGI-3 masih di 30,2 persen pada effort high karena hasil max belum tersedia saat peluncuran.

Pada matematika, kartu sistem melaporkan 42/42 pada IMO 2026, dengan seluruh 24 bukti yang dihasilkan diterima panel tiga model dan enam bukti yang telah ditentukan sebelumnya mendapat nilai penuh dari penilai manusia. Pada rilis ArXivMath Juni 2026 berisi 49 soal, skornya 90,8 persen tanpa alat dan 91,3 persen dengan alat.

Pada Humanity's Last Exam, hasilnya 64,7 persen dengan alat dan 56,3 persen tanpa alat menurut kartu sistem, sedangkan pengukuran independen Artificial Analysis mencatat sekitar 52,6 persen. Perbedaan itu berasal dari harness dan konfigurasi effort yang berbeda, sehingga perbandingan lintas sumber sebaiknya menyertakan konteks metodologi.

Pada CritPt, evaluasi fisika tingkat riset yang dikembangkan peneliti Argonne dan UIUC, Opus 5 setara Fable 5 namun berada di belakang GPT-5.6 Sol, GPT-5.5 Pro, dan GPT-5.6 Terra. Kekuatan pada sains karenanya tidak merata di semua subdomain.

Titik Lemah yang Perlu Dicatat Sebelum Beralih

Papan peringkat menyoroti keunggulan, tetapi laporan evaluasi juga memuat catatan yang kurang menguntungkan. Dua hal paling sering disebut adalah pengetahuan faktual dan tingkat halusinasi.

Pada AA-Omniscience, akurasi Opus 5 naik sekitar 7 poin dibanding Opus 4.8, namun model lebih sering menjawab ketika tidak yakin. Akibatnya, tingkat halusinasi naik 14 poin hingga mencapai sekitar 50 persen.

AA-Omniscience Index memberi nilai positif untuk jawaban benar, penalti untuk halusinasi, dan tidak memberi penalti ketika model memilih menolak menjawab. Metrik ini memisahkan pengetahuan dari kecenderungan menebak.

Pengetahuan faktual Opus 5 masih di bawah Fable 5, yang wajar mengingat perbedaan kelas ukuran model. Untuk aplikasi tanya jawab tanpa pembumian data, karakteristik itu berisiko dan menuntut sitasi wajib serta instruksi penolakan yang tegas.

Catatan lain menyangkut posisi efisiensi. Opus 5 mengalahkan Fable 5 dengan biaya lebih rendah, tetapi pada tingkat effort rendah ia berada tepat di belakang keluarga GPT-5.6 pada kurva Intelligence versus Cost per Task.

Kartu sistem juga menyebut Opus 5 masih tertinggal dari Mythos 5 pada domain keamanan siber. Pemetaan model ke jenis pekerjaan tetap lebih relevan daripada mengikuti satu peringkat umum.

Setelan Effort: Fitur yang Mengubah Cara Membandingkan Model

Salah satu perubahan paling praktis pada Opus 5 adalah kehadiran lima tingkat effort, yaitu low, medium, high, xhigh, dan max. Setiap tingkat mengubah anggaran token penalaran, sehingga satu nama model dapat mengisi beberapa titik pada kurva harga dan kualitas.

Setelan effort mengatur seberapa banyak token penalaran yang dipakai model sebelum menjawab. Effort rendah menghasilkan jawaban lebih cepat dan murah, sedangkan effort tinggi menukar biaya dan waktu untuk kualitas penalaran.

Rentangnya tidak sedikit. Pada GDPval-AA v2, jarak antartingkat effort mencapai 407 poin Elo, dengan penggunaan token keluaran berbeda sekitar delapan kali dari low ke max.

Perbandingan Tingkat Effort pada AA-Briefcase

Tingkat effort	AA-Briefcase Elo	Biaya per tugas	Waktu rata-rata per tugas
max	1720	$17,79	36,2 menit
xhigh	1693	$14,26	34,3 menit
high	1606	$10,41	25,7 menit
medium	1470	—	—
low	1223	—	—

Tiga tingkat teratas Opus 5 menempati tiga posisi pertama pada papan AA-Briefcase. Varian high bahkan melampaui Fable 5 sebanyak 32 Elo dengan biaya kurang dari separuh.

Konsekuensi operasionalnya nyata. Ketiga tingkat teratas membutuhkan lebih dari 25 menit per tugas, dengan rata-rata 103, 91, dan 76 putaran percakapan, dibanding 55 putaran pada Opus 4.8 effort maksimal.

Durasi sepanjang itu tidak cocok untuk antarmuka percakapan waktu nyata. Pola pemakaiannya lebih tepat pada pekerjaan batch, riset panjang, atau pipeline yang menghasilkan dokumen kerja.

Harga Claude Opus 5 dan Struktur Biaya yang Menyertainya

Anthropic mempertahankan harga token yang sama dengan pendahulunya. Opus 5 dibanderol $5 per juta token masukan dan $25 per juta token keluaran, identik dengan Opus 4.8.

Angka itu setengah dari harga Fable 5, yang berada di $10 dan $50 per juta token. Kenaikan kemampuan tanpa kenaikan harga token adalah alasan utama banyak analis menyebut rilis ini sebagai peningkatan bernilai.

Rincian Harga dan Opsi Tambahan

Komponen	Ketentuan
Token masukan	$5 per juta token
Token keluaran	$25 per juta token
Penulisan cache	Premi 25 persen, sekitar $6,25 per juta token, TTL 5 menit
Pembacaan cache	Diskon 90 persen, sekitar $0,50 per juta token
Mode cepat	Sekitar 2,5 kali kecepatan dasar dengan harga dua kali
Jendela konteks	1 juta token, setara Opus 4.8

Biaya per tugas pada Intelligence Index rata-rata $2,03 untuk effort maksimal. Nilai itu di bawah Fable 5 dengan fallback ($2,75), namun di atas Opus 4.8 max ($1,80) dan Claude Sonnet 5 max ($1,53).

Pada tingkat high dan xhigh, Opus 5 dapat mengalahkan Opus 4.8 sekaligus Sonnet 5 dengan biaya per tugas lebih rendah. Kombinasi itu membuat setelan menengah sering menjadi pilihan paling rasional untuk beban kerja produksi.

Model dapat diakses melalui API Claude dengan identitas model claude-opus-5, serta melalui Claude.ai, Claude Code, dan Claude Cowork. Detail harga dan batas penggunaan terbaru tersedia pada dokumentasi resmi Anthropic.

Kecepatan dan Latensi: Sisi yang Sering Terlewat

Skor kecerdasan tinggi tidak otomatis berarti pengalaman pengguna yang nyaman. Pengukuran langsung menunjukkan Opus 5 pada effort maksimal menghasilkan sekitar 53 token per detik dengan latensi token pertama sekitar 61,6 detik dan total waktu respons sekitar 71,1 detik.

Angka latensi itu wajar untuk model penalaran pada effort tertinggi, tetapi jauh dari nyaman untuk chat interaktif. Pada effort medium, latensi turun drastis menjadi sekitar 5,3 detik dengan total respons sekitar 15,2 detik.

Sebagai pembanding, model tercepat pada papan peringkat mencatat kecepatan keluaran ratusan hingga di atas 800 token per detik. Model dengan latensi terendah berada di bawah setengah detik untuk token pertama.

Perbedaan sebesar itu menegaskan adanya pasar yang terbelah. Sebagian model dirancang untuk penalaran mendalam, sebagian lain untuk interaksi instan dan throughput tinggi.

Pilihan Model Berdasarkan Prioritas Beban Kerja

Prioritas utama	Karakter yang dicari	Contoh pertimbangan
Penalaran terdalam	Skor indeks tertinggi, effort tinggi	Opus 5 max atau xhigh
Keseimbangan biaya dan kualitas	Skor tinggi, biaya per tugas moderat	Opus 5 high atau GPT-5.6 Sol max
Respons instan	Latensi token pertama rendah	Model kelas Flash-Lite atau setara
Throughput besar	Token per detik sangat tinggi	Model difusi atau kelas cepat khusus
Konteks sangat panjang	Jendela konteks di atas 1 juta token	Model dengan jendela 2 juta hingga 10 juta token
Biaya minimum	Biaya per tugas terendah	Model open weights kelas ringan

Tabel tersebut membantu menghindari kesalahan umum, yaitu memilih model peringkat satu untuk semua kasus. Pekerjaan penyaringan dokumen bervolume besar jarang memerlukan model dengan biaya per tugas dua dolar.

Posisi Opus 5 pada Papan Peringkat Selain Artificial Analysis

Artificial Analysis

Ekosistem papan peringkat model bahasa kini cukup padat, dan setiap penyelenggara memakai metodologi berbeda. Membaca beberapa sumber sekaligus membantu memisahkan kemajuan nyata dari fluktuasi metodologi.

Satu agregator memberi Opus 5 skor keseluruhan 85,88 dari 100 dan peringkat pertama dari 215 model pada papan publiknya, dengan 79 dari 369 benchmark yang dilacak sudah terpublikasi. Kategori terkuatnya adalah pengetahuan pada peringkat pertama dari 53 model, sementara kategori terlemahnya adalah coding pada peringkat kesembilan dari 130 model.

Agregator lain memakai skor komposit berbeda yang memadukan GPQA Diamond, SWE-Bench Verified, arena coding, dan harga. Pada papan itu, Opus 5 berada di puncak bersama GPT-5.6 Sol dengan skor komposit yang sama, sedangkan pemimpin GPQA Diamond justru model pratinjau yang belum dirilis.

Perbedaan Metodologi Antar Papan Peringkat

Beberapa sumber perbedaan yang paling berpengaruh:

Cakupan benchmark. Sebagian papan memakai sembilan evaluasi, sebagian menggabungkan ratusan skor terpublikasi.
Perlakuan terhadap effort. Ada papan yang memisahkan setiap tingkat effort sebagai baris tersendiri, ada yang meringkas satu model menjadi satu baris.
Sumber angka. Skor hasil pengujian independen berbeda status dari skor yang dilaporkan penyedia model.
Bobot harga. Sebagian skor komposit menyertakan harga per token, sehingga model mahal turun peringkat.
Kadensi pembaruan. Ada yang menyegarkan tiap kuartal, ada yang memakai rata-rata bergulir tujuh hari untuk metrik performa.

Karena itu, klaim "nomor satu" perlu selalu diikuti nama papan peringkat dan tanggalnya. Tanpa dua keterangan itu, pernyataan tersebut kehilangan makna teknis.

Untuk konteks yang lebih luas mengenai cara benchmark model bahasa disusun dan keterbatasannya, ringkasan pada artikel Wikipedia tentang large language model memberi latar yang cukup netral.

Cara Membaca Papan Peringkat Model AI Tanpa Salah Ambil Keputusan

Papan peringkat berguna sebagai peta pasar, bukan sebagai rekomendasi pengadaan. Tim teknis yang memakainya sebagai satu-satunya dasar keputusan sering menemukan hasil produksi berbeda dari ekspektasi.

Langkah pembacaan yang lebih aman:

Tentukan dulu jenis pekerjaan. Tugas coding agentic, ekstraksi dokumen, dan tanya jawab kebijakan memiliki profil kebutuhan yang berbeda.
Ambil benchmark yang relevan saja. Skor SWE-bench Verified lebih informatif untuk asisten kode daripada indeks komposit.
Periksa konfigurasi yang diuji. Nama model saja tidak cukup, karena effort, harness, dan fallback memengaruhi hasil.
Hitung biaya per tugas, bukan harga per token. Model murah per token bisa mahal per tugas jika boros token penalaran.
Uji dengan kumpulan data sendiri. Sepuluh hingga lima puluh kasus internal biasanya sudah memperlihatkan perbedaan yang tidak tampak pada benchmark publik.
Ukur latensi pada beban nyata. Angka median dari pengujian pihak ketiga sering diambil pada kondisi permintaan tunggal.
Catat tanggal pengukuran. Papan peringkat berubah dalam hitungan minggu.

Kesalahan yang paling mahal biasanya bukan salah memilih model, melainkan mengunci arsitektur pada satu model. Abstraksi panggilan model di sisi backend memudahkan migrasi ketika peringkat bergeser.

Kesalahan Umum saat Memakai Skor Benchmark

Menyamakan skor pada effort maksimal dengan performa setelan bawaan produksi.
Membandingkan angka dari kartu sistem penyedia dengan angka pengujian independen tanpa menyebut perbedaan harness.
Mengabaikan tingkat halusinasi ketika kasus pemakaian menuntut akurasi faktual.
Melupakan biaya cache, padahal diskon pembacaan cache bisa mencapai 90 persen.
Memilih jendela konteks terbesar tanpa menguji seberapa efektif model memakai bagian akhir konteks.

Poin terakhir sering terlupakan. Jendela konteks besar tidak menjamin kualitas penalaran merata di seluruh panjang konteks, dan pengujian dengan konteks yang sengaja diisi informasi tidak relevan biasanya mengungkap penurunan kualitas.

Bagaimana Opus 5 Dibandingkan dengan Pendahulunya

Perbandingan paling relevan bagi pengguna lama adalah terhadap Opus 4.8, karena harga tokennya identik. Pada indeks kecerdasan, skornya naik dari 56 ke 61, sedangkan pada indeks agentic naik dari 47,2 ke 55,3.

Kenaikan sebesar itu tanpa perubahan harga per token jarang terjadi dalam satu siklus rilis. Bagi tim yang sudah memakai Opus 4.8, perpindahan hampir tidak memiliki argumen penolak selain alur kerja yang sudah disetel pada perilaku spesifik model lama.

Terhadap Fable 5, gambarannya lebih bernuansa. Opus 5 mendekati kemampuan Fable 5 dengan biaya per tugas lebih rendah, tetapi Anthropic tetap merekomendasikan Fable 5 untuk proyek paling berat, termasuk pekerjaan otonom berdurasi beberapa hari.

Aspek	Claude Opus 5	Claude Opus 4.8	Claude Fable 5
Skor Intelligence Index (max)	61	56	60
Harga token masukan dan keluaran	$5 / $25	$5 / $25	$10 / $50
Biaya per tugas Intelligence Index	$2,03	$1,80	$2,75
AA-Briefcase Elo	1720	lebih rendah	1574
Posisi rekomendasi	flagship harian	generasi sebelumnya	pekerjaan otonom terberat

Perlu dicatat bahwa peningkatan pada kualitas presentasi keluaran lebih kecil dibanding peningkatan pada kualitas analitis. Pada AA-Briefcase, Elo kualitas analitis Opus 5 mencapai 2016, hampir 300 poin di atas Fable 5, sementara Elo presentasi berada di 1628 dan masih sekitar 40 poin di belakang GPT-5.6 Sol.

Bagi tim yang menghasilkan laporan atau presentasi otomatis, perbedaan itu berarti. Kualitas isi meningkat lebih cepat daripada kualitas tata letak dan penyajian.

Dampak Persaingan Papan Peringkat bagi Pengguna di Indonesia

Selisih satu poin pada papan peringkat global jarang menjadi faktor penentu bagi organisasi di Indonesia. Yang lebih menentukan biasanya biaya per tugas, latensi dari wilayah terdekat, dan ketersediaan model pada penyedia awan yang sudah dipakai.

Beberapa pertimbangan yang lebih praktis:

Biaya dalam rupiah bergerak mengikuti kurs, sehingga selisih harga per token antarmodel bisa terasa lebih besar daripada di pasar dolar.
Latensi jaringan menambah waktu di atas latensi model, terutama untuk endpoint yang berada di wilayah jauh.
Kepatuhan data menentukan apakah dokumen internal boleh dikirim ke penyedia model tertentu.
Ketersediaan kuota pada wilayah tertentu sering menjadi hambatan lebih awal daripada kemampuan model.
Dukungan bahasa Indonesia perlu diuji sendiri, karena benchmark multibahasa umum tidak selalu mewakili kualitas pada teks Indonesia yang spesifik domain.

Pada dimensi multibahasa, hasil yang dipublikasikan menunjukkan rata-rata akurasi 92,5 persen pada Global MMLU, 92,1 persen pada MILU untuk bahasa-bahasa India, dan 89,8 persen pada INCLUDE. Angka itu memberi indikasi umum, tetapi bukan pengganti pengujian pada korpus lokal.

Pengujian internal dengan dokumen berbahasa Indonesia tetap perlu. Istilah teknis, singkatan sektor publik, dan gaya penulisan regulasi sering menjadi titik lemah yang tidak tampak pada benchmark akademis.

Perubahan Teknis Lain pada Rilis Claude Opus 5

Selain setelan effort, rilis ini membawa beberapa penyesuaian yang relevan untuk pengembang alur kerja agentic. Dua di antaranya masih berstatus beta.

Perubahan alat di tengah percakapan, yang memungkinkan set alat berganti tanpa memulai sesi baru.
Fallback API otomatis, yang memindahkan permintaan ke model cadangan ketika terjadi kegagalan. Evaluasi Intelligence Index dijalankan dengan fallback Opus 4.8 aktif.
Mode cepat yang menjalankan model sekitar 2,5 kali lebih cepat dengan harga dua kali lipat, tersedia melalui platform Claude dan kredit penggunaan pada Claude Code.
Program verifikasi keamanan siber untuk perusahaan, sejalan dengan pengetatan pengamanan pada rilis ini.

Fitur fallback perlu dibaca dengan hati-hati saat membandingkan skor. Hasil evaluasi yang dijalankan dengan fallback aktif tidak sepenuhnya mencerminkan performa model tunggal.

Kartu sistem juga menyebut Opus 5 sebagai model Opus paling selaras hingga saat ini dan paling sulit dibujuk untuk penyalahgunaan. Sebagian pengguna justru menilai pengetatan itu sebagai hambatan, karena penolakan yang terlalu sering menurunkan keandalan alur kerja.

Keluhan tersebut muncul pada diskusi komunitas dan bukan hasil pengukuran formal. Bagi organisasi, cara paling aman menilainya adalah menjalankan uji penolakan pada kumpulan prompt internal sebelum migrasi.

Skenario Pemakaian yang Paling Sesuai dengan Profil Opus 5

Profil kekuatan Opus 5 mengarah pada pekerjaan pengetahuan yang panjang dan bertahap, bukan percakapan singkat. Beberapa skenario yang cocok dengan karakteristik tersebut:

Riset dan Analisis Dokumen Bervolume Besar

Skor tinggi pada AA-Briefcase dan GDPval-AA v2 menunjukkan kemampuan menghasilkan laporan, spreadsheet, dan presentasi dari ribuan berkas masukan. Pekerjaan seperti uji tuntas, tinjauan kontrak, atau sintesis riset pasar masuk kategori ini.

Waktu 25 hingga 36 menit per tugas dapat diterima pada konteks tersebut. Hasil akhirnya dibandingkan dengan jam kerja analis, bukan dengan respons chat.

Agen Rekayasa Perangkat Lunak

Skor 96 persen pada SWE-bench Verified dan 89 persen pada Terminal-Bench v2.1 mendukung pemakaian pada agen perbaikan bug dan otomasi terminal. Kombinasi dengan harness khusus seperti Claude Code memberi hasil terbaik menurut indeks agen coding.

Pada praktiknya, pembatasan izin tetap wajib. Agen yang mampu menjalankan perintah terminal juga mampu menimbulkan kerusakan jika cakupan aksesnya terlalu luas.

Pekerjaan Sains dan Teknis Terapan

Hasil pada SciCode, ProteinGym Hard, SpatialBench Verified, dan evaluasi kimia organik menunjukkan kekuatan pada domain biologi dan kimia. Anthropic memposisikan Opus 5 sebagai model tersedia umum paling mampu untuk riset ilmiah.

Untuk kebutuhan fisika tingkat riset, perbandingan dengan keluarga GPT-5.6 layak dilakukan lebih dulu. Pada CritPt, beberapa model pesaing masih berada di depan.

Automasi Alur Kerja SaaS dan Alat Eksternal

Pada AutomationBench, Opus 5 mencatat 26,0 persen pada effort maksimal, dengan tingkat kelulusan sekitar 1,5 kali model terbaik berikutnya pada biaya per tugas setara. Pada MCP Atlas, tingkat kelulusannya 85,8 persen dengan cakupan klaim rata-rata 89,1 persen.

Angka absolut pada AutomationBench yang masih di bawah 30 persen menegaskan bahwa otomasi lintas aplikasi tetap sulit. Persetujuan manusia pada langkah yang menulis ke sistem bisnis masih diperlukan.

Pertanyaan yang Sering Diajukan tentang Peringkat Opus 5

Berapa skor Opus 5 pada Artificial Analysis Intelligence Index?

Claude Opus 5 pada konfigurasi Adaptive Reasoning dengan Max Effort mencatat skor 61, tertinggi di antara model yang memiliki hasil terpublikasi. Snapshot pihak ketiga menampilkan angka setara dalam format persentase, yaitu 60,7 persen.

Apakah Opus 5 lebih baik daripada Claude Fable 5?

Pada indeks kecerdasan, Opus 5 unggul satu poin dengan biaya per tugas lebih rendah. Anthropic tetap merekomendasikan Fable 5 untuk proyek paling berat, termasuk tugas otonom yang berjalan berhari-hari, sehingga posisi Fable 5 lebih tepat disebut plafon daripada pilihan harian.

Mengapa skor Opus 5 berbeda antara satu situs dan situs lain?

Perbedaan berasal dari metodologi, cakupan benchmark, perlakuan terhadap setelan effort, dan tanggal penarikan data. Sebagian papan peringkat juga memasukkan harga sebagai komponen skor komposit.

Apakah harga Opus 5 lebih mahal dari model sebelumnya?

Harga tokennya identik dengan Opus 4.8, yaitu $5 per juta token masukan dan $25 per juta token keluaran. Biaya per tugas bisa lebih tinggi karena pemakaian token penalaran yang lebih besar pada effort maksimal.

Setelan effort mana yang paling layak dipakai di produksi?

Setelan high dan xhigh sering memberi keseimbangan terbaik, karena keduanya melampaui Fable 5 pada AA-Briefcase dengan biaya jauh lebih rendah. Pilihan akhirnya bergantung pada anggaran token dan toleransi latensi setiap alur kerja.

Apakah tingkat halusinasi Opus 5 menjadi masalah?

Tingkat halusinasi pada AA-Omniscience naik 14 poin dibanding Opus 4.8 hingga sekitar 50 persen, meski akurasinya meningkat 7 poin. Untuk kasus yang menuntut akurasi faktual, pembumian pada sumber terpercaya dan pemaksaan sitasi menjadi syarat, bukan pelengkap.

Berapa lama peringkat ini kemungkinan bertahan?

Riwayat beberapa bulan terakhir menunjukkan pergantian pemimpin terjadi dalam hitungan minggu, dengan beberapa rilis besar dari laboratorium berbeda dalam periode singkat. Arsitektur yang tidak terikat satu model tetap menjadi pilihan paling aman.

Cara Menguji Opus 5 Sebelum Dipakai pada Alur Kerja Nyata

Papan peringkat tidak mengenal konteks bisnis, sehingga pengujian internal tetap menjadi penentu. Rangkaian uji berikut biasanya cukup untuk menilai kesesuaian dalam beberapa hari kerja.

Siapkan 20 hingga 50 kasus nyata dari pekerjaan yang benar-benar berjalan, lengkap dengan jawaban yang disepakati sebagai acuan.
Jalankan pada tiga tingkat effort — medium, high, dan max — agar kurva biaya terhadap kualitas terlihat pada data sendiri.
Catat biaya per tugas, bukan biaya per token, termasuk token penalaran yang tidak tampak pada keluaran akhir.
Ukur latensi pada beban paralel, bukan pada permintaan tunggal, karena angka publik umumnya diambil dari permintaan tunggal.
Uji perilaku penolakan dengan prompt yang berada di zona abu-abu kebijakan, lalu bandingkan dengan model yang sedang dipakai.
Periksa tingkat halusinasi dengan pertanyaan yang jawabannya tidak ada pada dokumen sumber, untuk melihat apakah model memilih menolak atau menebak.
Aktifkan cache pada prompt sistem yang panjang, lalu hitung ulang biayanya dengan diskon pembacaan cache.

Langkah keenam layak mendapat perhatian ekstra pada rilis ini. Kecenderungan menjawab saat tidak yakin membuat instruksi penolakan eksplisit menjadi bagian wajib dari prompt sistem, bukan penyempurnaan opsional.

Memanfaatkan Cache untuk Menekan Biaya Prompt Panjang

Struktur harga cache pada Opus 5 memberi ruang penghematan yang cukup besar. Penulisan cache dikenai premi 25 persen, sementara pembacaan cache mendapat diskon 90 persen dengan masa hidup lima menit.

Pola yang paling menguntungkan adalah prompt sistem stabil ditambah dokumen rujukan yang jarang berubah. Percakapan berlapis dengan konteks tetap dapat menekan biaya masukan secara berarti, selama jeda antar-permintaan berada dalam masa hidup cache.

Jeda lima menit itu memerlukan perencanaan pada alur kerja batch. Pekerjaan yang menganggur lebih lama perlu menyusun ulang urutan panggilan agar cache tidak kedaluwarsa sebelum dipakai.

Menyusun Strategi Multi-Model Ketimbang Bergantung pada Peringkat Satu

Sebaran hasil pada papan peringkat memperlihatkan spesialisasi yang makin tajam. Model tercepat bukan model terpintar, model termurah bukan model paling andal, dan model dengan jendela konteks terbesar bukan model dengan skor penalaran tertinggi.

Perbedaan tersebut membuka peluang perutean berbasis jenis tugas. Pola yang umum dipakai membagi lalu lintas ke tiga jalur.

Jalur	Karakter tugas	Kriteria pemilihan model
Jalur cepat	Klasifikasi, ekstraksi sederhana, pemformatan	Latensi rendah, harga per token minimum
Jalur standar	Ringkasan, tanya jawab dokumen, draf konten	Keseimbangan biaya dan kualitas, effort menengah
Jalur berat	Analisis panjang, agen coding, laporan multi-berkas	Skor tertinggi pada benchmark relevan, effort tinggi

Dengan pembagian seperti itu, kenaikan peringkat satu model tidak memaksa perubahan arsitektur. Yang berubah hanya konfigurasi pada jalur tertentu.

Beberapa model open weights juga masuk pertimbangan pada jalur cepat dan standar. Pemimpin kategori open weights saat ini mencatat skor 51 pada indeks kecerdasan, dengan hampir separuh dari 170 model terdaftar berstatus open weights.

Angka itu memberi opsi bagi organisasi dengan kebutuhan residensi data ketat. Model yang dapat dijalankan sendiri menghilangkan pertanyaan pengiriman dokumen ke pihak ketiga, meski menambah beban operasional infrastruktur.

Membaca Tren Rilis Model Selama Kuartal Terakhir

Kecepatan rilis pada beberapa bulan terakhir menjelaskan mengapa peringkat berubah begitu cepat. Anthropic sendiri melepas empat model dalam kurun kurang dari dua bulan, yaitu Mythos 5, Fable 5, Sonnet 5, kemudian Opus 5.

Catatan rilis dari pesaing juga padat pada periode yang sama. Kimi K3 masuk papan peringkat pada 57 poin, Grok 4.5 pada 54, sedangkan keluarga GPT-5.6 mengisi beberapa posisi papan atas dengan tingkat effort berbeda.

Pola tersebut mengubah cara penyusunan anggaran. Kontrak tahunan yang mengikat satu model berisiko tertinggal dari model yang lebih murah dengan kualitas setara dalam hitungan bulan.

Beberapa kebiasaan yang membantu tim tetap sinkron dengan perubahan:

Menetapkan satu penanggung jawab yang memantau pembaruan papan peringkat dan catatan rilis setiap bulan.
Menyimpan hasil uji internal beserta tanggal dan konfigurasi, sehingga perbandingan lintas waktu tetap valid.
Menetapkan ambang penghematan tertentu sebagai pemicu evaluasi ulang, misalnya penurunan biaya per tugas di atas 30 persen.
Menjaga lapisan abstraksi model agar penggantian tidak menyentuh kode aplikasi.

Rujukan resmi tetap menjadi sumber paling stabil untuk angka harga dan batas teknis. Halaman pengumuman resmi Anthropic memuat rincian rilis, sementara metodologi pengukuran independen dijelaskan pada halaman evaluasi Artificial Analysis.

Konteks yang Menentukan Nilai Peringkat bagi Tim Teknis

Selisih satu poin pada indeks komposit jarang terasa pada produk akhir. Yang terasa adalah biaya bulanan, waktu tunggu pengguna, dan frekuensi jawaban yang perlu dikoreksi manusia.

Tiga metrik itu tidak muncul pada papan peringkat mana pun. Keduanya hanya terlihat setelah model dijalankan pada data dan pola permintaan milik organisasi sendiri.

Data cakupan benchmark juga mengingatkan bahwa gambaran publik masih jauh dari lengkap. Salah satu agregator mencatat baru 79 dari 369 benchmark yang dilacak memiliki skor terpublikasi untuk Opus 5, dengan tujuh dari delapan kategori terukur dan kategori kepatuhan instruksi belum tersentuh sama sekali.

Kekosongan pada kategori kepatuhan instruksi cukup berarti untuk alur kerja terstruktur. Aplikasi yang menuntut keluaran JSON valid atau format tetap perlu menguji sendiri, karena bukti publiknya belum tersedia.

Perbandingan peringkat pun sebaiknya membedakan status bukti. Skor yang dilaporkan penyedia model dan skor hasil pengujian independen tidak layak diletakkan pada baris tabel yang sama tanpa keterangan.

Kesimpulan

Posisi puncak Claude Opus 5 pada Artificial Analysis Intelligence Index dengan skor 61 memang layak dicatat, tetapi jaraknya terhadap Claude Fable 5 dan GPT-5.6 Sol hanya satu sampai dua poin. Nilai sebenarnya dari rilis ini bukan pada urutan tabel, melainkan pada kombinasi harga token yang tidak berubah dari Opus 4.8, lima tingkat effort yang memberi kendali atas anggaran penalaran, dan lonjakan besar pada pekerjaan pengetahuan agentic seperti GDPval-AA v2 dan AA-Briefcase.

Karakteristiknya juga membawa kompromi yang jelas. Tingkat halusinasi yang naik hingga sekitar 50 persen pada AA-Omniscience, latensi puluhan detik pada effort maksimal, serta waktu 25 menit atau lebih per tugas kompleks membuat model ini lebih cocok untuk analisis panjang dan agen coding daripada percakapan waktu nyata. Pembumian pada sumber terpercaya dan instruksi penolakan yang tegas bukan lagi pelengkap pada arsitektur seperti ini.

Yang lebih tahan lama daripada peringkat itu sendiri adalah cara membacanya. Memisahkan benchmark per kategori, menghitung biaya per tugas alih-alih harga per token, mencatat konfigurasi effort dan harness pada setiap pengukuran, serta menjaga lapisan abstraksi model membuat pergantian pemimpin papan peringkat menjadi peristiwa konfigurasi, bukan proyek migrasi. Rincian metodologi pada dokumentasi evaluasi Artificial Analysis berguna sebagai acuan saat menyusun standar internal.

Langkah paling produktif bagi tim yang sedang menimbang perpindahan adalah menjalankan dua puluh hingga lima puluh kasus nyata pada tiga tingkat effort, lalu membandingkan biaya, latensi, dan tingkat koreksi manusia dengan model yang sedang dipakai. Data internal semacam itu bertahan lebih lama daripada snapshot papan peringkat mana pun, dan pada akhirnya angka itulah yang menentukan pilihan.

Referensi

Artificial Analysis. (2026). LLM Leaderboard.

BenchLM. (2026). Artificial Analysis Intelligence Index Leaderboard (July 2026): Claude Opus 5 Leads.

Zeli. (2026). Opus 5 Tops Artificial Analysis Intelligence Leaderboard Across Key Metrics.

Artificial Analysis. (2026). Artificial Analysis Intelligence Index.

AIToolly. (2026). Claude Opus 5 Tops Artificial Analysis Intelligence Index.

LinkedIn. (2026). Claude Opus 5 is the new leader on our agentic knowledge work benchmark.

LinkedIn. (2026). Claude Opus 5 is narrowly the most intelligent model on the Artificial Analysis Intelligence Index.

BenchLM. (2026). Claude Opus 5 Benchmarks, Pricing and Speed (July 2026).

Hugging Face. (2026). Artificial Analysis LLM Leaderboard.

LLM Stats. (2026). AI Leaderboard 2026: Compare and Rank 300+ Top AI Models by Intelligence, Speed and Price.

Fello AI. (2026). Claude Opus 5: Pricing, Benchmarks and Effort Setting.