Khabaroo.com – Perlombaan membangun kecerdasan buatan (AI) semakin memanas. Kali ini, Alibaba mengirim sinyal kuat kepada para pesaingnya dengan meluncurkan Qwen 3.8 Max, model AI terbesar yang pernah di kembangkan perusahaan. Belum genap lama di perkenalkan, model tersebut langsung menduduki posisi teratas sebagai AI asal China dengan performa terbaik pada platform pemeringkatan Arena.AI untuk kategori model teks.
Pencapaian itu bukan sekadar soal gengsi. Di tengah persaingan ketat antara Alibaba, DeepSeek, Moonshot AI, OpenAI, hingga Anthropic, posisi puncak tersebut memperlihatkan bagaimana perusahaan-perusahaan AI kini berlomba meningkatkan kemampuan model sekaligus menekan biaya komputasi.
Qwen 3.8 Max Hadir dengan 2,4 Triliun Parameter
Qwen 3.8 Max di bangun menggunakan 2,4 triliun parameter, meningkat drastis di bandingkan Qwen 3.5 yang di rilis pada Februari 2026 dengan 397 miliar parameter. Dalam pengembangan AI, parameter merupakan komponen yang di pelajari model selama proses pelatihan untuk mengenali pola dan menghasilkan jawaban. Semakin banyak parameter, semakin besar pula kapasitas model dalam memproses informasi. Namun, jumlah parameter bukan satu-satunya penentu kualitas karena efisiensi arsitektur dan proses pelatihan juga berperan besar.
Secara ukuran, Qwen 3.8 Max kini berada sangat dekat dengan Kimi K3 besutan Moonshot AI yang memiliki sekitar 2,8 triliun parameter. Angka tersebut menempatkan Qwen sebagai salah satu model AI terbesar yang pernah di umumkan Alibaba.
Langsung Memimpin Peringkat AI China
Qwen 3.8 Max berhasil menguasai peringkat pertama model AI asal China di Arena.AI untuk kategori teks. Hasil ini menjadi indikator awal bahwa peningkatan kapasitas model berhasil di terjemahkan menjadi performa yang kompetitif. Kemampuan Qwen tidak berhenti pada pemrosesan teks. Untuk analisis gambar dan konten visual, model ini menempati posisi kedua, hanya berada di bawah salah satu varian Claude Fable 5 milik Anthropic.
Alibaba juga mengungkap bahwa Qwen 3.8 Max mampu menyelesaikan proyek software engineering yang berlangsung selama 16 hari. Meski demikian, perusahaan belum membuka rincian proyek maupun metode evaluasi yang digunakan sehingga klaim tersebut masih menunggu verifikasi lebih lanjut.
Arsitektur Baru Tekan Biaya Komputasi
Alibaba mengandalkan pendekatan mixture-of-experts (MoE). Melalui arsitektur ini, sistem hanya mengaktifkan sekitar 95 miliar parameter setiap kali menerima permintaan pengguna. Pendekatan tersebut di nilai lebih efisien karena tidak seluruh parameter di jalankan secara bersamaan. Dampaknya, kebutuhan komputasi dapat di tekan, waktu respons menjadi lebih cepat, dan biaya operasional lebih rendah di bandingkan model konvensional yang mengaktifkan seluruh parameternya.
Selain itu, Qwen 3.8 Max mendukung pemrosesan teks, gambar, dan video dengan kapasitas konteks hingga satu juta token. Kemampuan tersebut memungkinkan AI membaca dokumen yang sangat panjang, menganalisis basis kode dalam jumlah besar, hingga memproses ratusan halaman sekaligus dalam satu sesi.
DeepSeek Balas dengan AI Berbiaya Murah
Di tengah fokus Alibaba pada peningkatan performa, startup AI DeepSeek mengambil pendekatan berbeda. Perusahaan ini meluncurkan V4-Flash, model AI dengan biaya operasional yang lebih rendah. DeepSeek menetapkan tarif 0,14 dollar AS atau sekitar Rp2.524 per satu juta input token. Sementara itu, biaya untuk satu juta output token dipatok 0,28 dollar AS atau sekitar Rp5.048.
Berdasarkan analisis Artificial Analysis, rata-rata biaya penggunaan V4-Flash hanya sekitar 3 sen dollar AS atau sekitar Rp541 untuk satu kali pengujian. Sebagai pembanding, biaya rata-rata tugas serupa mencapai 86 sen dollar AS pada Kimi K3. Angka tersebut naik menjadi 1,86 dollar AS pada GPT-5.6 Sol milik OpenAI dan 3,15 dollar AS pada Claude Fable 5 buatan Anthropic.
Persaingan AI Kini Tak Lagi Soal Ukuran Model
Artificial Analysis menilai biaya penggunaan AI sebaiknya tidak hanya di hitung berdasarkan harga per token. Faktor yang lebih menentukan adalah jumlah token yang benar-benar di butuhkan model untuk menyelesaikan suatu tugas. Artinya, model dengan tarif murah belum tentu menjadi pilihan paling hemat apabila membutuhkan proses komputasi lebih panjang. Sebaliknya, model yang lebih mahal bisa saja lebih efisien jika mampu menyelesaikan pekerjaan dengan lebih sedikit token. Persaingan industri AI pun kini memasuki fase baru. Bukan hanya adu ukuran model atau jumlah parameter, tetapi juga perlombaan menghadirkan keseimbangan antara performa tinggi, efisiensi komputasi, dan biaya penggunaan yang semakin terjangkau.
(A/*)
