Claude Fable 5.1 berhasil mengamankan posisi puncak dengan raihan skor 83,4 poin. Capaian tersebut diperoleh setelah melalui evaluasi ketat pada berbagai aspek, mulai dari kemampuan penalaran, pemrograman, matematika, hingga pemahaman bahasa.
Daftar lengkap 20 model AI terkuat dan terkencang 2026 versi LiveBench:
-Claude Fable 5.1 (Anthropic): 83,4 poin
-Claude Opus 5.5 (Anthropic): 83,2 poin
-Claude Fable 5 (Anthropic): 83,0 poin
-GPT-6 Astra (OpenAI): 82,2 poin
-GPT-6.1 Sol (OpenAI): 81,6 poin
-Muse Spark 1.3 (Meta): 81,6 poin
-DeepSeek V4.1 Flash (DeepSeek): 81,1 poin
-GPT-5.6 Sol (OpenAI): 81,0 poin
-GPT-5.5 Thinking (OpenAI): 80,2 poin
-Claude Opus 5 (Anthropic): 80,1 poin
-GPT-6 Sol (OpenAI): 79,3 poin
-Kimi K3 (Moonshot): 79,2 poin
-Gemini 3.7 (Google): 78,8 poin
-Qwen 3.8 (Alibaba): 78,5 poin
-Grok 4.6 (xAI): 78,0 poin
-GPT-5.4 (OpenAI): 78,0 poin
-Muse Spark 1.2 (Meta): 78,0 poin
-GPT-5.6 Terra (OpenAI): 77,9 poin
-Claude Sonnet 5.5 (Anthropic): 77,8 poin
-DeepSeek V4 Pro (DeepSeek): 77,4 poin
Performa Terbaik berdasarkan Kategori Evaluasi
Selain skor keseluruhan, LiveBench membedah keunggulan tiap model AI berdasarkan kategori pengujian spesifik.
Pada kategori penalaran (reasoning), GPT-6 Astra unggul di posisi teratas dengan skor 92,7 poin, diikuti GPT-6.1 Sol (92,6 poin) dan Claude Opus 5.5 (92,2 poin). Sementara itu, Claude Opus 5.5 memimpin segmen pemrograman (coding) dengan skor 89,3 poin, disusul Claude Sonnet 5.5 (88,9 poin) dan Claude Fable 5.1 (86,4 poin).
Untuk kriteria agentic coding, DeepSeek V4.1 Flash menempati peringkat pertama lewat raihan 77,3 poin. Pada pengujian matematika, Claude Opus 5.5 mencatatkan skor tertinggi sebesar 97,1 poin, menempel ketat Claude Fable 5.1 yang mengantongi 97,0 poin.
Kategori analisis data dipimpin oleh GPT-6 Astra dengan skor 83,0 poin, diikuti GPT-6.1 Sol (82,7 poin). Adapun pada aspek pemahaman bahasa, Claude Fable 5 menempati urutan teratas dengan skor 90,7 poin, disusul GPT-6.1 Sol (90,1 poin). Untuk kategori instruction following, Gemini 3.8 Flash berada di posisi terdepan dengan skor 81,4 poin.
Metodologi Pengujian LiveBench
LiveBench mengumpulkan data pengujian dari beragam sumber terkini untuk memastikan hasil evaluasi tetap relevan. Sumber yang digunakan mencakup makalah ilmiah, berita terbaru, hingga rincian informasi media hiburan seperti sinopsis film di IMDb.
Setiap pertanyaan yang diajukan kepada model AI telah melalui proses kurasi ketat guna memicu respons yang akurat. Jawaban AI kemudian dinilai secara sistematis untuk menghasilkan skor akhir. Untuk menjaga pembaruan standar evaluasi, LiveBench memperbarui bank soal secara berkala setiap enam bulan sekali.
(Nur Aldiansyah Amirulloh)
