Model Terbanyak Dipakai Bukan yang Terpintar di Benchmark

Peringkat satu di halaman data OpenCode bukan Claude, bukan juga GPT. deepseek-v4-flash: 25T token, naik 23 persen [1]. Saya berhenti sejenak di angka itu karena kebiasaan saya selama ini memilih model persis kebalikannya: buka benchmark, lihat yang paling atas, pakai yang itu.

Ketika raja benchmark tidak jadi raja pemakaian

Dugaan saya saat itu: pasti data pemakainya yang aneh. Cek silang ke papan benchmark justru memperkuat kontrasnya. Vellum mencatat GPT-5.6 Sol di 96,2% untuk SWE-Bench, GPT-5.6 Luna 93%, MiniMax M3 80,5% [2]. Sementara pemakaian nyata di OpenCode dipimpin deepseek-v4-flash (25T), muse-spark-1.2-contributor (13T, naik 26%), dan mimo-v2.5 (9,6T, turun 25%) [1]. Model termahal-terpintar tidak otomatis jadi yang paling banyak dipakai. Itu dua papan skor yang mengukur dua hal berbeda: satu mengukur kemampuan maksimal di tugas terkontrol, satu lagi mengukur apa yang akhirnya dipercaya orang untuk pekerjaan harian.

Kenapa ini masuk akal? Karena pemakaian agregat adalah hasil voting pakai dompet dan waktu. Biaya per token, kecepatan, dan konteks ikut menentukan. GPT-5.6 Luna, misalnya, dibanderol 0,2 dolar input dan 1,2 dolar output per satu juta token dengan konteks 1.050.000 [2]. Angka seperti ini yang sering jadi penentu untuk pekerjaan iteratif, bukan selisih dua-tiga poin di papan skor.

Tiga sinyal yang sekarang saya baca sebelum pindah model

Pertama, volume plus momentum. deepseek-v4-flash naik 23% sementara mimo-v2.5 turun 25% [1]. Model yang menurun tajam biasanya ada alasannya, dan saya tidak perlu mengulang penyakit orang lain. Kedua, retensi mingguan, persentase pengguna yang kembali di minggu berikutnya. deepseek-v4-flash-vision-exp bertahan di 89,3%, muse-spark-1.2-contributor 85,7%, glm-5.3-flash 84,5%, sementara mimo-v2.5 cuma 71,9% [1]. Retensi itu ukuran kepuasan yang susah dipalsukan marketing; volume bisa naik gara-gara hype seminggu, retensi tidak. Ketiga, benchmark tetap saya pakai, tapi sebagai filter kualitas minimal, bukan tujuan akhir. DeepSeek V4 Flash misalnya mencatat 91,6% di LiveCodeBench [2] sambil duduk di peringkat satu pemakaian [1], kombinasi yang jauh lebih meyakinkan daripada skor tinggi tanpa pemakai.

Rekomendasi resmi itu titik mulai, bukan jawaban

Dokumentasi OpenCode bilang mendukung 75+ provider via AI SDK dan Models.dev, dan itu bagus untuk eksperimen [4]. Tapi daftar "recommended models" resminya pendek dan diberi catatan tidak pasti mutakhir [4]. Praktisi lain menulis pengalamannya: pengguna yang sukses biasanya pakai model Anthropic atau open source seperti Kimi K2.5 dan MiniMax, bukan selalu yang direkomendasikan dok [3]. Saya pernah mengalami hal serupa dengan model yang di-dok dicantumkan tapi di tangan saya sering nyangkut. Kesimpulan praktisnya sederhana: pakai daftar resmi untuk mempersempit, lalu validasi dengan data pemakaian dan uji kecil di repo sendiri sebelum komit.

Satu catatan lagi yang bikin saya senyum: Indonesia duduk di peringkat sembilan dunia pemakai OpenCode, 14T token atau sekitar 3% [1]. Komunitas lokal ini jelas tidak tinggal nonton.

Dengan catatan, semua angka di artikel ini adalah snapshot. Halaman datanya berubah terus; saya membukanya 3 September 2026 sekitar pukul 11.38 UTC [1]. Enam bulan lagi urutannya bisa saja kebalik semua. Justru itu intinya: angka yang benar hari ini tidak menjamin apa-apa kalau cara membacanya tidak dibawa.

Yang bikin cara baca ini practical: saya tidak perlu akun, tidak perlu key, cukup buka halamannya. Halaman itu juga menampilkan peringkat per provider dan pecahan geografi, jadi dalam satu kali buka saya bisa lihat tiga potret sekaligus. Untuk blog teknis seperti ini, angka yang bisa ditautkan ke sumber terbuka itu emang syarat mutlak; kalau tidak ada tautannya, saya tulis kualitatif saja.

Kalau ditarik ke keputusan harian: model dengan kombinasi usage besar, retensi tinggi, dan harga masuk akal itu kandidat default. Model dengan skor benchmark ekstrem tapi pemakai sedikit itu kandidat untuk tugas khusus, bukan pekerjaan sehari-hari. Dan model baru yang menembus peringkat dalam hitungan minggu layak diuji lebih awal, karena momentumnya menandakan sesuatu yang nyata, bukan cuma rilis pers.