#opg $OPG Beberapa hari yang lalu, saya melakukan pengujian di chat.opengradient.ai milik @OpenGradient . Saya meminta beberapa model menulis analisis tentang dampak penguncian (token unlock) terhadap likuiditas/peredaran, berdasarkan prompt yang saya tulis dengan cukup “menjebak”. Prompt yang sama, respons dari beberapa model arus utama ternyata sangat berbeda—saya benar-benar terkejut.
Pertama, soal Gemini. Jawabannya paling mirip seperti laporan riset: struktur rapi, poin data inti disusun dengan jelas, tapi dibaca seperti sedang mengulang buku pelajaran. Sebaliknya, Claude lebih lancar—logika komunikasinya sangat paham, ritme kalimat pendek dan panjangnya pas sekali, cocok untuk langsung ditempel ke PPT. Jawaban Grok paling singkat, tetapi akan menyelipkan topik hangat yang relevan dari X pada saat itu, sehingga nuansanya sangat “real-time”; namun kedalamannya agak kurang. ByteDance Seed paling tepat dalam menangkap istilah-istilah berbahasa Mandarin; beberapa ekspresi lokal yang tidak ditangkap oleh model lain, justru bisa ditangkap dengan baik.
Yang paling menarik menurut saya adalah saya bisa “pindah-pindah” di dalam satu percakapan yang sama. Saya mulai dengan Gemini untuk membangun kerangka, lalu meminta Claude untuk menyempurnakan bahasanya, dan terakhir Grok menambahkan satu kalimat latar belakang yang sifatnya real-time. Prosesnya tidak perlu bolak-balik membuka halaman, dan prompt saya tidak meninggalkan “fragmen” di berbagai platform.
Dulu, untuk kondisi seperti ini saya harus membuka tiga atau empat tab browser—setiap platform menyimpan riwayat pertanyaan saya. Setelah digabung ke satu jendela, banyak hal jadi lebih mudah. Selain itu, enkripsi adalah bawaan. Platform tidak bisa melihat model mana yang saya bandingkan, dan mereka juga tidak tahu saya sedang meneliti ritme unlock token yang mana.
Pada dasarnya, tidak ada AI yang benar-benar sempurna. Sulit bagi satu model untuk sekaligus mengutamakan ketelitian, mudah dibaca, dan ketepatan waktu. Sekarang, kita bisa membagi peran mereka sesuai kebutuhan—dan jalur berpikir saya juga tidak akan tersimpan/diparsikan sebagai arsip oleh platform mana pun.
Kalian pernah coba ya: mengajukan pertanyaan yang sama ke beberapa model berbeda, lalu menyusun satu jawaban yang paling lengkap dari gabungan semuanya?
Pertama, soal Gemini. Jawabannya paling mirip seperti laporan riset: struktur rapi, poin data inti disusun dengan jelas, tapi dibaca seperti sedang mengulang buku pelajaran. Sebaliknya, Claude lebih lancar—logika komunikasinya sangat paham, ritme kalimat pendek dan panjangnya pas sekali, cocok untuk langsung ditempel ke PPT. Jawaban Grok paling singkat, tetapi akan menyelipkan topik hangat yang relevan dari X pada saat itu, sehingga nuansanya sangat “real-time”; namun kedalamannya agak kurang. ByteDance Seed paling tepat dalam menangkap istilah-istilah berbahasa Mandarin; beberapa ekspresi lokal yang tidak ditangkap oleh model lain, justru bisa ditangkap dengan baik.
Yang paling menarik menurut saya adalah saya bisa “pindah-pindah” di dalam satu percakapan yang sama. Saya mulai dengan Gemini untuk membangun kerangka, lalu meminta Claude untuk menyempurnakan bahasanya, dan terakhir Grok menambahkan satu kalimat latar belakang yang sifatnya real-time. Prosesnya tidak perlu bolak-balik membuka halaman, dan prompt saya tidak meninggalkan “fragmen” di berbagai platform.
Dulu, untuk kondisi seperti ini saya harus membuka tiga atau empat tab browser—setiap platform menyimpan riwayat pertanyaan saya. Setelah digabung ke satu jendela, banyak hal jadi lebih mudah. Selain itu, enkripsi adalah bawaan. Platform tidak bisa melihat model mana yang saya bandingkan, dan mereka juga tidak tahu saya sedang meneliti ritme unlock token yang mana.
Pada dasarnya, tidak ada AI yang benar-benar sempurna. Sulit bagi satu model untuk sekaligus mengutamakan ketelitian, mudah dibaca, dan ketepatan waktu. Sekarang, kita bisa membagi peran mereka sesuai kebutuhan—dan jalur berpikir saya juga tidak akan tersimpan/diparsikan sebagai arsip oleh platform mana pun.
Kalian pernah coba ya: mengajukan pertanyaan yang sama ke beberapa model berbeda, lalu menyusun satu jawaban yang paling lengkap dari gabungan semuanya?