GPT-6.1 Sol vs Reflection Beam: Klaim Efisiensi 3–4×, dan Tabel Benchmark yang Melemahkannya

Angka paling menarik dalam Reflection Beam materi peluncuran bukanlah skor benchmark. Pengumuman Reflection pada 2026-10-05 menyatakan Beam berjalan dengan sekitar tiga hingga empat kali lebih sedikit FLOPs inferensi dibanding GLM 5.2 pada kualitas yang sebanding — klaim efisiensi, yang dibuat terhadap pesaing tertentu yang disebutkan namanya, di pasar di mana biaya per token adalah kendala yang sebenarnya dihadapi sebagian besar tim. Ini juga merupakan klaim yang tabel benchmark dari pengumuman yang sama justru mempersulit alih-alih mendukung: dalam tabel tersebut Reflection Beam mengalahkan GLM 5.2 pada beberapa suite dan tertinggal dari GLM 5.3, Kimi K3 dan lainnya pada DeepSWE, SWE-Bench Pro v2-Hard, SWE Atlas Codebase QnA, MCP Atlas, AutomationBench, BrowseComp dan DeepSearchQA. Bandingkan itu dengan GPT-6.1 Sol, rilis Open​AI pada 2026-09-29, dan Anda mendapatkan perbandingan antara model yang efisiensinya menjadi argumen dan model yang efisiensinya sudah dihargai, diukur, dan dipublikasikan.

Kedua model tersebut adalah rilis kelas frontier 2026 dari bulan Oktober dan akhir September, dan perbedaan dalam seberapa banyak yang dapat dikatakan tentang masing-masingnya merupakan inti artikel ini. Semua yang berikut ini berasal dari materi peluncuran Reflection, halaman model dan harga Open​AI, catatan katalog kami sendiri, dan pengukuran independen dari Artificial Analysis, yang dibaca pada 2026-10-12. Jika suatu angka berasal dari vendor sendiri dan belum ada yang mereproduksinya, kalimat yang memuatnya menyatakan demikian.

Apa itu Reflection Beam, sejauh yang diketahui siapa pun di luar Reflection

Beam adalah model mixture-of-experts dengan 501 miliar parameter dengan 23 miliar parameter aktif per token. Rasio itu adalah keputusan desain yang layak diperhatikan sebelum hal lain: MoE 501B/23B dibangun agar murah untuk dijalankan sebagai layanan, karena hanya sebagian kecil dari jaringan yang berjalan untuk token tertentu. Klaim efisiensi dalam pengumuman itu bukan kejutan yang ditempelkan begitu saja pada arsitektur — itu adalah tujuan yang dinyatakan oleh arsitektur tersebut.

• Parameter total dan aktif — 501B total, 23B aktif per token, mixture-of-experts.

• Modalitas — hanya teks. Tanpa visi, tanpa audio, tanpa input gambar.

• Konteks — 256.000 token di API beta, dengan output maksimum 128.000 token dan batas pengetahuan 2026-06-30.

• Bobot — belum dirilis. Reflection telah menyatakan bahwa bobot akan dipublikasikan di bawah Apache 2.0 pada akhir Oktober nanti, yang merupakan pertanyaan terbuka paling berdampak tentang model ini dan alasan peluncuran ini sebenarnya adalah pratinjau.

• Harga — tidak ada yang dipublikasikan. Tidak ada daftar tarif untuk API Beam, jadi tidak ada angka biaya untuknya yang muncul di mana pun dalam artikel ini, dan perbandingan apa pun yang dibangun berdasarkan perhitungan per token harus membiarkan kolomnya kosong.

• Benchmark independen — tidak ada. Artificial Analysis tidak memiliki baris untuk Reflection Beam, jadi setiap skor di bagian di bawah ini adalah hasil pengujian Reflection sendiri, dengan baseline milik Reflection sendiri yang disertakan.

Tabel vendor, dibaca dengan jujur

Reflection menerbitkan serangkaian perbandingan tolok ukur bersamaan dengan peluncuran, dan cara jujur untuk melaporkannya adalah dengan menyatakan apa yang ditunjukkannya di kedua arah, karena semua itu tidak menunjukkan satu arah saja.

• Di mana Beam unggul. Pada suite yang dipilih Reflection untuk menjadi sorotan utama, Beam mengungguli GLM 5.2 — model yang menjadi pembanding klaim efisiensi tersebut. Jika diterima apa adanya, itu adalah hasil yang nyata: keluaran yang lebih baik dengan biaya inferensi sekitar seperempat hingga sepertiga adalah posisi yang kuat bagi siapa pun yang melayani dalam volume besar.

• Di mana Beam kalah. Tabel yang sama menempatkan Beam di belakang GLM 5.3, Kimi K3, dan model-model terkini lainnya pada DeepSWE, SWE-Bench Pro v2-Hard, SWE Atlas Codebase QnA, MCP Atlas, AutomationBench, BrowseComp, dan DeepSearchQA. Itu bukan rangkaian pengujian pinggiran; itu adalah tolok ukur rekayasa perangkat lunak, penggunaan alat, dan riset mendalam yang menentukan apakah suatu model dapat digunakan sebagai agen otonom.

Dibaca bersama, tabel-tabel itu menyampaikan sesuatu yang koheren dan lebih sempit daripada "state of the art": Beam tampak sebagai rilis model terbuka yang kuat yang mengalahkan generasi sebelumnya di medan yang dipilih Reflection dan tidak mengalahkan generasi saat ini di medan agentic. Menjadi seperti itu adalah hal yang sah bagi sebuah model. Itu tidak sama dengan menjadi model terbaik yang tersedia untuk pekerjaan agentic, dan pembingkaian dalam pengumuman itu mengundang pembacaan yang lebih kuat.

Satu catatan struktural tentang angka efisiensi itu sendiri, karena itulah yang menjadi judul utamanya. Perbandingan FLOPs per token terhadap model lain adalah properti dari arsitektur dan konfigurasi penyajian, bukan properti dari kualitas hasil — dan FLOPs 3–4× lebih sedikit adalah angka hasil pengukuran vendor tanpa reproduksi independen. Itu alasan yang wajar untuk memperkirakan bahwa Beam murah untuk di-serve. Itu bukan bukti bahwa Beam murah untuk digunakan, dan perbedaan antara kedua hal itu adalah keseluruhan pembahasan biaya di halaman ini: model yang menghabiskan lebih banyak token untuk mencapai jawaban bisa jadi lebih murah per FLOP sekaligus lebih mahal per tugas.

Sisi yang dikirim dari perbandingan

Inilah asimetri yang hendak didokumentasikan oleh artikel ini. GPT-6.1 Sol resmi aktif di API OpenAI pada 2026-09-29. Model ini memiliki daftar tarif yang dipublikasikan — $2,00 per juta token input, $10,00 per juta output, $0,10 input cache, $2,50 penulisan cache — jendela konteks 1.050.000 token yang terdokumentasi, output maksimum 128.000 token, dan baris Intelligence Index independen sebesar 52 pada upaya penalaran maksimum dengan biaya menjalankan $0,72 per tugas.

Angka biaya itu adalah angka yang layak dijadikan pembanding terhadap klaim FLOPs Reflection. $0,72 per tugas bukanlah hitungan FLOPs dan bukan daftar tarif; itu adalah biaya pekerjaan tersebut ketika sudah selesai, diukur oleh pihak ketiga yang menjalankan model itu. Itulah angka yang harus dikalahkan agar argumen efisiensi Beam dapat diterima sebagai argumen pengadaan — dan Beam tidak memiliki angka yang setara, karena Beam tidak memiliki harga yang dipublikasikan dan tidak memiliki pengujian independen.

Dua perbedaan lainnya bersifat konkret dan dapat diperiksa hari ini:

• Konteks dan output — GPT-6.1 Sol mendokumentasikan 1.050.000 token konteks, dibandingkan 256.000 milik Beam dalam versi beta, dan keduanya membatasi output pada 128.000 token. Untuk pekerjaan berskala repositori atau kumpulan dokumen, itu adalah perbedaan empat kali lipat dalam seberapa banyak materi yang muat dalam satu panggilan.

• Modalitas — GPT-6.1 Sol menerima teks, gambar, dan berkas; Beam hanya teks. Jika pipeline Anda membaca tangkapan layar, pindaian, atau diagram, Beam bukan kandidat terlepas dari skornya.

Ketika Beam memiliki argumen yang secara struktural tidak dapat dijawab oleh GPT-6.1 Sol, argumen itu adalah argumen open-weights. Jika bobot Apache 2.0 hadir sesuai jadwal yang dijanjikan, model 501B/23B yang jumlah parameter aktifnya 23B menjadi kandidat self-hosting dengan cara yang tidak akan pernah bisa dilakukan model proprietary. Dua puluh tiga miliar parameter aktif adalah angka yang bisa dicerna oleh tim yang mumpuni; konteks 256.000 token dalam beta dan tidak adanya bobot yang dipublikasikan adalah alasan mengapa argumen itu harus menunggu rilis sebenarnya alih-alih diselesaikan saat peluncuran.

Siapa yang harus bertindak atas model yang mana, sekarang

Jawaban praktisnya berbeda-beda tergantung pada apa yang Anda beli, dan pembagiannya cukup jelas untuk dinyatakan secara langsung.

Jika Anda membutuhkan model yang siap produksi minggu ini untuk coding agentik, penggunaan tool, atau pekerjaan dokumen berkonteks panjang, model yang sudah tersedia adalah GPT-6.1 Sol dan keputusannya adalah soal harganya, bukan soal keberadaannya. Tarif outputnya adalah meter yang paling penting, tarif input cache-nya luar biasa rendah di $0,10 per juta, dan di atas 272.000 token input seluruh permintaan dihargai ulang ke atas — ambang batas yang layak diperhitungkan sebelum Anda menskalakan loop yang membaca prefiks besar. Model ini ada di katalog kami pada tarif daftar OpenAI dengan markup 0%, jadi tarif di kartu adalah tarif di faktur, dan perubahan harga vendor muncul di katalog pada hari yang sama, bukan setelah siklus pembaruan reseller: https://www.orcarouter.ai/models/openai/gpt-6.1-sol.

Jika minat Anda pada Beam adalah rilis open-weights, bukan API beta, hal yang perlu diperhatikan adalah publikasi Apache 2.0 yang dijanjikan Reflection untuk akhir bulan ini. Sampai bobotnya ada, setiap angka kemampuan dalam artikel ini berasal dari vendor, harganya tidak diketahui, dan baik rencana self-hosting maupun perbandingan biaya tidak dapat diselesaikan. Jika dirilis sesuai jadwal, Beam langsung menarik sebagai tier efisien dalam penyiapan dua model — dan itu adalah konfigurasi yang ditangani oleh satu endpoint dengan failover otomatis di lebih dari 200 model tanpa integrasi kedua, yang menjadi argumen untuk mencoba model yang belum terbukti pada lapisan perutean alih-alih mengabdikan jalur produksi padanya.

Reflection Beam bukan sesuatu yang kami sediakan. Ketika bobot dan API-nya dibuka dengan semestinya, ia akan tersedia, seperti kebanyakan rilis terbuka, di platform milik vendor sendiri dan beberapa layanan pihak ketiga — dan halaman ini akan layak ditulis ulang saat itu, karena dua hal yang saat ini tidak dapat dikatakannya, yakni berapa biaya Beam dan bagaimana skornya ketika dijalankan oleh pihak selain pembuatnya, justru adalah dua hal yang menjadi dasar jawabannya.