Muse Glimmer vs DeepSeek V4 Pro: Dua Kutub Bobot Terbuka

Di suatu tempat dalam cetakan halus rilis DeepSeek V4 Pro, ada angka yang seharusnya mengganggu siapa pun yang menganggap "bobot terbuka murah" dan "hebat dalam pengkodean agenik" adalah hal yang sama. Pada DeepSWE, tolok ukur bebas kontaminasi yang dirancang untuk melawan manipulasi data pelatihan yang melanda evaluasi rekayasa perangkat lunak, DeepSeek V4 Pro — andalan Mixture-of-Experts dengan 1.6 triliun parameter yang dirilis pada 24 April 2026 di bawah MIT — mencetak skor 8 persen. GPT-5.5 mencetak 70 pada tes yang sama; Claude Opus 4.7 mencetak 54. Ini adalah titik data independen paling merusak yang melekat pada kisah model murah paling sukses di industri ini, dan hal ini penting bagi pertarungan ini karena Muse Glimmer, model agen bobot terbuka 30B milik Meta yang dirilis pada 10 Agustus 2026 di bawah Apache 2.0, adalah model bobot terbuka yang seluruh ringkasan desainnya adalah pekerjaan agenik jangka panjang yang diukur DeepSWE — dan satu-satunya skor yang dimilikinya sejauh ini dijalankan oleh perusahaan yang membuatnya.

Jadi ini adalah perbandingan antara dua model di ujung yang berlawanan dari spektrum open-weights, dalam lebih banyak hal daripada sekadar ukuran. Yang satu adalah MoE pusat data yang Anda sewa dengan harga yang sangat murah. Yang lainnya adalah unduhan desktop yang tidak memakan biaya apa pun selain GPU. Yang satu memiliki rekam jejak independen yang mencakup hasil agentik yang katastropik. Yang lainnya tidak memiliki rekam jejak independen sama sekali. Tulisan ini meluruskan keduanya dan membiarkan kesenjangan antara "yang dilaporkan vendor" dan "yang ditunjukkan secara independen" yang berbicara.

Angka yang seharusnya mengganggumu

DeepSWE layak dipahami sebelum melihat angka-angka utamanya, karena ini adalah pengujian yang tidak memberi penghargaan pada hal yang bisa dihafal. Pengujian ini dirancang untuk menghindari kontaminasi — praktik mengevaluasi data yang sudah dilihat model saat pelatihan — dan menjalankan tugas-tugas rekayasa perangkat lunak dunia nyata yang panjang, yang membutuhkan eksekusi multi-langkah yang berkelanjutan, bukan pengenalan pola. Angka 8 persen DeepSeek V4 Pro di sana bukan opini; itu adalah hasil terukur dari evaluasi independen, dan itu adalah gambaran yang sangat berbeda dari gambaran yang dilukiskan tabel vendor itu sendiri, di mana model yang sama mencatat 80,6 pada SWE-bench Verified, 93,5 pada LiveCodeBench, dan rating Codeforces 3.206 yang mengungguli 3.168 milik GPT-5. Kesenjangan antara dua gambaran tersebut adalah inti dari mengapa 'bobot terbuka, token murah' dan 'pandai coding agenik' harus diverifikasi secara terpisah.

Muse Glimmer tidak memiliki skor DeepSWE. Tidak ada skor independen dalam bentuk apa pun — model ini dirilis pagi ini, dan seluruh tabel benchmark-nya adalah milik Meta sendiri, dijalankan Meta terhadap setup rival yang diakuinya tidak ia sesuaikan. Label yang jujur untuk setiap angka Glimmer dalam tulisan ini adalah laporan vendor. Akan tetapi, desain model ini diarahkan tepat pada mode kegagalan yang diekspos DeepSWE: pemulihan kegagalan otonom, rencana multi-langkah, serta penggunaan alat dalam jangka panjang. Apakah desain itu bertahan ketika menghadapi uji independen adalah pertanyaan terbuka dalam pertarungan ini, dan belum ada yang bisa menjawabnya.

Dua ujung beban terbuka

Mulailah dengan apa arti "terbuka" bagi masing-masing, karena keduanya tidak sama. DeepSeek V4 Pro adalah MoE dengan total parameter 1,6T dan sekitar 49 miliar parameter aktif per token, jendela konteks 1 juta token, hingga 384 ribu token keluaran, serta masukan teks saja — tanpa visi. Bobotnya berlisensi MIT bebas diambil, tetapi hosting mandiri adalah proyek pusat data: checkpoint BF16-nya berukuran orde terabyte, jadi dalam praktiknya DeepSeek V4 Pro adalah sesuatu yang Anda sewa, melalui API DeepSeek atau pihak ketiga. Muse Glimmer adalah model padat 30 miliar parameter, multimodal — teks plus gambar melalui encoder persepsi — di bawah Apache 2.0, yang checkpoint empat bitnya beserta drafter DFlash-nya muat dalam sekitar 19,5 GB. Satu adalah model berbobot terbuka yang Anda terapkan; yang lain adalah model berbobot terbuka yang Anda unduh dan jalankan pada satu kartu 24 GB atau 32 GB, atau Mac seri-M kelas atas. Keduanya benar-benar bobot terbuka. Hampir tidak ada hal lain yang sama tentang cara Anda menggunakannya.

Kepribadian ganda raksasa itu

Kekuatan DeepSeek V4 Pro adalah benchmark yang terisolasi. Matematika dan pengetahuan: GPQA Diamond 90.1, AIME 2026 96.4, MMLU-Pro 87.5. Coding dalam lingkungan terkendali: SWE-bench Verified 80.6, LiveCodeBench 93.5. Uji needle-in-a-haystack konteks panjangnya juga kuat — 83.5 pada MRCR dengan 1 juta token, mengungguli Gemini 3.1 Pro pada pengujian tersebut. Namun pada baris-baris yang mengukur eksekusi agen yang berkelanjutan, gambaran menjadi retak. Terminal-Bench 2.0 mencapai 67.9, penggunaan alat di Toolathlon 51.8, dan peringkat agregator independen menempatkan build standar di tengah-tengah pada kategori agen dan coding, bahkan ketika angka penalaran tetap berada di dekat puncak. Hasil DeepSWE 8 persen adalah keretakan yang dibawa ke titik ekstrem.

Tabel laporan vendor Muse Glimmer menunjukkan arah sebaliknya: baris terkuatnya adalah yang bersifat agentik. MCP-Atlas 75.5, DeepSearch QA 74.6, GAIA2 43.3, SWE-bench Verified 76.0, SWE-bench Pro 51.2, Terminal-Bench 2.1 51.7. Dibandingkan dengan angka-angka verifikasi koder DeepSeek — 80.6 SWE-bench Verified, 93.5 LiveCodeBench, 90.1 GPQA Diamond — Glimmer kalah di hampir setiap baris yang dianggap penting oleh tabel tolok ukur. Model-model tersebut unggul dalam hal yang berbeda-beda, dan jenis hal yang diklaim Glimmer unggul justru merupakan jenis hal yang menurut catatan independen DeepSeek membuat pendekatan raksasa murah menjadi salah.

Berapa harga masing-masing, sejujurnya

Harga daftar publik DeepSeek V4 Pro adalah $1.74 per juta token input dan $3.48 per juta token output, dengan input cache-hit sekitar $0.145. Diskon permanen DeepSeek — yang awalnya diposisikan sebagai promosi lalu dipertahankan — menempatkan tarif efektif pada sekitar $0.44 untuk input dan $0.87 untuk output, cukup murah sehingga biaya per token hampir berhenti menjadi faktor penentu, dan cukup murah untuk menjelaskan mengapa ia menjadi pilihan default yang hemat bagi sebagian besar industri. Harga tersebut aktif melalui API milik vendor dan beberapa platform pihak ketiga, dan di OrcaRouter harga tersebut diteruskan dengan markup 0% — harga daftar penyedia, tanpa margin tambahan — sehingga penurunan harga DeepSeek terlihat di halaman model pada hari yang sama saat terjadi, yang merupakan cara yang jujur untuk membandingkannya dengan apa pun lainnya di katalog.

Muse Glimmer berbiaya nol per token, dan biaya yang sebenarnya adalah perangkat kerasnya: GPU 24GB atau 32GB dengan RTX 5090 sebagai titik acuan, atau Mac seri M dengan spesifikasi maksimal. Jika Anda memilikinya, biaya marjinal dari agen lokal yang selalu aktif hanyalah listrik. Jika tidak, GPU itulah pos biayanya — dan bagi banyak tim, pembelian sekali itu lebih murah daripada tarif diskon DeepSeek sekalipun selama masa pakai agen yang selalu aktif, sementara bagi yang lain, model per-token lebih unggul karena mereka menginginkan konteks 1M dan keluaran 384K yang tidak dapat ditampung oleh model lokal berukuran 19.5GB. Perbandingan harga baru menjadi jelas setelah Anda memutuskan lingkungan penerapan mana yang benar-benar Anda gunakan.

Politik di baliknya

Perlu menyebutkan konteksnya, karena konteks membentuk sejauh mana Anda harus mempercayai tabel dari masing-masing vendor. Esai Zuckerberg yang menyertai rilis Muse Glimmer, "The Future is for Everyone," secara eksplisit menyebut DeepSeek, bersama Qwen dan Moonshot, sebagai laboratorium model terbuka Tiongkok yang harus bersaing dengan rilis open-weight Amerika, dan menyerukan regulasi AI sumber terbuka AS yang lebih longgar. Meta memposisikan Glimmer sebagai jawaban domestik atas gelombang open-weight murah. Pembingkaian itu nyata, dan ini persis jenis situasi di mana benchmark yang dijalankan vendor layak mendapat skeptisisme paling tinggi — kedua belah pihak menjual narasi nasional bersama dengan modelnya. Penyeimbangnya adalah pengukuran independen yang sudah ada untuk DeepSeek (termasuk angka 8 persen), dan pengukuran independen yang belum ada untuk Glimmer.

Siapa yang harus menjalankan yang mana

Kedua model ini bukanlah pengganti satu sama lain, dan keputusannya pada dasarnya adalah persoalan batasan penyebaran yang berkedok tolok ukur. Jika beban kerja Anda sangat haus token dan haus konteks — input masif, keluaran panjang, matematika dan pengetahuan berskala besar — DeepSeek V4 Pro dengan tarif diskonnya adalah salah satu penawaran biaya-per-kapabilitas terbaik dalam katalog, dan hasil DeepSWE-nya yang 8 persen kurang penting untuk beban kerja yang bukan pengodean agenik berhorizon panjang. Jika beban kerja Anda adalah agen lokal yang selalu aktif — berfrekuensi tinggi, privat, interaktif, pemanggil alat — Muse Glimmer adalah bentuk jawabannya, dengan catatan bahwa klaim ageniknya masih sepenuhnya berasal dari laporan sendiri dan perlu diuji secara independen. Jika beban kerja Anda mencakup keduanya — dan sebagian besar stack agen nyata memang demikian — maka kedua model ini adalah dua tingkat dari satu sistem: 30B lokal untuk jalur cepat, privat, dan berfrekuensi tinggi, serta MoE sewaan untuk pekerjaan berat berkonteks panjang.

Apa yang akan menyelesaikan perbandingan ini, dalam urutan kecepatan kasar: hasil Glimmer independen pada tes horizon panjang yang bebas kontaminasi seperti DeepSWE, yang merupakan angka paling berguna yang hilang dari pertarungan ini; reproduksi independen kedua atas 8 persen DeepSeek untuk mengonfirmasi bahwa itu bukan kebetulan dari pengaturan; dan penyedia pertama yang meluncurkan endpoint Glimmer, yaitu saat pembagian lokal-dan-sewa berhenti bersifat hipotetis dan menjadi sesuatu yang bisa Anda sambungkan dengan satu kunci. Sampai saat itu, kesimpulan jujurnya singkat. DeepSeek V4 Pro adalah raksasa open-weights dengan kisah token murah yang terbukti dan kelemahan spesifik yang terukur. Muse Glimmer adalah pendatang baru open-weights yang seluruh tawarannya diarahkan pada kelemahan yang persis itu — dan satu-satunya bukti sejauh ini adalah ucapannya sendiri.