Alibaba dan DeepSeek Dorong Persaingan Model AI China ke Ara...

Persaingan di antara pengembang AI China memasuki babak baru: bukan sekadar adu ukuran model, tetapi juga adu biaya menjalankannya (inference cost). Menurut laporan AI News (5 Agustus 2026), Alibaba meluncurkan model terbesarnya sejauh ini, Qwen3.8-Max, sementara DeepSeek menarik perhatian lewat V4-Flash yang dibanderol lebih murah dari sejumlah sistem pesaing.

Qwen3.8-Max: raksasa yang tetap efisien

Alibaba menyebut Qwen3.8-Max memiliki 2,4 triliun parameter dan menggunakan arsitektur mixture-of-experts — pendekatan yang hanya mengaktifkan sebagian model untuk tiap permintaan. Dengan sekitar 95 miliar parameter aktif pada satu waktu, biaya dan jeda respons bisa ditekan dibandingkan mengaktifkan seluruh model sekaligus.

Model ini bisa memproses teks, gambar, dan video, serta mendukung konteks hingga satu juta token. Alibaba juga mengeklaim model ini menyelesaikan sebuah proyek rekayasa perangkat lunak dalam rentang 16 hari.

Dari sisi harga, Qwen3.8-Max dipatok sekitar $2 per satu juta token input dan $6 per satu juta token output. Sebagai perbandingan, Kimi K3 dari Moonshot AI — yang ukurannya setara, yakni 2,8 triliun parameter dengan sekitar 104 miliar parameter aktif — dibanderol $3 dan $15.

Setelah rilis, Qwen3.8-Max sempat menempati posisi teratas untuk model teks China di platform pembanding Arena.AI, meski secara keseluruhan masih di bawah beberapa model Anthropic. Untuk kategori analisis gambar dan materi visual, ia menduduki peringkat kedua, di belakang sebuah varian Anthropic Claude Fable 5.

DeepSeek V4-Flash: menekan harga inference

DeepSeek mengambil jalan berbeda. Alih-alih mengejar skala terbesar, ia memasang harga di bawah banyak sistem AI populer. Menurut firma riset Artificial Analysis, V4-Flash memiliki 284 miliar total parameter dengan 13 miliar parameter aktif saat inference, serta jendela konteks satu juta token.

Harganya sekitar $0,14 per satu juta token input dan $0,28 per satu juta token output. Untuk versi Max Effort, tersedia pula tarif cache-hit sebesar $0,003 per satu juta token — sekitar 98% lebih murah dari tarif input standarnya. Tarif cache ini berlaku untuk konteks yang sudah pernah diproses dan bisa dipakai ulang pada permintaan berikutnya.

Efeknya terasa dalam pengujian. Dikutip dari Reuters, Artificial Analysis memperkirakan biaya rata-rata V4-Flash hanya sekitar tiga sen per pengujian — dibandingkan 86 sen untuk Kimi K3, $1,86 untuk GPT-5.6 Sol milik OpenAI, dan $3,15 untuk Claude Fable 5 milik Anthropic. Versi penalaran Max Effort dari V4-Flash mendapat skor 40 pada Intelligence Index, dengan laju keluaran sekitar 118 token per detik.

Harga token hanya sebagian dari cerita

Satu poin penting: ukuran model saja tidak menentukan biaya inference. Arsitektur, jumlah parameter aktif, konsumsi token, dan berapa kali model harus dipanggil untuk merampungkan satu tugas semuanya ikut memengaruhi biaya nyata.

Kimi K3 menjadi contoh bagus. Meski tarif API-nya $3 (input) dan $15 (output), pada tolok ukur AA-Briefcase untuk pekerjaan berbasis agen, model ini rata-rata menghabiskan $10,57 per tugas — menghasilkan sekitar 120.000 token output dan memakai rata-rata 83 giliran interaksi per tugas. Artinya, tarif per token yang rendah belum tentu berujung pada biaya tugas yang rendah bila model menghasilkan lebih banyak keluaran atau butuh lebih banyak interaksi.

Bobot terbuka menambah opsi penerapan

Faktor lain yang membentuk biaya adalah cara model didistribusikan. Alibaba, DeepSeek, dan Moonshot AI sama-sama menyediakan rilis open-weight di samping akses API terkelola. DeepSeek V4-Flash, misalnya, tercatat sebagai model open-weight berlisensi MIT dengan bobot tersedia lewat Hugging Face, sementara Kimi K3 dirilis dengan lisensi milik Moonshot AI sendiri.

Model dengan bobot terbuka memungkinkan pengembang menjalankan model di infrastruktur mereka sendiri atau lewat penyedia pihak ketiga, tidak bergantung pada satu layanan inference terkelola. Pendekatan ini berbeda dari model utama OpenAI, Anthropic, dan Google yang umumnya menutup bobot modelnya.

Menurut Lian Jye Su, kepala analis di Omdia, banyak alur kerja bisnis tidak selalu membutuhkan model terbaik di industri — yang mereka butuhkan adalah model yang cukup baik, terjangkau, transparan, dan mudah diakses, dan di sinilah model open-weight berperan.

Penutup

Gambaran yang muncul dari rilis-rilis terbaru ini jelas: arena kompetisi AI China bergeser dari sekadar "siapa yang paling besar" menjadi "siapa yang paling hemat untuk dijalankan". Kombinasi arsitektur efisien, harga token yang agresif, dan opsi bobot terbuka membuat biaya menjadi medan persaingan yang sama pentingnya dengan performa.

Artikel ini dirangkum dari laporan AI News, "Alibaba, DeepSeek push China's AI model race towards lower costs" (Muhammad Zulhusni, 5 Agustus 2026), dengan data dari Artificial Analysis, Reuters, dan Omdia.