MiniMax M3 vs Kimi K2.7 Code vs Nemotron 3 Ultra: Model AI Bobot Terbuka Terbaik 2026 Dibandingkan

Tiga model bobot terbuka raksasa muncul dalam selang dua minggu satu sama lain. Satu dari startup Shanghai yang belum dikenal siapa pun di luar lingkaran AI setahun lalu. Satu dari lab AI Beijing yang paling diperhatikan. Satu dari perusahaan yang membuat chip yang dipakai semua orang untuk menjalankan model mereka. Masing-masing bertaruh berbeda tentang apa yang paling penting bagi agen AI saat ini — dan ketiganya layak mendapat perhatian seriusmu.

---

---

Mengapa perbandingan ini penting sekarang

Kalau kamu mengikuti perkembangan AI bobot terbuka selama enam bulan terakhir, kamu sudah tahu cerita ini bergerak lebih cepat dari prediksi siapa pun. Kemampuan yang dua belas bulan lalu mengharuskan langganan Claude Opus seharga $15/juta token kini tersedia sebagai bobot yang bisa diunduh dan kamu jalankan di server sendiri.

Tapi Juni 2026 benar-benar lain. Dalam rentang dua belas hari, tiga rilis besar bobot terbuka muncul hanya berselang beberapa hari: MiniMax M3 pada 1 Juni, Nemotron 3 Ultra pada 4 Juni, dan — benar-benar kemarin — Kimi K2.7 Code pada 12 Juni. Secara keseluruhan, ketiganya bisa dibilang rentang dua minggu paling penting dalam sejarah AI sumber terbuka, dan masing-masing bertaruh secara arsitektural dan filosofis berbeda tentang apa yang harus bisa dilakukan agen AI generasi berikutnya.

Ini bukan sekadar rekap benchmark. Kita akan melihat bagaimana model-model ini benar-benar berperilaku di produksi: bagaimana hasilnya pada framework agen yang sungguh dipakai developer — OpenClaw, Hermes Agent, dan alur kerja VIBE Coding yang makin populer — serta di mana tiap model menghemat uang atau waktumu dan di mana ia diam-diam mengecewakanmu.

Mari mulai dari siapa sebenarnya model-model ini.

---

Para pesaing sekilas

Sebelum menyelam lebih dalam, ini ringkasan 30 detik tentang apa tiap model dan mengapa ia ada:

MiniMax M3 adalah langkah MiniMax yang berbasis di Shanghai untuk menjadi model bobot terbuka pertama yang benar-benar menggabungkan tiga hal sekaligus: kinerja coding kelas terdepan, jendela konteks satu juta token, dan multimodalitas asli — termasuk gambar, video, dan kendali komputer desktop. Model ini dirilis di bawah lisensi open-weights dengan harga langganan mulai $20/bulan.

Kimi K2.7 Code adalah rilis besar kelima Moonshot AI (Beijing) dalam waktu kurang dari setahun — peningkatan coding yang sangat terfokus pada K2.6 yang sudah impresif, memangkas penggunaan token penalaran sekitar 30% sekaligus mendorong benchmark agen utama naik secara berarti. Model ini muncul di Hugging Face kemarin dengan lisensi Modified MIT, berharga $0,95/$4,00 per juta token.

Nemotron 3 Ultra adalah jawaban NVIDIA atas pertanyaan: bagaimana kalau pembuat chip juga membangun modelnya? Dengan 550 miliar parameter, ia adalah model bobot terbuka paling mumpuni yang keluar dari lab berbasis di AS, mencetak 47,7 pada Artificial Analysis Intelligence Index — skor yang menempatkannya setingkat dengan Claude Opus 4.6 dan Kimi K2.6. Model ini dirilis 4 Juni di bawah lisensi OpenMDW-1.1 dari Linux Foundation.

Tiga model. Tiga kisah asal yang sangat berbeda. Semuanya layak dijalankan.

---

MiniMax M3

Siapa pembuatnya dan mengapa

MiniMax bukan nama yang familier bagi kebanyakan orang di luar lingkaran AI, tetapi di dalamnya, perusahaan yang berbasis di Shanghai ini makin sulit diabaikan. Mereka melantai di Bursa Saham Hong Kong pada Januari 2026, dan mereka telah membangun menuju M3 hampir sepanjang tahun. Tawarannya ambisius sampai nyaris agresif: M3 diposisikan sebagai model bobot terbuka pertama yang menggabungkan coding terdepan, jendela konteks satu juta token, dan multimodalitas asli dalam satu sistem — dan mereka meluncurkannya pada titik harga yang membuat harga model tertutup terlihat mahal.

Arsitektur: MiniMax Sparse Attention

Cerita teknis utamanya di sini adalah MiniMax Sparse Attention (MSA) arsitektur. Attention transformer standar bersifat kuadratik — setiap token memperhatikan setiap token lain, artinya menggandakan konteksmu kurang lebih melipatgandakan tagihan komputasimu. Pada satu juta token, hitungan itu menjadi brutal.

MiniMax membangun M3 di atas desain MSA barunya, yang memangkas komputasi per token pada konteks 1 juta token menjadi sekitar seperdua puluh generasi sebelumnya, dengan prefill lebih dari 9× lebih cepat dan decoding lebih dari 15× lebih cepat. Itu bukan peningkatan kecil. Itu perbedaan antara jendela konteks satu juta token sebagai spesifikasi teoretis dan sebagai sesuatu yang benar-benar bisa kamu rilis ke produksi tanpa tagihan GPU melonjak vertikal.

Model ini dibangun di atas MiniMax Sparse Attention (MSA), yang menggantikan attention penuh dengan pemilihan blok KV untuk memangkas komputasi per token pada konteks panjang, dengan prefill dan decode jauh lebih cepat sementara kualitas tetap terjaga di sebagian besar tugas.

Menariknya, MiniMax mematikan sparse attention pada generasi M2 dan menghadirkan kembali khusus untuk M3 — menandakan arsitekturnya sudah bekerja tetapi mereka butuh lebih banyak data pelatihan atau pekerjaan penyelarasan pasca-pelatihan agar kompetitif. M3 menunjukkan mereka sudah menemukan caranya.

Apa yang benar-benar membedakan M3

MiniMax merilis M3 yang memadukan kinerja coding dan agentic kelas terdepan dengan jendela konteks satu juta token dan multimodalitas asli, dengan biaya sebagian kecil dari model proprietary terkemuka.

Aspek multimodalitasnya layak diperhatikan sejenak. M3 tidak hanya menerima gambar — ia mencerna gambar, video, dan bisa mengoperasikan komputer desktop secara asli. Untuk alur kerja vibe coding di mana kamu memberi tangkapan layar sebuah UI dan berkata “buatkan ini untukku,” itu benar-benar berguna dengan cara yang tidak bisa dilakukan model coding berbasis teks saja.

MiniMax-M3 adalah model coding dan agentic multimodal terdepan MiniMax, dibangun di atas arsitektur MSA. Ia mendukung jendela konteks hingga 1 juta token dan menerima masukan gambar serta video. Model ini dirancang untuk pembuatan kode, alur kerja agentic, penggunaan alat, pemahaman konteks panjang, dan penalaran bertahap.

Benchmark VIBE: standar buatan MiniMax sendiri

Satu hal yang perlu dicatat: MiniMax tidak hanya merilis model — mereka merilis benchmark baru. Kerangka VIBE (Visual & Interactive Benchmark for Execution) adalah jawaban MiniMax atas apa yang mereka lihat sebagai celah dalam framework evaluasi yang ada. Berbeda dari benchmark tradisional seperti SWE-bench dan Terminal-bench, yang berfokus pada ketepatan kode statis atau penyelesaian tugas tingkat command line, VIBE secara otomatis mengevaluasi logika interaksi dan penyajian visual aplikasi yang dihasilkan dalam lingkungan eksekusi nyata, sehingga memberikan penilaian yang lebih setia pada pengalaman pengguna sebenarnya.

Ini benchmark yang menguntungkan pembuatnya sendiri, tentu — tetapi kritik dasarnya tidak salah. SWE-bench memberi tahu apakah sebuah model bisa menyelesaikan issue GitHub; ia tidak memberi tahu apakah model bisa membangun aplikasi web yang berjalan dan koheren secara visual dari sebuah tangkapan layar. M3 mencetak skor bagus di sini, yang masuk akal mengingat arsitektur multimodal aslinya.

Benchmark MiniMax M3

MiniMax M3 mencetak 59,0% pada SWE-Bench Pro, 66,0% pada Terminal-Bench 2.1, 34,8% pada SWE-fficiency, dan 83,5 pada BrowseComp. Angka BrowseComp khususnya mencolok — 83,5 menempatkannya di depan GPT-5.5 pada tugas penjelajahan web otonom, tepat jenis kemampuan yang kamu inginkan pada agen yang mengerjakan coding berat riset.

MiniMax M3 mencetak 59,0% pada SWE-Bench Pro, mengalahkan GPT-5.5 dan Gemini 3.1 Pro serta mendekati Claude Opus 4.7. Ia juga mencetak 66,0% pada Terminal Bench 2.1, 34,8% pada SWE-fficiency, 28,8% pada KernelBench Hard, dan 74,2% pada MCP Atlas.

Satu catatan yang perlu disebut: baseline pembanding MiniMax dalam materinya sendiri memakai Claude Opus 4.7, bukan Opus 4.8 yang dirilis lebih baru. Pembingkaian itu tidak keliru, tetapi developer yang menilai M3 terhadap batas atas benchmark saat ini sebaiknya memakai angka Opus 4.8, yang menempatkan M3 lebih jauh dari garis terdepan daripada yang tersirat dalam pengumuman peluncuran.

Tetap saja — 59% pada SWE-Bench Pro dari model bobot terbuka dengan konteks satu juta token itu luar biasa, dan data independen sebagian besar mengonfirmasi bahwa angka yang dilaporkan perusahaan berada di kisaran yang tepat.

Harga

Saat peluncuran, MiniMax M3 terdaftar di OpenRouter pada $0,60 per juta token masukan dan $2,40 per juta token keluaran, dengan diskon promosi sementara 50% yang membawanya ke sekitar $0,30 masukan dan $1,20 keluaran per juta token — sebagian kecil dari model tertutup terdepan seperti Claude Opus dan GPT-5.5.

Sebagai pembanding: Claude Opus 4.8 berjalan $5/$25 per juta token. M3 dengan harga promosi sekitar 1/20 dari biaya itu. Bahkan pada harga standar, angkanya sekitar 1/10. Kisah biayanya sama kuatnya dengan kisah kemampuannya.

---

Kimi K2.7 Code

Siapa pembuatnya dan mengapa

Moonshot AI meluncurkan kemarin — 12 Juni 2026 — dengan apa yang menjadi rilis besar kelima dalam waktu kurang dari setahun bagi perusahaan yang berbasis di Beijing ini, dan mereka memposisikan modelnya pada tiga pilar: kemampuan agentic, penanganan konteks yang diperluas, dan masukan multimodal. Keluarga Kimi K2 telah menjadi salah satu garis keturunan bobot terbuka yang paling diperhatikan pada 2026, dan K2.7 Code adalah iterasi paling tajamnya sejauh ini.

Perubahan nama itu bermakna. Ini pertama kalinya Moonshot mencantumkan “Code” secara eksplisit dalam nama model. Mereka tidak berpura-pura K2.7 adalah model serba guna — ia disetel untuk rekayasa, bukan obrolan umum, dan mereka ingin kamu tahu itu.

Arsitektur: fondasi satu triliun parameter yang sama, disetel lebih keras

Kimi K2.7 Code adalah model Mixture-of-Experts 1 triliun parameter dengan 32B parameter aktif per token dan 384 pakar, dengan jendela konteks 262.144 token yang diwarisi dari K2.6, plus kompresi konteks otomatis untuk sesi panjang yang berkelanjutan.

Arsitekturnya sendiri tidak berubah drastis dari K2.6 — masih kerangka MoE 1T yang membuat Kimi K2.6 menjadi model bobot terbuka peringkat teratas pada Artificial Analysis Intelligence Index awal tahun ini. Yang diwakili K2.7 Code adalah penyempurnaan terarah: sasis yang sama, dengan mesin yang disetel ulang khusus untuk alur kerja coding agentic.

Kimi K2.7 Code adalah model agentic berfokus coding dari Moonshot AI yang dibangun di atas Kimi K2.6. Ia meningkatkan penyelesaian tugas coding berhorizon panjang di dunia nyata, kemampuan mengikuti instruksi, dan efisiensi token sekaligus mengurangi penggunaan token berpikir sekitar 30% dibanding Kimi K2.6.

Pengurangan 30% token berpikir itu bukan hal kecil. Dalam sesi agen coding yang berjalan lama, di mana model berputar melalui ratusan giliran, token berpikir yang lebih sedikit berarti biaya lebih rendah dan waktu nyata lebih cepat. Kalau kamu menjalankan sesuatu seperti refactor seluruh repositori semalam suntuk, keuntungan efisiensi K2.7 dibanding K2.6 terakumulasi signifikan.

Apa yang sebenarnya ditingkatkan K2.7

Pengumuman Moonshot dibuka dengan tiga angka: +21,8% dibanding K2.6 pada Kimi Code Bench v2, +11,0% pada Program Bench, dan +31,5% pada MLS Bench Lite, disertai klaim penggunaan token penalaran sekitar 30% lebih rendah dibanding K2.6.

Ini angka pihak pertama, dijalankan pada rangkaian benchmark milik Moonshot sendiri. Catatan jujurnya, per 13 Juni 2026 — sehari setelah rilis — belum ada angka independen pihak ketiga untuk K2.7 pada rangkaian publik standar — SWE-bench Verified, SWE-bench Pro, Terminal-Bench, LiveCodeBench, GPQA Diamond, AIME, atau MMLU-Pro. Verifikasi itu akan datang dalam beberapa hari ke depan. Berdasarkan lintasan K2.6 (yang memang menghasilkan benchmark independen kompetitif), angka internalnya kemungkinan besar akurat secara arah.

Hasil independen-terdekat yang paling menonjol sejauh ini: K2.7-Code mencetak 81,1 pada MCP Mark Verified, mengalahkan 76,4% milik Claude Opus 4.8. Rangkaian itu menguji pemanggilan alat yang benar melalui Model Context Protocol — pemeriksaan CI, pembaruan tiket, dan penyuntingan berkas dalam satu putaran. Fakta bahwa model bobot terbuka kini mengalahkan Opus 4.8 pada penggunaan alat MCP adalah, dengan ukuran apa pun yang wajar, momen penting bagi AI sumber terbuka.

Kisah platform Kimi Code

Satu elemen yang kurang diliput dalam perbandingan model: K2.7-Code diluncurkan di dalam Kimi Code — agen terminal sumber terbuka Moonshot — dengan paket keanggotaan mulai $19/bulan. Moonshot secara eksplisit bersaing di seluruh tumpukan di sini: model, CLI, dan ekonomi langganan. Ini ekonomi Cursor-vs-Kimi, dan itu penting bagi tim yang menilai alur kerja coding AI mereka secara menyeluruh, bukan hanya model mentahnya.

CLI Kimi Code sendiri layak dicoba. Ia sadar shell, mendukung integrasi server MCP, dan lisensi sumber terbukanya berarti kamu tidak terkunci pada API Moonshot kalau ingin menghosting sendiri.

Kemampuan multimodal

Seperti M3, K2.7 Code tidak terbatas pada teks. Developer bisa mengunggah tangkapan layar, diagram, mockup produk, bahkan video dan meminta model menghasilkan kode berdasarkan itu semua. Ini membuatnya berguna untuk pengembangan frontend, men-debug masalah visual, dan merekayasa balik antarmuka. Kemampuan vision-nya nyata dan benar-benar berguna untuk tugas coding yang berpusat pada UI, meski cerita multimodal K2.7 sedikit lebih sempit daripada M3 (yang mencakup penggunaan komputer desktop).

Harga

Harga Kimi K2.7 Code adalah $0,95 per juta token masukan, $4,00 per juta token keluaran, dan $0,19 per juta pada cache hit, di API Moonshot. Bobot gratis tersedia di Hugging Face untuk menghosting sendiri.

Untuk model satu triliun parameter, masukan $0,95 sangat kompetitif. Harga keluaran ($4,00) lebih tinggi daripada M3 secara absolut, tetapi pengurangan 30% token penalaran K2.7 berarti biaya nyata per tugas yang diselesaikan bisa lebih rendah daripada yang disiratkan angka per token mentah. Harga sebaiknya dimodelkan terhadap beban kerjamu sendiri, bukan hanya terhadap tarif utama.

---

Nemotron 3 Ultra

Siapa pembuatnya dan mengapa

Inilah soal Nemotron 3 Ultra yang kurang ditekankan sebagian besar liputan: ini NVIDIA membangun model terdepan. Bukan perusahaan chip yang sekadar mencoba-coba AI, bukan lab riset yang menempel pada bisnis infrastruktur — NVIDIA, yang pendapatannya bergantung pada pelatihan AI semua orang lain, memutuskan membangun dan merilis model terdepan yang kompetitif di bawah lisensi sepenuhnya terbuka. Itu pernyataan berarti tentang arah pasar.

Pada 4 Juni 2026, NVIDIA merilis Nemotron 3 Ultra, model penalaran 550 miliar parameter yang sepenuhnya terbuka, dibangun khusus untuk agen yang berjalan lama.

Pada 4 Juni 2026, NVIDIA diam-diam merilis Nemotron 3 Ultra ke Hugging Face, dua hari setelah Jensen Huang mengumumkannya dari panggung Computex di Taipei. 550 miliar parameter. 55 miliar aktif per forward pass. Lebih dari 300 token per detik. Skor Intelligence Index tertinggi dari model bobot terbuka buatan AS, sepanjang masa.

Arsitektur: Mamba-Transformer hibrida yang mengubah segalanya

Di sinilah Nemotron 3 Ultra menjadi menarik secara teknis. Sementara M3 memakai sparse attention untuk menangani konteks panjang dan K2.7 tetap pada jalur transformer MoE yang terbukti, Nemotron Ultra mengambil rute yang sama sekali berbeda.

NVIDIA merilis Nemotron 3 Ultra sebagai model Mixture-of-Experts 550B parameter dengan 55B parameter aktif, dioptimalkan untuk mengorkestrasi alur kerja agen yang kompleks dan berjalan lama. Inovasi arsitekturnya mencakup lapisan Mamba-Transformer hibrida untuk penanganan konteks panjang yang efisien, kuantisasi NVFP4 untuk penerapan GPU lintas arsitektur dengan throughput hingga 5x lebih tinggi, LatentMoE untuk perutean pakar, dan prediksi multi-token untuk kecepatan generatif yang lebih baik pada tugas multi-giliran.

Pendekatan Mamba-Transformer hibrida itu penting. Lapisan Mamba menangani dependensi sekuensial lebih efisien daripada attention standar pada konteks panjang — skalanya linear, bukan kuadratik, terhadap panjang sekuens. Menggabungkannya dengan attention transformer untuk tugas yang diuntungkan olehnya, lalu membungkus semuanya dalam arsitektur MoE, memungkinkan NVIDIA mencapai kombinasi tak biasa: inteligensi tinggi, throughput tinggi, dan biaya per token yang relatif rendah.

Kuantisasi NVFP4 adalah pembeda lainnya. Pada GPU Blackwell (penerus H100), ia berjalan dengan matematika FP4 asli. Pada Hopper (H100), ia mundur ke W4A16. Dengan cara apa pun, Nemotron 3 Ultra mencapai throughput inferensi 5,9x lebih tinggi dibanding GLM-5.1, 4,8x lebih cepat dari Kimi K2.6, dan 1,6x lebih cepat dari Qwen-3.5 pada pengaturan masukan 8K / keluaran 64K, sekaligus mencapai akurasi setara pada berbagai benchmark agentic dan penalaran.

Baca lagi: 4,8x lebih cepat dari Kimi K2.6 dengan akurasi setara. Bagi tim yang menjalankan agen produksi, perbedaan throughput itu langsung berarti biaya per tugas.

Benchmark dan Intelligence Index

Nemotron 3 Ultra mencetak 47,7 pada Artificial Analysis Intelligence Index — jauh di depan model bobot terbuka AS terkuat berikutnya, Gemma 4 31B di 39,2, Nemotron 3 Super di 36,0, dan gpt-oss-120b di 33,3.

Peringatan jujurnya ada di paragraf yang sama: ia masih tertinggal dari garis terdepan bobot terbuka yang dipimpin Tiongkok (Kimi K2.6 di 53,9). Ini kisah AS-pertama, dan kisah yang bagus — tetapi Nemotron Ultra bukan model bobot terbuka terbaik di dunia saat ini. Ia yang terbaik dari Amerika, dan dengan selisih lebar.

Pada tugas agentic, Nemotron 3 Ultra mencatat 90,0 pada PinchBench dan 56,0 pada ProfBench Search. Tim NVIDIA menyisihkan keduanya sebagai gerbang generalisasi held-out, dinilai hanya sekali pada model final. Ia mencetak 71,9 pada SWE-Bench Verified dan 56,4 pada Terminal Bench 2.1. Pada penalaran, ia mencetak 570,0 pada IOI 2025, yang oleh NVIDIA disebut setingkat tiga besar manusia dalam pemrograman kompetitif.

Skor SWE-Bench Verified 71,9% khususnya kompetitif. Itu tertinggal dari Claude Fable 5 dan GPT-5.5 di garis terdepan model tertutup, tetapi memimpin sebagian besar alternatif bobot terbuka — dan yang penting, diukur secara konsisten di berbagai framework agen.

Pada AA-Omniscience, ia mencatat skor non-halusinasi tertinggi dalam kumpulan itu, 78,7, menandakan kecenderungan lebih rendah untuk menjawab saat ragu. Konteks panjang tetap bertahan dalam skala besar — model mencetak 94,7 pada RULER di 1 juta token.

Angka halusinasi itu layak disorot. Dalam alur kerja agen produksi, model yang tahu kapan dirinya tidak tahu sering kali lebih berharga daripada model yang skornya beberapa poin persen lebih tinggi pada benchmark tetapi dengan yakin berhalusinasi melewati kasus-kasus pinggiran.

Kisah data pelatihan terbuka

NVIDIA telah merilis — secara kumulatif di tiga peluncuran Nemotron 3 — 50 juta sampel supervised fine-tuning, 2 juta tugas reinforcement learning, dan 55 lingkungan RL. Tingkat keterbukaan seperti itu tidak biasa untuk keluarga model kelas terdepan, dan itulah hal yang paling ditanggapi komunitas riset AI.

Kalau kamu ingin melakukan fine-tuning atau memperluas Nemotron Ultra, kamu tidak melakukannya dalam gelap. Resep pelatihan, data, dan lingkungan evaluasi semuanya publik. Bagi tim perusahaan yang butuh kinerja spesifik domain dan punya kemampuan fine-tuning, ini keunggulan berarti yang belum bisa disamai M3 maupun K2.7 Code saat ini.

Harga

DeepInfra sudah mengaktifkan endpoint pra-rilis, dengan harga $0,37/juta masukan dan $1,08/juta keluaran — lebih baik dari median untuk tingkat ukuran ini. OpenRouter sudah mengindeksnya dan ia bisa diakses. Integrasi perusahaan tersedia melalui layanan mikro NVIDIA NIM di build.nvidia.com.

Nemotron 3 Ultra berjalan pada $0,50 per juta token masukan dan $2,50 keluaran di beberapa penyedia, menawarkan harga-kinerja yang kuat untuk model pada tingkat inteligensi ini.

---

Benchmark head-to-head

Berikut perbandingan berdampingan angka-angka inti dari ketiga model, plus konteks tentang apa yang sebenarnya diukur setiap benchmark:

SWE-Bench Pro (penyelesaian issue GitHub nyata)

SWE-Bench Pro menguji kemampuan menyelesaikan issue GitHub nyata yang diajukan setelah batas waktu pelatihan model — mengurangi risiko kontaminasi data dibandingkan varian SWE-Bench yang lebih awal. Ini hal terdekat dengan “bisakah model ini memperbaiki bug nyata di basis kode nyata?” yang telah dihasilkan komunitas benchmark sejauh ini.

• MiniMax M3: 59,0% (laporan perusahaan)
• Nemotron 3 Ultra: ~56-71,9% (SWE-Bench Verified); angka SWE-Bench Pro menunggu konfirmasi independen
• Kimi K2.7 Code: K2.6 mencatat 58,6%; peningkatan internal K2.7 menunjukkan angka serupa atau lebih tinggi — skor independen menunggu

Terminal-Bench 2.1 (tugas CLI bertahap)

Terminal-Bench menguji apa yang sebenarnya dilakukan agen di produksi: tugas shell bertahap di lingkungan terminal langsung. Ini lebih dekat ke “bisakah ia menjalankan pipeline CI” daripada “bisakah ia melengkapi kode secara otomatis.”

• MiniMax M3: 66.0%
• Nemotron 3 Ultra: 56.4%
• Kimi K2.7 Code: K2.6 memimpin di 67,2%; K2.7 diperkirakan akan meningkat dari ini

Pada Terminal-Bench, M3 dan K2.7 berada di tingkat yang mirip, keduanya di depan Nemotron Ultra. Itu masuk akal — M3 dan keluarga Kimi telah dioptimalkan khusus untuk tugas coding berhorizon panjang, sementara prioritas desain Nemotron Ultra lebih luas.

Penggunaan alat MCP (Model Context Protocol)

Penggunaan alat MCP makin menjadi benchmark yang paling penting untuk penerapan agen nyata. Pemanggilan alat yang benar bukan hanya soal skor benchmark — ini soal apakah agenmu benar-benar menjalankan tindakan yang tepat tanpa berhalusinasi soal nama fungsi atau parameter.

• Kimi K2.7 Code: 81,1 pada MCP Mark Verified (mengalahkan 76,4 milik Claude Opus 4.8)
• MiniMax M3: 74,2 pada MCP Atlas (laporan perusahaan)
• Nemotron 3 Ultra: Skor BFCL V4 yang kuat (function calling), angka MCP Mark persisnya belum diterbitkan

K2.7 menang jelas di kategori ini. Fine-tuning agentic Moonshot secara khusus menyasar pola pemanggilan alat, dan hasilnya terlihat.

Artificial Analysis Intelligence Index (skor komposit)

Komposit 10 evaluasi ini mencakup penalaran, pengetahuan, matematika, dan coding — pada dasarnya rata-rata berbobot dari inteligensi umum sebuah model.

• Keluarga Kimi K2.6 / K2.7: 53-54 (data K2.7 menunggu)
• Nemotron 3 Ultra: 47.7
• MiniMax M3: Belum dinilai (BenchLM menempatkan M3 di 76/100 pada papan peringkat sementara, #29 dari 122)

Kecepatan (token per detik)

Di sinilah arsitektur Nemotron Ultra menceritakan kisah berbeda:

• Nemotron 3 Ultra: 300+ token/detik pada GB200, 5,9x lebih cepat dari GLM-5.1, 4,8x lebih cepat dari Kimi K2.6
• MiniMax M3: ~100 token/detik pada konteks 1 juta
• Kimi K2.7 Code: Setara K2.6 (peningkatan throughput berasal dari efisiensi token, bukan kecepatan mentah)

Untuk penerapan produksi berthroughput tinggi di mana kamu menjalankan banyak agen secara paralel, keunggulan throughput Nemotron Ultra besar.

---

Kinerja agen di dunia nyata: Hermes, OpenClaw & WildClawBench

Benchmark itu satu hal. Bagaimana model-model ini sebenarnya berperilaku dalam framework agen yang dipakai developer hari ini adalah hal lain.

OpenClaw: framework agen yang mengambil alih

Kalau kamu belum pernah mendengar OpenClaw, kamu akan mendengarnya. Dalam dua bulan saja, OpenClaw mengumpulkan 247.000 bintang GitHub, menjadi platform agen AI yang antusias diadopsi perusahaan di Silicon Valley dan Tiongkok. Ia mengeksekusi secara lokal, agnostik model, dan terintegrasi dengan aplikasi perpesanan — tiga ciri yang membuatnya berbeda secara berarti dari asisten AI berbasis SaaS.

OpenClaw agnostik model secara desain, yang berarti kualitas pengalamanmu hampir sepenuhnya bergantung pada LLM mana yang kamu pasang di backend. Di sinilah pilihan model menjadi langsung menentukan.

The Benchmark OpenClaw PinchBench menjalankan 23 tugas di eksekusi kode, pembuatan konten, riset, dan alat sistem. Tes ini mencakup 23 tugas yang melingkupi eksekusi kode, pembuatan konten, dan alat sistem — sumber terbuka dan dapat direproduksi, memakai data dari pengujian agen OpenClaw milik PinchBench.

Pada evaluasi OpenClaw PinchBench:

• Nemotron 3 Ultra: 90% pada PinchBench Agent Productivity (setara Kimi K2.6 — model terbuka Tiongkok terbaik dalam penyelesaian tugas menurut benchmark ini)
• Kimi K2.7 Code: Diperkirakan kompetitif dengan atau melampaui penampilan kuat K2.6
• MiniMax M3: Skor agentic umumnya kuat; keunggulan biaya 5x dibanding Kimi K2.6 dalam pengujian alat dunia nyata Composio perlu dicatat

Perbandingan dunia nyata Composio antara M3 dan K2.6 (pendahulu K2.7) menemukan sesuatu yang menarik: M3 menelan biaya $0,81 untuk 25 tugas Composio, sementara Kimi $4,08 — sekitar 5x lebih mahal. M3 punya keunggulan lebih jelas pada coding terminal yang sulit; orkestrasi alat SaaS sehari-hari praktis imbang.

Selisih biaya itu bukan sekadar kisah ekonomi — artinya kamu bisa menjalankan 5x lebih banyak iterasi agen dengan anggaran yang sama, yang penting untuk tugas coding yang menuntut banyak eksplorasi, di mana kecepatan iterasi menjadi penghambat.

Hermes Agent: framework yang tidak memihak

WildClawBench, yang diterbitkan pada Mei 2026 oleh InternLM, adalah salah satu evaluasi agen independen yang lebih ketat yang tersedia saat ini. Benchmark ini menguji apa yang sungguh penting: bisakah agen AI melakukan kerja nyata, dari awal sampai akhir, tanpa digandeng? Ia menjalankan rangkaian 60 tugas yang sama di bawah empat harness agen berbeda — OpenClaw, Claude Code, Codex CLI, dan Hermes Agent — memisahkan kemampuan model dari perancah harness.

Harness Hermes khususnya menarik karena dirancang untuk menguji model secara independen dari perancah agen milik vendor mana pun. Ini sinyal bersih tentang kualitas model dasarnya.

Nemotron 3 Ultra mencapai skor SWEBench Verified antara 65% dan 70,4% di Pi, OpenHands, Hermes, OpenCode, dan Mini SWE Agent — kinerja konsisten terlepas dari framework yang kamu pakai.

Konsistensi lintas harness itu adalah sinyal kualitas yang berarti. Banyak model yang mencetak skor bagus di CLI-nya sendiri menurun drastis saat kamu memasukkannya ke framework agen lain. Arsitektur Nemotron Ultra tampaknya tangguh terhadap perubahan framework — kemungkinan karena NVIDIA sengaja melatih di berbagai harness agen per jenis tugas, bukan mengoptimalkan untuk satu.

Untuk M3 dan K2.7 Code, angka spesifik WildClawBench masih tersaring masuk melalui komunitas, tetapi kekuatan historis keluarga K2 dalam evaluasi agentic dan peningkatan MCP pada K2.7 menunjukkan hasil yang kuat pada harness Hermes.

Kesimpulan tentang framework

Kalau kamu membangun di atas OpenClaw dan biaya penting: M3 adalah modelmu. Kalau kamu menjalankan pipeline berat MCP: K2.7 Code pemimpinnya. Kalau kamu butuh konsistensi lintas framework di Hermes, OpenClaw, dan lainnya sekaligus: konsistensi Nemotron Ultra yang tak bergantung harness adalah pilihan tepat.

---

Vibe coding: model mana yang benar-benar jago membangun aplikasi?

“Vibe coding” telah menjadi sebutan singkat untuk gaya pengembangan berbantuan AI di mana kamu membangun seluruh fitur atau aplikasi kecil secara iteratif dari prompt bahasa alami, sering dimulai dari tangkapan layar, mockup, atau deskripsi kasar. Ini bukan terutama soal pembuatan kode yang presisi, melainkan kemampuan model memegang visi produk yang koheren selama banyak giliran sambil menghasilkan keluaran yang berfungsi dan koheren secara visual.

Ketiga model ini mendekati vibe coding dengan cara berbeda, dan perbedaannya penting.

MiniMax M3: fondasi multimodal terkuat

M3 dirancang khusus untuk dimensi visual vibe coding. MiniMax memperkenalkan VIBE (Visual & Interactive Benchmark for Execution) justru untuk mengukur kemampuan model membangun aplikasi lengkap yang bisa dijalankan dari nol sampai satu — secara otomatis mengevaluasi logika interaksi dan penyajian visual aplikasi yang dihasilkan dalam lingkungan eksekusi nyata.

Fakta bahwa M3 memperkenalkan benchmark ini berbicara banyak. MiniMax jelas percaya bahwa benchmark coding standar — yang menguji apakah kode lolos unit test — melewatkan pertanyaan yang benar-benar penting untuk vibe coding: apakah aplikasinya berfungsi dan dan terlihat benar?

Dalam praktik, masukan video/gambar asli M3 berarti kamu bisa menempelkan tangkapan layar Figma atau rekaman sesi pengguna dan meminta model membangun langsung dari itu. Itu alur kerja yang fundamental berbeda dari mendeskripsikan keinginanmu dengan kata-kata. Untuk pengembangan berat frontend — komponen React, UI aplikasi web, tata letak mobile-first — kemampuan masukan visual M3 mengubah putaran kerja dengan cara yang tidak bisa disamai model berbasis teks murni.

Jendela konteks 1 juta token juga penting untuk vibe coding secara spesifik: kamu bisa memuat seluruh basis kode berukuran sedang dalam konteks, artinya model bisa melakukan refactor lintas berkas tanpa kehilangan koherensi tentang apa yang sedang dibangun. Ini salah satu mode kegagalan nyata dalam vibe coding dengan model berkonteks lebih kecil — kode mulai menyimpang dari dirinya sendiri antar giliran saat model kehilangan pandangan atas keputusan arsitektural sebelumnya.

Kimi K2.7 Code: vibe coding terintegrasi alat terbaik

Developer bisa mengunggah tangkapan layar, diagram, mockup produk, bahkan video dan meminta Kimi K2.7 menghasilkan kode berdasarkan itu — berguna untuk pengembangan frontend, men-debug masalah visual, dan merekayasa balik antarmuka.

Keunggulan K2.7 dalam vibe coding adalah integrasi alat MCP-nya. Saat kamu membangun lewat CLI Kimi Code, model bisa berputar melalui terminal nyata: menjalankan aplikasi, memeriksa keluaran, membaca log galat, dan beriterasi — semuanya dalam sesi yang sama. Putaran ujung-ke-ujung dengan umpan balik eksekusi nyata itulah yang memisahkan “menghasilkan kode” dari “benar-benar membangun barangnya.”

Pengurangan token 30% juga penting untuk vibe coding khususnya karena sesi vibe coding cenderung panjang dan berupa percakapan. Model yang memakai lebih sedikit token per langkah penalaran dapat mempertahankan sesi lebih lama dengan biaya lebih rendah, yang sejalan langsung dengan cara kerja pembangunan aplikasi iteratif.

Nemotron 3 Ultra: bertenaga tetapi kurang terspesialisasi

Nemotron Ultra adalah all-rounder yang kuat dan menangani masukan multimodal dengan baik, tetapi prioritas desainnya adalah optimalisasi konsistensi agen dan kedalaman penalaran, bukan antarmuka visual vibe coding. Untuk alur kerja vibe coding murni — tangkapan layar masuk, aplikasi berjalan keluar — M3 lebih cocok secara alami.

Di mana Nemotron Ultra unggul dalam alur kerja pengembangan adalah pada fase arsitektural dan berat penalaran saat membangun: merancang komponen sistem, men-debug masalah manajemen state yang kompleks, atau menuntaskan algoritma yang rumit. Ia kurang “bangun UI ini dari tangkapan layar ini” dan lebih “bantu saya merancang arsitektur dan menalar kasus-kasus pinggirannya.”

Putusan vibe coding

Untuk vibe coding, peringkatnya: M3 (integrasi visual terbaik, konteks terbesar, termurah) → K2.7 Code (putaran umpan balik eksekusi nyata terbaik, penggunaan alat terkuat) → Nemotron Ultra (asisten penalaran sangat baik, kurang terspesialisasi untuk pembangunan aplikasi visual).

Kalau kamu melakukan vibe coding terutama pada tumpukan berat visual (React, Vue, mobile), M3 adalah modelmu. Kalau kamu membangun aplikasi berat backend atau sistem di mana putaran iterasi melibatkan menjalankan dan menguji kode sebenarnya, integrasi MCP K2.7 Code adalah keunggulannya.

---

Analisis harga & biaya terhadap kinerja

Mari lihat hitungan biaya sebenarnya, karena benchmark utama hanya masuk akal dalam konteks apa yang kamu bayar.

Model	Masukan (per 1 juta token)	Keluaran (per 1 juta token)	Konteks	Lisensi
MiniMax M3 (promo)	$0.30	$1.20	1 juta	Bobot terbuka
MiniMax M3 (standar)	$0.60	$2.40	1 juta	Bobot terbuka
Kimi K2.7 Code	$0.95	$4.00	256 ribu	Modified MIT
Nemotron 3 Ultra (DeepInfra)	$0.37	$1.08	1 juta	OpenMDW-1.1
Claude Opus 4.8	$5.00	$25.00	—	Proprietary
GPT-5.5	~$10.00+	~$30.00+	—	Proprietary

Kisah biaya menjadi lebih bernuansa saat kamu memperhitungkan efisiensi. Pengurangan token 30% pada K2.7 berarti sesi yang memakai 1 juta token keluaran pada K2.6 hanya memakai ~700 ribu pada K2.7. Pada $4,00/juta keluaran, itu $4,00 vs $2,80 — bukan hanya selisih tarif, tetapi penghematan efisiensi. Selama agen berjalan panjang, itu terakumulasi signifikan.

Nemotron Ultra pada $0,37/$1,08 dari DeepInfra sangat terjangkau untuk model 550B dengan indeks inteligensi 47,7 — sebagian karena keunggulan throughput-nya (5,9x lebih cepat berarti biaya per tugas selesai lebih rendah meski tarif per token sama).

M3 dengan harga promosi adalah yang termurah secara tarif absolut, meski harga standar $0,60/$2,40 tetap nilai luar biasa untuk jendela konteks satu juta token dengan coding kelas terdepan.

Untuk sebagian besar penerapan produksi, perhitungan biaya sesungguhnya bukan token-per-dolar melainkan penyelesaian-per-dolar. Bangun rangkaian uji kecil yang representatif dari tugasmu yang sebenarnya dan hitung harga tiap model terhadapnya. Tarif utama hanyalah titik awal, bukan jawabannya.

---

Siapa sebaiknya memakai model mana?

Ketiga model ini sebenarnya bukan pesaing untuk kasus penggunaan yang sama. Berikut rincian pragmatisnya:

Pilih MiniMax M3 jika:

• Kamu butuh jendela konteks terbesar untuk basis kode besar, dokumen panjang, atau proyek multi-berkas
• Alur kerjamu digerakkan secara visual (tangkapan layar → kode, mockup → implementasi)
• Biaya adalah kendala utamamu dan kamu perlu menjalankan banyak iterasi
• Kamu membangun agen browser atau pipeline riset otonom yang diuntungkan kekuatan BrowseComp
• Kamu ingin satu model yang menangani teks, gambar, dan video tanpa berganti

Pilih Kimi K2.7 Code jika:

• Kamu membangun pipeline terintegrasi MCP dan butuh keandalan pemanggilan alat terbaik
• Kamu mengerjakan coding agentic berhorizon panjang dengan alur kerja terminal bertahap
• Kamu menerapkan lewat CLI Kimi Code dan ingin integrasi model-ke-harness paling rapat
• Kamu ingin fleksibilitas model bobot terbuka dengan lisensi Modified MIT
• Efisiensi token selama sesi panjang penting (pengurangan 30% terakumulasi pada proses agentic besar)

Pilih Nemotron 3 Ultra jika:

• Kamu berada di perusahaan berbasis di AS dan kekhawatiran data geopolitik menyingkirkan model asal Tiongkok
• Kamu butuh fine-tuning model dengan akses penuh ke data pelatihan, sampel SFT, dan lingkungan RL
• Konsistensi framework penting — kamu menerapkan di Hermes, OpenClaw, dan harness lain sekaligus
• Throughput kritis untuk penerapan agen bersamaan bervolume tinggi
• Kamu mengerjakan pekerjaan berat penalaran: pemrograman kompetitif, arsitektur kompleks, tugas penalaran tingkat pascasarjana
• Kamu ingin model bobot terbuka Amerika terbaik, titik.

Kasus batas yang jujur: Kalau kamu berada di startup kecil atau konteks pengembang indie dengan kebutuhan data yang fleksibel dan biaya menjadi batasan utama, M3 dengan harga promosi benar-benar sulit dikalahkan. Kalau kamu berada di konteks perusahaan AS yang teregulasi, Nemotron Ultra adalah pilihan aman bawaan, dan cukup kompetitif sehingga kamu tidak banyak kehilangan dengan menghindari model asal Tiongkok.

---

Masalah yang dihindari: privasi data

Perbandingan ini akan terasa tidak lengkap tanpa membahas topik yang makin relevan untuk penerapan di perusahaan.

MiniMax berkantor pusat di Shanghai. Berdasarkan Undang-Undang Intelijen Nasional Tiongkok yang disahkan pada 2017, setiap perusahaan Tiongkok — termasuk MiniMax — wajib secara hukum untuk “mendukung, membantu, dan bekerja sama dengan kerja intelijen negara.” Kewajiban itu berlaku terus-menerus dan tidak memberi jalur hukum bagi perusahaan untuk menolak mematuhi ketika permintaan pemerintah datang.

Investigasi kongres AS yang diumumkan 29 April 2026 menyebut MiniMax bersama lab AI Tiongkok lainnya; Anthropic mengajukan tuduhan pada Februari 2026 soal distilasi skala industri terhadap Claude; dan gugatan hak cipta aktif dari Disney, Universal, dan Warner Bros. Discovery atas produk Hailuo diizinkan berlanjut pada 26 Mei 2026.

Pertimbangan yang sama berlaku untuk Kimi K2.7 Code dari Moonshot AI (juga berbasis di Beijing). Nilai teknis model-model ini nyata, tetapi tim pengadaan perusahaan di industri teregulasi, firma yang berdekatan dengan bidang pertahanan, atau organisasi mana pun yang menangani kekayaan intelektual sensitif perlu memasukkan pertimbangan ini ke dalam keputusan.

Sifat bobot terbuka dari kedua model memberi satu kemungkinan mitigasi: kalau kamu menghostingnya sendiri di infrastrukturmu dan tidak pernah mengirim permintaan ke API Moonshot atau MiniMax, aliran data ke infrastruktur Tiongkok bisa diputus. Apakah itu cukup untuk kebutuhan kepatuhanmu adalah pertanyaan hukum dan risiko yang spesifik untuk organisasimu.

Nemotron Ultra adalah model NVIDIA, perusahaan Amerika, di bawah lisensi OpenMDW-1.1 dari Linux Foundation. Bagi perusahaan AS dengan kebutuhan kedaulatan data, itu pembeda berarti yang tidak tertangkap tabel benchmark.

---

Putusan akhir

Dua minggu, tiga rilis penting. Kisah AI bobot terbuka pada Juni 2026 bukan soal perbaikan bertahap — ini lompatan besar.

MiniMax M3 adalah yang paling serbaguna dari ketiganya dan proposisi nilai terbaik dalam hal biaya absolut. Konteks 1 juta token dan multimodalitas aslinya memberinya profil unik untuk pekerjaan pengembangan yang digerakkan visual. Catatannya adalah benchmark yang belum diverifikasi dan pertimbangan privasi data untuk penggunaan perusahaan.

Kimi K2.7 Code adalah model coding agen terbaik di ruang bobot terbuka saat ini, titik. Mengalahkan Claude Opus 4.8 dalam penggunaan alat MCP sebagai model bobot terbuka bukan kemenangan benchmark kecil — ini selisih antara “demo lab yang mengesankan” dan “benar-benar lebih baik dalam hal yang dilakukan agen di produksi.” Peningkatan efisiensi token 30% dibanding K2.6 membuatnya jauh lebih murah dijalankan dalam skala besar. Catatannya: ini spesialis khusus coding, benchmark independen masih menyusul, dan pertanyaan asal-usul data Moonshot AI sama dengan MiniMax.

Nemotron 3 Ultra adalah model yang kamu terapkan ketika butuh model bobot terbuka berkualitas terdepan yang bisa dipercaya untuk perusahaan, di-fine-tune dengan transparansi penuh, berjalan lebih cepat dari apa pun pada tingkat kecerdasannya, dan didukung kredibilitas rantai pasok yang membuat tim hukum dan pengadaan nyaman. Keunggulan throughput 4,8x dibanding Kimi K2.6 benar-benar transformatif untuk beban kerja agen produksi, dan konsistensinya yang agnostik-harness dalam benchmark agen adalah sinyal kualitas yang tidak sepenuhnya tersampaikan oleh tabel benchmark saja.

Pelajaran lebih luas dari rentang dua minggu ini: garis terdepan AI bobot terbuka telah bergeser dari “hampir sebaik model tertutup” menjadi “lebih baik daripada model tertutup pada dimensi tertentu yang penting.” Hasil penggunaan alat MCP dari K2.7 adalah sinyal paling jelas sejauh ini. Kita tidak lagi menunggu sumber terbuka menyusul — pada dimensi tertentu, ia sudah di depan.

Sudahkah kamu menguji salah satu model ini di produksi? Bagikan pengalamanmu di komentar — terutama kalau kamu pernah menjalankan sesi agen head-to-head di OpenClaw atau Hermes. Titik data dunia nyata saat ini lebih berharga daripada benchmark apa pun.

Untuk ulasan mendalam model AI lainnya, ikuti tech.grahammiranda.com.