Jawaban singkat: Ox Alpha tidak memiliki skor benchmark resmi. Halaman model OpenRouter untuk stealth/ox-alpha tidak mencantumkan benchmark intelligence, coding, maupun agentic, dan pelacak independen Artificial Analysis tidak mendaftarkan model ini (diperiksa 22 Agustus 2026). Angka yang beredar — sekitar 80% pada subset DeepSWE berisi 10 tugas dan 87,5% pada "Kingbench" — berasal dari komunitas, memakai sampel kecil, dan tidak diverifikasi secara independen. Jika Anda sedang mengevaluasi Ox Alpha, artikel ini menjelaskan apa arti sebenarnya angka-angka itu dan sinyal apa yang justru layak diperhatikan.
Jika Anda mencari benchmark Ox Alpha, kemungkinan besar Anda menemui tembok yang sama: sebuah model baru muncul pada 20 Agustus 2026, orang membicarakannya di X dan di pengumuman OpenCode, tetapi begitu Anda mencari angka konkret, halaman resmi bungkam dan unggahan komunitas saling berbeda soal metodologi. Pada model stealth — yang penyedianya anonim selama masa preview — kebungkaman itu mudah disalahartikan sebagai kelemahan, atau ditutupi dengan tangkapan layar leaderboard. Panduan ini bersandar pada listing model OpenRouter, data API publik, dan pengumuman publik, diperbarui 22 Agustus 2026. Kami tidak menjalankan benchmark formal sendiri; tujuannya adalah kerangka untuk membaca klaim yang Anda temui di tempat lain, plus data resmi yang benar-benar ada.
Papan Skor Resmi Memang Kosong — dan Itu Disengaja
Ox Alpha dirilis di OpenRouter pada 20 Agustus 2026. Listing resminya rinci pada hal-hal yang penting untuk integrasi: jendela konteks 1.048.576 token (1M), keluaran hingga 131.072 token, masukan teks/gambar/video dengan keluaran teks, harga preview $0 per juta token di kedua sisi, reasoning yang wajib aktif dan default-nya pada upaya maksimum, serta dukungan untuk tools, tool choice, dan structured output. Posisinya dinyatakan tegas: "model reasoning yang dirancang untuk coding, kerja agentic berkelanjutan, dan beban kerja produksi," cocok untuk "rekayasa perangkat lunak jangka panjang, penalaran kompleks, dan alur kerja yang memadukan teks dengan konteks visual."
Yang tidak ada di listing itu adalah skor benchmark. Tidak ada indeks intelligence, tidak ada angka leaderboard coding, tidak ada skor agentic di bagian Performance. Artificial Analysis — pelacak independen yang biasanya dicek pertama — tidak melacak model ini (diperiksa 22 Agustus 2026). Dan detail yang biasanya dibutuhkan untuk menempatkan skor dalam konteks — identitas penyedia, arsitektur, jumlah parameter, dan harga setelah preview — tidak diungkap selama masa preview ini.
Ini perlu dinyatakan terus terang: ketiadaan skor resmi adalah fakta tentang listing-nya, bukan bukti tentang kemampuannya. Model stealth sering melewatkan benchmark, sebagian agar tidak terkunci pada satu penilaian sebelum rilis penuh. Pertanyaan yang tepat bukan "mengapa tidak ada skor?" melainkan "sinyal apa yang bisa saya percaya sebagai gantinya?" — dan itulah yang dijawab sisa artikel ini.
Apa yang Dilaporkan Komunitas
Dua angka sedang beredar:
1. Sekitar 80% pada subset DeepSWE berisi 10 tugas. Sebuah uji komunitas melaporkan Ox Alpha di kisaran 80% pada subset DeepSWE berisi 10 tugas (dilaporkan komunitas, tidak diverifikasi independen). Perbandingan sampel kecil yang sama menempatkan Fable di 65% dan GPT-5.6 Sol di 52%. Perhatikan metodologinya: ini subset dari benchmark — sepuluh tugas, bukan rangkaian penuh — sehingga jarak antara 80% dan 65% secara harfiah hanya beberapa tugas ke salah satu arah.
2. 87,5% pada Kingbench. Sebuah artikel komunitas melaporkan Ox Alpha di 87,5% pada Kingbench, menempatkannya di posisi kedua di belakang GLM-5.3 dengan 91,25% (dilaporkan komunitas, tidak diverifikasi independen). Kingbench bukan benchmark standar: metodologinya tidak dipublikasikan dan tidak dapat diaudit, serta tidak ada lab independen yang menjalankannya. Perlakukan angka itu sebagai indikasi arah, paling banter.
Ada pula spekulasi — berdasarkan perbandingan fingerprint, tokenizer, dan video encoder — bahwa Ox Alpha mungkin varian multimodal tersembunyi dari model seri GLM (belum dikonfirmasi, murni spekulasi). Kami tidak mendukung dugaan itu, dan itu tidak seharusnya memengaruhi keputusan Anda — tetapi hal itu menjelaskan mengapa sebagian utas memperlakukan model ini sebagai "diperkirakan bagus untuk coding" alih-alih "terbukti bagus untuk coding."
Cara Membaca Benchmark Komunitas: Kerangka Praktis
Kebanyakan tulisan hanya mengulang angkanya. Berikut yang biasanya mereka lewatkan — empat pertanyaan sebelum sebuah skor komunitas pantas Anda percaya.
Pertanyaan 1: Seberapa besar sampelnya? Hasil dari 10 tugas bergeser sekitar 10 poin per tugas. Satu kali menjalankan yang beruntung atau sial mengayunkan seluruh judulnya. Aturan praktis: perlakukan skor apa pun yang berbasis kurang dari 50 tugas sebagai sinyal, bukan kesimpulan. Itu memberi tahu bahwa sebuah model layak diuji; itu tidak memberi tahu peringkatnya.
Pertanyaan 2: Apa yang sebenarnya diukur benchmark itu? DeepSWE adalah benchmark rekayasa perangkat lunak jangka panjang — model harus menelusuri repositori nyata melintasi banyak giliran untuk menyelesaikan sebuah issue. Itu menyerupai kerja agentic di produksi. Metodologi Kingbench tidak jelas (non-standar), jadi Anda bahkan tidak bisa menyebut apa yang diukurnya. Skor tanya-jawab satu giliran nyaris tidak memberi tahu apa pun tentang model coding agentic, dan sebaliknya. Cocokkan beban kerja benchmark dengan beban kerja Anda sebelum menimbang angkanya.
Pertanyaan 3: Siapa yang menjalankannya, dan apakah diverifikasi independen? Uji komunitas bukan peer review. Jika orang yang menjalankan uji punya kepentingan atas hasilnya — vendor, afiliasi, akun hype — diskon nilainya. Ujian bagi sebuah uji adalah reproduksibilitas: bisakah Anda melihat set tugas persisnya, harness-nya, dan konfigurasi modelnya? Jika tidak, angka itu klaim, bukan pengukuran.
Pertanyaan 4: Apakah perbandingannya setara? Apakah subset tugas yang sama dipakai untuk setiap model? Temperature sama, tooling sama, jumlah percobaan sama? Perbandingan DeepSWE 80% tampak konsisten secara internal, tetapi tetap subset pilihan sendiri yang dijalankan satu pihak. Jika ada satu saja model di tabel itu dijalankan dengan kondisi berbeda, seluruh tabelnya gugur.
Ringkasan satu barisnya: skor komunitas berguna untuk tepat satu hal — menyusun daftar pendek. Skor itu tidak berguna untuk memeringkat Ox Alpha terhadap model lain, dan sangat lemah untuk model stealth yang belum bisa diaudit siapa pun.
Sinyal yang Lebih Baik: Apa Kata Penggunaan Nyata
Inilah bagian dari data resmi yang dilewatkan kebanyakan tulisan pemburu benchmark. Tampilan Apps/Activity OpenRouter menunjukkan trafik produksi nyata, dan dalam kira-kira dua hari setelah peluncuran, Ox Alpha mengonsumsi sekitar 657 miliar token prompt dan 7,95 miliar token completion. Lima aplikasi dengan trafik terbesar semuanya perkakas coding agentic: Hermes Agent (120 miliar token), Claude Code (108 miliar), Oh-My-Pi (93,5 miliar), DeepSeek Harness dengan multimodal bridge-nya (84,8 miliar), dan ZCode (51,5 miliar).
Mengapa ini mengalahkan tangkapan layar 10 tugas yang tak terverifikasi? Karena datanya teragregasi dari ribuan pengguna yang menjalankan beban kerja nyata dan berdurasi panjang secara terus-menerus. Perkakas agentic adalah uji tekan paling berat yang ada: mereka menahan konteks lintas banyak giliran, memanggil tools, pulih dari kesalahan, dan terus berjalan. Kalau tim menyalurkan 657 miliar token prompt melalui sebuah model dalam dua hari, itu bukti kegunaan di bawah beban realistis — bukan bukti posisi leaderboard, tetapi sinyal yang jauh lebih kuat daripada klaim 10 tugas.
Secara operasional, monitoring resmi (P50 selama kira-kira tiga hari) melaporkan throughput 24 token per detik, latensi 5,81 detik, uptime 99,99%, dan ketersediaan 99,14%. Adopsi ekosistem menegaskan tren itu: Ox Alpha ("Ox Alpha Free") tercantum di OpenCode Go dengan jendela gratis terbatas selama sepekan ke depan, penggunaan nyaris tanpa batas yang tidak dihitung terhadap kuota Go, tanpa penyimpanan data, dan konteks 1M yang sama. Itu komitmen publik dari vendor perkakas, bukan rumor.
Jika pekerjaan Anda adalah coding jangka panjang dan tugas agentic — persis profil yang ditunjukkan data penggunaan — Anda bisa mencoba Ox Alpha gratis di glm5.app sekarang juga.
Cara Mem-benchmark Ox Alpha Sendiri
Mengingat kondisi data publiknya, benchmark paling andal untuk kasus penggunaan Anda adalah yang Anda jalankan sendiri. Konkretnya:
- Pilih 3–5 tugas dari pekerjaan nyata Anda. Sebuah refactor di repo yang Anda kenal, sesi debugging bertahap, satu jalannya agentic panjang dengan pemanggilan tools, atau tugas yang memadukan tangkapan layar atau dokumen dengan instruksi — model ini menerima masukan gambar dan video.
- Jalankan prompt yang sama melalui Ox Alpha dan model Anda saat ini. Instruksi sama, tools sama, temperature sama. Jangan ubah setup di antara percobaan.
- Nilai penyelesaian dan kualitas, bukan kesan. Apakah tugasnya selesai? Apakah keluarannya benar pada percobaan pertama? Seberapa banyak tuntunan yang dibutuhkan?
- Tekan pada horizon panjang. Dengan jendela konteks 1M token dan reasoning yang default-nya pada upaya maksimum, Ox Alpha dibangun untuk kerja berkelanjutan. Pertanyaan satu giliran tidak akan menunjukkan kemampuannya; satu jalannya agentic 20 giliran akan menunjukkannya.
- Setel secara adil. API-nya mendukung reasoning effort (max/high/low), tools dan tool choice, structured output, temperature, serta top_p/top_k — jadi Anda bisa membandingkan pada kondisi identik yang dapat direproduksi.
Beberapa catatan agar ekspektasi Anda terkalibrasi: penyedianya anonim selama preview ini, jendela harga gratis di OpenRouter dan pekan gratis OpenCode bisa berubah, dan tidak ada isi artikel ini yang menggantikan halaman resmi. Yang Anda uji adalah model sebagaimana adanya hari ini — dan itulah cara jujur mengevaluasi rilis stealth.
Jika Anda enggan menyiapkan API key untuk memulai, ngobrol dengan Ox Alpha di browser di glm5.app — pintu masuk web gratisnya — dan jalankan tugas pertama Anda dalam lima menit ke depan.
FAQ
Apakah Ox Alpha punya benchmark resmi? Tidak. Listing OpenRouter memuat spesifikasi, harga, dan monitoring performa, tetapi tanpa skor benchmark intelligence, coding, maupun agentic. Artificial Analysis tidak mendaftarkan model ini (diperiksa 22 Agustus 2026).
Berapa skor Ox Alpha di DeepSWE dan Kingbench? Menurut uji komunitas: sekitar 80% pada subset DeepSWE berisi 10 tugas (dengan Fable di 65% dan GPT-5.6 Sol di 52% pada percobaan sampel kecil yang sama) dan 87,5% pada Kingbench, di belakang GLM-5.3 dengan 91,25%. Keduanya dilaporkan komunitas dan tidak diverifikasi independen; Kingbench bukan benchmark standar.
Bisakah saya memercayai skor komunitas? Sebagai sinyal, ya; sebagai kesimpulan, tidak. Skor itu berasal dari sampel sangat kecil tanpa verifikasi independen. Lewatkan dulu melalui kerangka empat pertanyaan di atas — ukuran sampel, apa yang diukur, siapa yang menjalankan, metodologi yang setara — sebelum menimbang angka apa pun.
Apakah Ox Alpha cepat? Monitoring OpenRouter (P50, kira-kira tiga hari) melaporkan throughput 24 token per detik dan latensi 5,81 detik, dengan uptime 99,99% dan ketersediaan 99,14%. Perhatikan bahwa reasoning bersifat wajib dan default-nya pada upaya maksimum, jadi harapkan ada waktu berpikir pada tugas sulit.
Bagaimana cara mem-benchmark Ox Alpha sendiri? Jalankan tugas nyata Anda secara berhadapan dengan model Anda saat ini — prompt sama, tools sama, pengaturan sama. Cara tercepat memulainya adalah chat web gratis di glm5.app; API lewat OpenRouter (gratis selama preview) memungkinkan pengujian secara programatik dengan tools dan structured output.
Sources
- OpenRouter: Ox Alpha model page
- OpenRouter API: models endpoint
- OpenRouter: Stealth Model Terms
- OpenRouter Docs
- OpenCode Docs: models
Terakhir diperbarui: 22 Agustus 2026
