Perang AI baru saja menjadi menarik. Sebuah model baru mengklaim tahta dengan angka yang mengejutkan—rating Elo 1483 dalam mode penalaran di papan peringkat teks LMArena. Itu selisih 31 poin di atas pesaing non-afiliasi terdekatnya. Bahkan tanpa fitur penalaran tambahan, model ini merebut posisi #2.

Apa yang mendorong lonjakan ini? Model ini tampaknya menulis ulang tolok ukur di semua lini. Baik dalam menangani rantai logika yang kompleks maupun memproses pertanyaan bernuansa, selisih performanya sulit diabaikan. Papan peringkat tidak berbohong—ketika Anda melampaui pemain mapan dengan margin sebesar itu, pasti ada perubahan mendasar dalam arsitekturnya.

Namun ada catatan: dominasi dalam uji coba terkontrol tidak selalu berarti supremasi di dunia nyata. Kita sudah pernah melihat model yang sukses besar di tolok ukur, namun tersandung pada kasus tepi yang benar-benar penting bagi pengguna. Meski begitu, metrik ini tetap penting. Mereka menandakan ke mana batas atas teknologi bergerak, dan saat ini, pergerakannya sangat cepat.