Berapa sebenarnya biaya beban kerja Anda?

Metodologi & Sumber Data

Data terakhir berubah 27 Juli 2026; tiap skor mencantumkan tanggal acuannya sendiri di bawah (proses sinkronisasi tanpa perubahan tidak memajukan tanggal ini, dan papan peringkat hulu terbit sesuai jadwal masing-masing). Harga adalah tarif marketplace kami, diambil secara live. Skor benchmark berasal dari publikasi dan papan peringkat publik — tidak pernah dari pengukuran kami sendiri, dan tidak pernah dikarang: bila tidak ada skor publik langsung, kami tidak menampilkan apa pun.

Benchmark yang digunakan

Skor kualitas menormalkan tiap nilai benchmark mentah dengan jangkar tetap — norm = clamp((raw − anchor_low) / (anchor_high − anchor_low), 0, 1) × 100 — lalu mengambil rata-rata tertimbang kategori tersebut. Bila sebuah model tidak memiliki suatu benchmark, bobot yang tersisa dinormalkan ulang; model tanpa satu pun benchmark terskor dalam suatu kategori tidak mendapat skor kualitas sama sekali.

Biaya per pekerjaan disesuaikan SWE-V

Untuk model dengan skor SWE-bench Verified kami juga menampilkan swev_adjusted_cost = cost_per_job ÷ (SWE-bench Verified pass rate / 100) — estimasi biaya per tugas terselesaikan jika kegagalan dicoba ulang secara buta. Hanya tingkat kelulusan SWE-bench Verified yang pernah dipakai sebagai penyebut; skor Arena WebDev dan LiveBench tidak memiliki semantik probabilitas dan tidak pernah disubstitusikan. Model tanpa skor SWE-V menampilkan “—” — kami tidak pernah memperkirakan satu pun.

• Rumus 1/p mengasumsikan percobaan ulang independen dengan tingkat keberhasilan konstan.
• Rumus ini mengasumsikan setiap percobaan ulang memakai token yang sama dengan percobaan pertama.
• Kegagalan nyata sering membutuhkan intervensi manusia atau tool alih-alih percobaan ulang buta — overhead itu tidak dihitung dalam harga.
• Tingkat penyelesaian berasal dari set tugas SWE-bench Verified, yang berbeda dari distribusi tugas Anda.

Tier kemampuan

Model dengan skor kualitas dikelompokkan ke dalam 1-3 tier (Tier 1 Terdepan / Tier 2 Seimbang / Tier 3 Hemat) berdasarkan aturan celah-alami deterministik: skor dibulatkan ke 1 desimal, lalu setiap celah antara model yang berdekatan (dalam urutan menurun) sebesar minimal max(score range × 25%, 8 points) menjadi kandidat batas tier; hanya dua celah kandidat terbesar yang menjadi batas (bila seri, posisi berperingkat lebih tinggi yang menang). Tanpa celah yang memenuhi syarat berarti hanya satu tier. Batas tier dipatok oleh tes snapshot saat build, sehingga pembaruan data tidak pernah bisa memindahkan model antar tier secara diam-diam — setiap perubahan tier ditinjau manusia. Sorotan “Termurah di Tier 1” menandai model dengan biaya-per-pekerjaan terendah di tier teratas; keanggotaan tier hanya membutuhkan skor kualitas, jadi sebuah model bisa menempati suatu tier sementara kolom biaya disesuaikan SWE-V-nya menampilkan “—”.

Mengapa sebagian besar kategori tidak punya peringkat kualitas

Kami hanya menerbitkan peringkat kualitas untuk suatu kategori bila minimal 5 model kami memiliki skor publik langsung — versi model persis, versi benchmark persis, mode eval dicatat. Saat ini ambang itu hanya terpenuhi untuk Coding / Frontend & UI. Untuk semua kategori lainnya, papan peringkat publik tidak mencakup katalog kami atau sudah berhenti diperbarui, jadi kami hanya menampilkan kalkulator biaya. Kami lebih memilih tidak menampilkan apa-apa daripada angka karangan.

Profil tugas di balik kalkulator