Blog
Baca artikel dan catatan lapangan Folkbench tentang stabilitas relay AI, evaluasi rekayasa perangkat lunak, penulisan bahasa Tionghoa, risiko harga murah, dan spesifikasi resmi model.
Kimi K3.1 Pro secara mendalam: tugas coding panjang, kemampuan 3D, dan biaya pemakaian nyata
Mengupas Kimi K3.1 Pro lewat benchmark resmi, konteks sejuta token, pengaturan penalaran, dan penagihan cache: kemampuan mana yang layak dinantikan dan kesimpulan mana yang masih perlu diuji langsung. Dilengkapi kartu ikon Folkbench dan grafik benchmark.
Baca artikel
Kiriman pembaca
Kemampuan AI berkomunikasi di tempat kerja tidak diukur dari kalimat yang manis, melainkan dari kemampuannya mengubah sindiran menjadi fakta, batasan, dan langkah berikutnyaBisa memasak, atau hanya pandai menulis resep? 12 situasi dapur rumahan menunjukkan apakah langkah dari model bisa dipraktikkanSaat “jangan merusak suasana” mengalahkan kejujuran: uji memuji masakan ibu mengungkap titik buta evaluasi EQ AISeberapa kuat Haiku 5.5 sebenarnya? Dalam rapor resminya, yang paling layak dicermati bukan peringkat pertama
Artikel
16 artikel- Apakah model benar-benar jadi lebih bodoh? Dari satu tangkapan layar gagal ke perbandingan yang kredibelSatu kegagalan dapat membuktikan bahwa model pernah keliru. Kegagalan itu saja tidak dapat membuktikan bahwa model kini lebih sering gagal daripada dulu. Artikel ini mengubah kecurigaan tersebut menjadi bukti yang dapat diperiksa ulang oleh orang lain.
- Bagaimana menilai pelikan yang bersepeda? Dari uji viral menuju sistem evaluasi yang tepercayaArtikel pertama mengingatkan agar tidak memercayai satu tangkapan layar begitu saja. Artikel ini bertanya mengapa sebuah skor pun tidak boleh dipercaya begitu saja.
- Pemeriksaan keandalan relay APIAlur uji penerimaan relay yang dapat diulang: kunci permintaannya lebih dulu, lalu amati waktu hingga byte pertama, penyelesaian stream, kelas kesalahan, dan batas percobaan ulang.
- Spesifikasi, harga katalog, dan benchmark resmi Claude Opus 5.5Spesifikasi resmi, harga katalog, dan tabel benchmark yang dipublikasikan untuk Claude Opus 5.5, ditambah daftar permintaan yang mengembalikan 400 saat migrasi. Angka-angka ini berasal dari halaman penyedia model, bukan pengukuran Folkbench.
- Claude Sonnet 5.5: spesifikasi, harga katalog, dan benchmark yang dipublikasikanSpesifikasi resmi, harga katalog yang sama dengan Sonnet 5, dan tabel benchmark yang dipublikasikan untuk Claude Sonnet 5.5, ditambah permintaan yang mengembalikan 400 saat migrasi. Angka-angka ini bukan hasil pengukuran Folkbench.
- Spesifikasi GPT-6.1 Sol, harga konteks panjang, dan perbandingan yang dipublikasikanSpesifikasi resmi, harga katalog di bawah dan di atas 272 ribu token input, serta selisih dan biaya per tugas yang dicantumkan untuk GPT-6.1 Sol. Angka-angka ini berasal dari halaman publik OpenAI, bukan hasil pengukuran Folkbench.
- Spesifikasi Grok 4.7, harga konteks panjang, dan benchmark yang dipublikasikanNama model resmi, konteks 500 ribu token, harga katalog di bawah dan di atas 200 ribu token prompt, serta tabel benchmark yang dicantumkan untuk Grok 4.7. Angka-angka ini berasal dari halaman publik xAI, bukan hasil pengukuran Folkbench.
- Cara mengevaluasi relay AI untuk rekayasa perangkat lunakPengecekan untuk pembuatan kode, rantai tool agen, konteks panjang, dan perilaku protokol cache saat relay berada di tengah alur kerja rekayasa perangkat lunak.
- Jangan lagi tertipu klaim ketersediaan 99%: jebakan relay API AI yang kami alami dan cara kami menguji stabilitasBerangkat dari respons 200 palsu, stream yang terputus, dan macet di malam hari, artikel ini menjelaskan metrik stabilitas dan pengujian yang benar-benar menentukan pengalaman di produksi.
- Dari gaya terjemahan ke rasa bahasa ibu: tiga tahun menulis bahasa Tionghoa dengan AI dan relay APICatatan tiga tahun seorang penulis berbahasa Tionghoa dalam memakai model AI, serta pengalamannya membawa model-model itu ke alur menulis sehari-hari melalui relay API.
- “Hantu bisnis abu-abu” di relay model AI: para pendiri yang hancur karena API seharga 10%Kasus-kasus anonim tentang penggantian model diam-diam, jebakan penagihan, pemotongan konteks, dan risiko data di balik relay yang sangat murah.
