Pusat Data Model TokenLab: Harga Model Langsung, Peringkat, Tren, dan Umpan Riset

Pusat Data Model TokenLab adalah katalog harga model yang dapat dibaca mesin dan disajikan melalui API harga LLM langsung, memberikan pengembang akses terprogram langsung ke tarif penyedia dan metadata terkini.

Pasar model bergerak lebih cepat daripada kalender editorial. Halaman harga yang ditulis pada bulan Mei sering kali sudah salah pada bulan Juli. Peringkat "model terbaik" dari kuartal lalu bisa melewatkan tiga rilis baru dan satu penghentian dukungan.

Ketidaksesuaian itulah alasan TokenLab membangun Pusat Data Model alih-alih sekadar postingan perbandingan statis. Ini adalah antarmuka publik — halaman untuk manusia, JSON dan Markdown untuk mesin — yang menyertakan label sumber dan tanggal observasi pada setiap klaim yang dibuatnya.

Artikel ini menjelaskan apa itu Pusat Data Model, apa fungsinya, dan bagaimana cara menggunakannya sebelum Anda menulis perbandingan model, menghubungkan agen, atau mengirimkan keputusan harga ke dalam kode produksi.

Poin Utama

• Pusat Data Model adalah lapisan data publik yang terbagi dalam lima halaman untuk pembaca dan empat endpoint yang dapat dibaca mesin.
• Setiap dataset menyertakan stempel waktu generatedAt dan observedAt serta kolom sourcePolicy sehingga Anda mengetahui apakah suatu angka dilaporkan oleh penyedia, data katalog TokenLab, atau sinyal referensi seperti papan peringkat.
• Data katalog, cuplikan tren, dan interpretasi riset sengaja dipisahkan sebagai antarmuka yang berbeda — ketiganya menjawab pertanyaan yang berbeda dan tidak boleh dicampur.
• JSON publik dirancang untuk membagikan fakta terverifikasi, bukan detail implementasi internal.
• Tidak ada satu pun dari ini yang menggantikan dokumentasi resmi penyedia untuk harga, siklus hidup, atau klaim keamanan yang tepat. Anggap ini sebagai titik awal yang cepat dan bertanggal, lalu verifikasi dengan sumber aslinya.

Untuk dataset lengkap dan detail skema, lihat Pusat Data Model TokenLab.

Mengapa Pusat Data Khusus, Bukan Sekadar Postingan Blog Lain

Postingan blog adalah cuplikan dengan tanggal publikasi. Pusat data adalah antarmuka langsung dengan irama penyegaran dan kebijakan tentang apa yang dianggap sebagai kebenaran.

Perbedaan ini penting bagi tiga kelompok pembaca:

Pengembang yang perlu memilih model untuk fitur minggu ini, bukan kuartal lalu. Mereka menginginkan jendela konteks terkini, dukungan modalitas, dan harga per juta token tanpa harus membaca lima log perubahan penyedia.

Agen dan crawler yang membutuhkan JSON terstruktur yang dapat mereka uraikan tanpa harus melakukan scraping pada teks. Agen yang membandingkan biaya input-token antar penyedia tidak perlu menebak paragraf mana dalam postingan blog yang masih akurat.

Pembaca riset yang menginginkan penalaran di balik sebuah peringkat — mengapa suatu model naik atau turun, apa saja trade-off-nya — bukan sekadar angka.

TokenLab membagi kebutuhan ini ke dalam halaman-halaman yang berbeda alih-alih mencoba melayani ketiganya dari satu dokumen. Itulah keputusan desain inti di balik Pusat Data Model.

Kegunaan Setiap Halaman

Pusat Data Model bukan hanya satu halaman. Ini adalah sekumpulan lima halaman, masing-masing menjawab pertanyaan yang berbeda.

Models — titik masuk

tokenlab.sh/en/models adalah direktori yang dapat dibaca manusia: apa yang didaftarkan TokenLab, disusun berdasarkan penyedia dan kategori. Mulailah dari sini jika Anda ingin menelusuri alih-alih melakukan kueri.

Data — tampilan katalog

tokenlab.sh/en/models/data adalah katalog terstruktur: ID model, penyedia, panjang konteks, modalitas, dan kolom harga yang disusun untuk perbandingan langsung. Ini adalah halaman untuk dikutip saat Anda memerlukan fakta spesifik tentang model tertentu.

Trends — tampilan pergerakan

tokenlab.sh/en/models/trends melacak bagaimana katalog berubah seiring waktu — daftar baru, pergeseran harga, aktivitas penyedia. Ini menjawab "apa yang berubah" alih-alih "apa yang benar saat ini."

Research — tampilan interpretasi

tokenlab.sh/en/models/research adalah tempat TokenLab menjelaskan penalaran: mengapa peringkat berubah, apa implikasi pergeseran harga, di mana sumber tidak setuju. Anggap ini sebagai analisis, bukan data mentah.

Rankings — tampilan perbandingan

tokenlab.sh/en/models/rankings menampilkan perbandingan terurut — berdasarkan harga, jendela konteks, kategori — yang dibangun dari katalog dasar yang sama dengan halaman data, tetapi disusun untuk peringkat alih-alih pencarian.

Pemisahan ini disengaja. Jika Anda mencampuradukkan "apa yang berubah minggu ini" dengan "apa yang benar hari ini," Anda akan mengutip delta tren yang sudah usang sebagai fakta terkini. Menjaga tren, data katalog, dan riset sebagai antarmuka yang berbeda menghindari mode kegagalan tersebut.

Lapisan yang Dapat Dibaca Mesin

Halaman adalah untuk orang. Empat endpoint berikut adalah untuk apa pun yang mengurai JSON atau Markdown — pipeline agen, alat internal, atau skrip yang memeriksa harga sebelum penerapan.

Endpoint	Format	Penggunaan utama
/model-data/catalog.json	JSON	Katalog model lengkap: ID, penyedia, konteks, modalitas, kolom harga
/model-data/latest.json	JSON	Cuplikan terbaru, stempel waktu pembuatan, hash katalog
/model-data/trends.json	JSON	Delta deret waktu untuk perubahan harga dan daftar
/model-data/summary.md	Markdown	Ringkasan yang dapat dibaca manusia dan LLM, cocok untuk kutipan langsung dalam teks yang dihasilkan

Melakukan Kueri Pusat Data Model TokenLab Secara Terprogram

Sebelum mengintegrasikan data ini ke dalam pipeline atau agen, periksa kolom generatedAt, observedAt, dan catalogHash untuk memahami kapan katalog dibuat dan apakah sudah berubah sejak pengambilan terakhir Anda. Jangan berasumsi bahwa umpan diperbarui secara real time; selalu periksa kolom ini alih-alih mengandalkan interval penyegaran yang diasumsikan.

curl -s https://tokenlab.sh/model-data/latest.json | jq '{
  generatedAt: .generatedAt,
  observedAt: .observedAt,
  catalogHash: .catalogHash
}'

Bandingkan catalogHash di seluruh permintaan untuk mendeteksi perubahan konten yang sebenarnya, dan gunakan generatedAt/observedAt untuk mengukur kesegaran data sebelum membuat keputusan harga dalam sistem otomatis.

Setiap respons menyertakan serangkaian kolom yang konsisten: schemaVersion, generatedAt, observedAt, catalogHash, sourcePolicy, stats, models, series, providers, dan trends. Jika Anda membangun otomatisasi terhadap endpoint ini, schemaVersion dan catalogHash adalah dua kolom yang harus diperiksa sebelum memercayai salinan cache — peningkatan versi atau perubahan hash berarti bentuk atau konten telah berubah sejak penarikan terakhir Anda.

Kolom sourcePolicy layak dibaca dengan cermat. Ini membedakan tiga tingkatan: dokumentasi penyedia (sumber kepercayaan tertinggi untuk harga tepat dan fakta siklus hidup), katalog TokenLab sendiri (apa yang dapat dipublikasikan TokenLab secara publik), dan sinyal referensi (papan peringkat dan peringkat pihak ketiga, berguna untuk pemosisian relatif tetapi bukan kebenaran harga). Setiap alat hilir yang mengabaikan perbedaan ini berisiko mengutip skor papan peringkat seolah-olah itu adalah harga resmi.

Apa yang sengaja ditinggalkan oleh JSON publik

Kontrak data publik dicakup secara sengaja: hanya mencakup fakta model yang diperlukan untuk integrasi — ID, harga, dan dukungan modalitas — dan meninggalkan detail operasi internal yang bukan bagian dari kontrak tersebut. Jika Anda mencari tahu bagaimana TokenLab membuat keputusan di balik layar, ini bukan antarmuka untuk itu, dan memang tidak dimaksudkan demikian. Pusat Data Model menerbitkan apa yang aman dan berguna untuk dibagikan secara publik — fakta model terkini — bukan detail operasi internal.

Membaca Fakta Model Terkini dengan Benar

Katalog hanya berguna jika Anda membaca tanggal dan sumber bersama dengan angka-angkanya. Berikut adalah contoh kecil yang terkini saat observasi, diambil dari jenis kolom yang sama dengan yang dipaparkan katalog publik: ID model, penyedia, panjang konteks, modalitas, dan harga per juta token.

Model	Penyedia	Konteks	Modalitas	Input / Output (USD per M token)
Claude Sonnet 5	Anthropic	1.000.000	text+image+file→text	$2 / $10
Gemini 3.5 Flash	Google	1.048.576	text+image+file+audio+video→text	$1.50 / $9
DeepSeek V4 Pro	DeepSeek	1.048.576	text→text	$0.435 / $0.87
DeepSeek V4 Flash	DeepSeek	1.048.576	text→text	$0.09 / $0.18
GLM-5.2	Z.ai	1.048.576	text→text	$0.909 / $2.856
Kimi K2.7 Code	MoonshotAI	262.144	text+image→text	$0.74 / $3.50

Beberapa hal menonjol segera dari tabel seperti ini, dan itulah jenis hal yang dibangun Pusat Data untuk membuatnya terlihat cepat:

• Ukuran jendela konteks tidak mengikuti harga. DeepSeek V4 Pro dan Gemini 3.5 Flash keduanya berada di dekat atau di atas 1 juta token konteks pada titik harga yang sangat berbeda.
• Luas modalitas (teks vs. teks+gambar vs. multi-modal) adalah sumbu terpisah dari biaya — daftar modalitas yang lebih luas tidak secara otomatis berarti harga per-token yang lebih tinggi.
• Model khusus pengodean seperti Kimi K2.7 Code memiliki trade-off harga dan konteks yang berbeda dari model obrolan tujuan umum, bahkan dalam kisaran panjang konteks yang serupa.

Tidak satu pun dari observasi ini menggantikan pembacaan dokumentasi penyedia itu sendiri sebelum Anda melakukan asumsi harga ke dalam kontrak atau model penagihan. Ini adalah perbandingan awal, bukan perbandingan akhir.

Daftar Periksa Praktis Sebelum Anda Mengutip Fakta Model

Gunakan ini sebelum Anda menempelkan harga model, jendela konteks, atau peringkat ke dalam postingan perbandingan, dokumen yang menghadap pelanggan, atau logika agen.

1. Periksa tanggal observasi. Setiap dataset membawa observedAt dan generatedAt. Jika salah satu berusia lebih dari beberapa hari relatif terhadap kasus penggunaan Anda, perlakukan angka tersebut sebagai titik awal, bukan jawaban akhir.
2. Identifikasi tingkat sumber. Apakah ini fakta yang didokumentasikan penyedia, entri katalog TokenLab, atau sinyal referensi seperti papan peringkat? Sinyal referensi adalah untuk pemosisian relatif, bukan harga yang tepat.
3. Pisahkan katalog dari tren. Delta tren ("harga turun 20% bulan ini") bukanlah klaim yang sama dengan fakta katalog ("harga saat ini adalah $X"). Kutip antarmuka yang tepat untuk klaim yang tepat.
4. Periksa catalogHash sebelum melakukan caching. Jika Anda menarik /model-data/catalog.json sesuai jadwal, bandingkan hash sebelum berasumsi bahwa salinan cache Anda masih terkini.
5. Verifikasi klaim harga dan siklus hidup terhadap dokumen resmi. Pusat Data cepat dan terstruktur. Ini bukan pengganti halaman harga penyedia itu sendiri ketika uang atau kontrak terlibat.
6. Catat ketidaksepakatan, jangan merata-ratakannya. Jika sinyal papan peringkat dan fakta katalog tidak setuju, ketidaksepakatan itu sendiri adalah informasi. Laporkan daripada memilih satu secara diam-diam.

Di Mana Ini Cocok di Samping Dokumen Penyedia

Pusat Data Model ada karena dokumen penyedia yang tersebar sulit dibandingkan dengan cepat, dan halaman pemasaran tidak dibuat untuk kutipan. Ini tidak mencoba menggantikan keduanya.

Dokumentasi penyedia tetap menjadi sumber catatan untuk harga yang tepat, batas tarif, garis waktu penghentian dukungan, dan kebijakan keamanan. Data katalog dan tren TokenLab dibangun dari kebijakan sumber yang didokumentasikan — sebagian besar data daftar model pihak ketiga ditambah ketersediaan publik TokenLab sendiri — disegarkan pada irama yang ditentukan, dan diberi label kapan mereka diamati.

Jika Anda perlu membuat keputusan dengan bobot keuangan atau kepatuhan — model harga produksi, ketentuan kontrak, penyebaran industri yang diatur — buka halaman penyedia itu sendiri sebagai pemeriksaan akhir. Gunakan Pusat Data Model untuk sampai ke sana lebih cepat dan untuk membandingkan antar penyedia di satu tempat.

FAQ

Apa itu Pusat Data Model TokenLab? Ini adalah sekumpulan halaman publik dan endpoint yang dapat dibaca mesin yang menyajikan fakta model AI terkini — harga, jendela konteks, modalitas, penyedia, dan peringkat komparatif — dengan sumber yang dinyatakan dan tanggal observasi pada setiap dataset. Ini dibagi menjadi halaman penelusuran (model, data, tren, riset, peringkat) dan umpan terstruktur (katalog, cuplikan terbaru, tren, dan ringkasan Markdown).

Endpoint data model mana yang dapat dibaca mesin yang bersifat publik? Empat: /model-data/catalog.json untuk katalog model lengkap, /model-data/latest.json untuk cuplikan terbaru dengan metadata pembuatan, /model-data/trends.json untuk perubahan deret waktu, dan /model-data/summary.md untuk ringkasan Markdown yang cocok untuk kutipan langsung.

Bagaimana pengembang harus memperlakukan tanggal sumber dan tanggal observasi? Sebagai sinyal kesegaran, bukan jaminan keabadian. Setiap dataset menyertakan kolom generatedAt dan observedAt. Jika tanggal tersebut lama relatif terhadap saat Anda membaca, periksa kembali sumbernya sebelum mengandalkan angka tersebut, terutama untuk harga yang sering berubah.

Apakah Pusat Data Model menggantikan dokumen penyedia? Tidak. Ini menggantikan kebutuhan untuk mengumpulkan dan membandingkan halaman penyedia yang tersebar secara manual untuk langkah pertama. Untuk harga yang tepat, siklus hidup, batas tarif, dan klaim keamanan yang membawa bobot keuangan atau kepatuhan, dokumentasi penyedia resmi tetap menjadi sumber catatan.

Sumber dan Kesegaran

Semua fakta dan deskripsi endpoint dalam artikel ini diamati pada 2026-07-09 dari sumber publik berikut:

• Pusat Data Model TokenLab — https://tokenlab.sh/en/models/data
• Tren Model TokenLab — https://tokenlab.sh/en/models/trends
• Riset Model TokenLab — https://tokenlab.sh/en/models/research
• JSON katalog data model TokenLab — https://tokenlab.sh/model-data/catalog.json

Harga model, panjang konteks, dan angka modalitas yang dirujuk dalam tabel perbandingan mencerminkan cuplikan sumber kebenaran model terkini TokenLab yang diamati pada 2026-07-07 dan dapat berubah sesuai irama penyegaran yang didokumentasikan dalam kolom sourcePolicy katalog. Verifikasi angka terkini terhadap endpoint langsung atau dokumentasi penyedia resmi sebelum menggunakannya dalam konteks keuangan atau kepatuhan.

Langkah Selanjutnya

Jika Anda menulis perbandingan model, mulailah dari /en/models/data untuk tampilan katalog dan periksa silang terhadap /en/models/rankings untuk pemosisian relatif.

Jika Anda membangun agen atau otomatisasi yang perlu menalar tentang harga atau ketersediaan model, tarik /model-data/latest.json sesuai jadwal dan periksa catalogHash sebelum memercayai salinan cache.

Jika Anda menginginkan penalaran di balik pergeseran peringkat alih-alih hanya angkanya, baca /en/models/research — di situlah TokenLab menjelaskan apa yang bergerak dan mengapa.

Jika Anda menimbang biaya di samping kemampuan, rincian kami tentang harga API Gemini untuk pengembang menawarkan pandangan lebih dekat pada tarif saat ini. Untuk perbandingan yang lebih luas di seluruh model yang berfokus pada pengodean, lihat panduan kami untuk model AI terbaik untuk pengodean pada tahun 2026.

Mulai jelajahi Pusat Data Model untuk melakukan kueri harga model terkini secara langsung.