Dashboard Studi Model AI OpenCode

—

Run selesai

—

Run tertunda kuota

—

Total token dipakai

—

Model diuji, biaya Rp 0

—

Skor terbaik, kombinasi —

Rekomendasi per layer

Model terpilih tiap layer dan skor rata-ratanya

Status eksperimen

Run per layer, per 24 Okt 2026

Skor per 1.000 token

Skor rata-rata ÷ (token rata-rata ÷ 1.000), satu skala untuk semua layer. Batang tegas = tertinggi di layernya.

Langkah berikutnya

Keputusan dan run yang tersisa

3 langkah

1

—

2

—

3

—

Temuan utama

Pelajaran dari 15 run di empat layer

—

Token vs skor per run

Skala token logaritmik. Kiri atas = skor tinggi dengan token sedikit.

Semua run

Klik judul kolom untuk mengurutkan

Satu kombinasi = satu model untuk tiap layer (logic → UI → tests → review). Skor adalah rata-rata empat layer; token dan waktu dijumlahkan dari run masing-masing.

—

— skor rata-rata

— token— menit— perbaikan

Logic: —
UI: —
Tests: —
Review: —

Kelebihan: —

Kekurangan: —

Izin manual: —

—

Rekomendasi praktis

— skor rata-rata

— token— menit— perbaikan

Logic: —
UI: —
Tests: —
Review: —

Kelebihan: —

Kekurangan: —

Izin manual: —

—

— skor rata-rata · — dengan penalti DB

— token— menit— perbaikan

Logic: —
UI: —
Tests: —
Review: —

Kelebihan: —

Kekurangan: —

Izin manual: —

Total token

Jumlah token empat layer; makin pendek makin hemat kuota

Total waktu model

Menit dari command sampai laporan akhir, empat layer

Data 1–2 run per model; variasi token antar run bisa sampai 75%, jadi urutan A dan B bisa bertukar. DeepSeek di layer tests belum diuji.

13 file markdown menjadi konteks OpenCode. Batas maksimum adalah rekomendasi proyek ini, diturunkan dari riset (file yang selalu dimuat < 200 baris, konteks otomatis ≤ 32 KiB, 3–5 file per tugas), bukan optimum yang diukur langsung.

Ukuran tiap file vs batas yang disarankan

Batang = baris aktual; garis tegak = batas baris. Klik nama file untuk melihat isinya.

Konteks markdown per command

Perkiraan token (1 token ≈ 4 karakter). Garis putus: batas saran 6.000; ujung kanan: batas keras ≈ 8.000 (32 KiB).

Glosarium kode

BR = aturan bisnis · M = mutan (bug tanam) · F = nomor temuan di satu laporan review (F-03 GLM bukan F-03 DeepSeek)

Bobot skor per layer

Skor per 1K token = skor ÷ (token ÷ 1.000); cache dicatat terpisah

Sumber riset

Dasar ambang ukuran file konteks