DEV Community: Walse

Cara Menggunakan NVIDIA Nemotron 3.5 Transcribe Secara Gratis (Model Speech-to-Text Open Source Nomor 1)

Walse — Thu, 29 Oct 2026 09:00:44 +0000

Cara Menggunakan NVIDIA Nemotron 3.5 Transcribe Secara Gratis (Model Speech-to-Text Open Source Nomor 1)

NVIDIA telah merilis model speech-to-text open-weight paling akurat di Hugging Face Open ASR Leaderboard, dan Anda bisa menggunakannya secara gratis hari ini. Nemotron 3.5 Transcribe (nama lengkap NVIDIA-Nemotron-3.5-Transcribe-30B-A4B) hadir pada 28 Oktober 2026 di bawah lisensi OpenMDW-1.1, yang mengizinkan penggunaan komersial. Artinya ada tiga jalur $0: Space demo milik NVIDIA sendiri, bobot gratis di GPU Anda sendiri, dan Space komunitas yang membungkus checkpoint yang sama.

Coba Apidog hari ini

Panduan ini membahas setiap jalur gratis, apa yang bisa dan tidak bisa dilakukannya, serta opsi berbayar termurah ketika gratis sudah tidak cukup. Setiap fakta berasal dari kartu model resmi, postingan peluncuran NVIDIA di Hugging Face, dan Open ASR Leaderboard, semuanya dibaca pada 29 Oktober 2026.

Jika Anda hanya membutuhkan API hosted, langsung saja ke panduan API Nemotron 3.5 Transcribe kami.

Apakah Nemotron 3.5 Transcribe gratis?

Ya, dalam dua hal. Bobotnya gratis untuk diunduh dan lisensinya mengizinkan penggunaan komersial maupun non-komersial, jadi self-hosting hanya membutuhkan biaya perangkat keras. NVIDIA juga menjalankan Space demo gratis di Hugging Face tempat Anda bisa mencobanya langsung di browser.

Yang tidak gratis: API hosted. DeepInfra mengenakan biaya $0,002 per menit audio dan OpenRouter mencantumkannya $0,000033 per detik. Keduanya tidak menampilkan varian gratis. Dan per 29 Oktober 2026, model ini belum muncul di build.nvidia.com, tempat banyak model NVIDIA mendapatkan API uji coba gratis. Pencarian di sana untuk "transcribe" hanya mengembalikan satu model ASR bahasa Spanyol yang tidak berkaitan.

Mengapa orang menginginkannya: angkanya

Nemotron 3.5 Transcribe adalah model bahasa yang diperkaya kemampuan bicara (speech-augmented). Encoder ASR berparameter 600M dan encoder speaker memasok ke model bahasa campuran para-ahli (mixture-of-experts) hibrida Mamba-2 dan Transformer. Totalnya berparameter 34B, tetapi hanya sekitar 4,3B yang aktif per token — itulah sebabnya model ini bisa berjalan di satu GPU.

Apa yang dilakukannya dalam satu checkpoint:

Transkripsi dalam 40 bahasa, dengan 13 di antaranya dinilai "terdepan" (Inggris, Spanyol, Prancis, Jerman, Hindi, Korea, Portugis, dan lainnya)
Rekaman hingga satu jam dalam satu permintaan (konteks 65.536 token)
Atribusi pembicara dengan hingga delapan pembicara berlabel
Timestamp tingkat kata melalui head penyelarasan CTC
Terjemahan ucapan ke dan dari bahasa Inggris di 31 bahasa
Context prompting: berikan nama dan jargon agar ejaannya tepat
Tanya jawab audio (hanya bahasa Inggris)

Di Open ASR Leaderboard, yang diperbarui 28 Oktober 2026, model ini mencetak rata-rata WER 5,33%. Itu menempatkannya di peringkat 9 dari 61 model. Delapan model di atasnya (Otter, Zoom Scribe v2 Pro, ElevenLabs Scribe v2, Azure Speech, dan lainnya) semuanya adalah API berbayar tertutup. Di antara model yang bisa Anda unduh, tidak ada yang berperingkat lebih tinggi. whisper-large-v3 dari OpenAI berada di peringkat 41 dengan 7,16%.

Kartu model NVIDIA sendiri melaporkan WER rata-rata 4,71% pada sembilan set publik. Angka 5,33% dari leaderboard menambahkan dua set privat, jadi kedua angka tersebut jujur; keduanya mengukur campuran yang berbeda.

Satu batasan yang perlu diketahui sebelum memulai: ini model offline. Ia mentranskripsi file rekaman, bukan aliran mikrofon langsung.

Perbandingan semua jalur gratis dan berbayar

Jalur	Biaya	Login	Batasan	Terbaik untuk
Space demo NVIDIA (`nvidia/nemotron-transcribe`)	$0	Tidak	Pratinjau 60 detik pada tab sampel; antrean bersama	Pemeriksaan kualitas cepat
Space komunitas	$0	Biasanya tidak	Berbeda per Space; bisa tidur atau hilang	Mencoba UI lain
Bobot self-hosted (BF16, FP8, NVFP4)	Lisensi $0, GPU Anda	Akun Hugging Face untuk mengunduh	Satu H100 80 GB untuk BF16; kartu lebih kecil butuh FP8 atau NVFP4	Transkripsi privat tanpa batas
API DeepInfra	$0,002 per menit	Akun dan API key	Penggunaan berbayar	Produksi tanpa GPU
OpenRouter	$0,000033 per detik	Akun dan kredit	Hanya dirutekan ke DeepInfra	Satu key untuk banyak model
build.nvidia.com	Belum tercantum	n/a	n/a	Pantau terus

Hanya tiga baris pertama yang tidak memerlukan biaya.

Jalur gratis 1: Space demo NVIDIA

Cara tercepat untuk mendengar apa yang bisa dilakukan model ini adalah Space resmi NVIDIA di huggingface.co/spaces/nvidia/nemotron-transcribe.

Buka Space tersebut di browser Anda. Tidak perlu akun untuk memuatnya.
Pilih tab. Pada 29 Oktober 2026, Space ini memiliki tiga tab: Karaoke (lirik dengan waktu per kata), Podcast transcript (teks dengan atribusi pembicara), dan Movie subtitles (subtitle berwaktu).
Pilih sampel atau tempel tautan, sesuai yang diizinkan tab tersebut. Tab Karaoke mencatat bahwa pratinjaunya mencakup 60 detik pertama.
Jalankan dan baca hasilnya. Tampilan Karaoke menyorot setiap kata saat dinyanyikan, yang memperlihatkan kemampuan timestamp tingkat kata.

Perlakukan Space ini sebagai demo, bukan API gratis. Space publik berbagi GPU, mengantrekan permintaan, dan bisa berubah tanpa pemberitahuan. Jangan membangun produk di atasnya.

Jalur gratis 2: jalankan sendiri bobot terbukanya

Inilah tier gratis yang sesungguhnya: transkripsi tanpa batas di perangkat keras yang sudah Anda miliki, tanpa apa pun keluar dari mesin Anda. Lisensinya (OpenMDW-1.1) mengizinkan penggunaan komersial, jadi Anda bisa menyertakannya dalam sebuah produk.

Masalahnya ada pada perangkat keras. Setup referensi NVIDIA adalah satu H100 80 GB dalam BF16. Tabel kompatibilitas pada kartu model mencantumkan:

BF16: H100, H200, A100 80 GB, B200, GB200, DGX Spark
FP8: H100, H200, L40S 48 GB
Hanya NVFP4: RTX 5090 (32 GB) dan RTX PRO 6000 Blackwell

Jadi RTX 5090 konsumen bisa dipakai, dengan checkpoint NVFP4. Kartu 24 GB yang lebih lama seperti RTX 4090 tidak ada dalam daftar.

Tes tercepat hanya memerlukan Transformers yang dipasang dari sumber:

pip install git+https://github.com/huggingface/transformers

from transformers import AutoModelForMultimodalLM, AutoProcessor

model_id = "nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForMultimodalLM.from_pretrained(model_id, device_map="auto")

inputs = processor.apply_transcription_request("meeting.wav").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=1024)
print(processor.decode(outputs[:, inputs.input_ids.shape[1]:], skip_special_tokens=True))

Itu cukup untuk beberapa file. Untuk batch, rekaman panjang, dan endpoint yang kompatibel dengan OpenAI, sajikan dengan vLLM 0.32.0 dan plugin NeMo Speech. Panduan langkah demi langkah kami untuk menjalankan Nemotron 3.5 Transcribe secara lokal memuat perintah instalasi dan vllm serve persis dari kartu model.

Tidak punya GPU lokal? Menyewa per jam adalah jalur "hampir gratis" termurah untuk tumpukan pekerjaan besar. NVIDIA menyebut satu RTX PRO 6000 Blackwell dapat memproses 100 jam audio dalam waktu kurang dari tiga menit dengan build NVFP4, meskipun angka itu menggunakan optimasi penyajian yang belum open source.

Jalur gratis 3: Space komunitas

Halaman model mencantumkan beberapa Space komunitas yang dibangun di atas checkpoint yang sama, termasuk hugging-apps/nemotron-3-5-transcribe dan mrfakename/nemotron-3.5-transcribe. Space ini berguna ketika antrean Space NVIDIA panjang atau Anda menginginkan kotak unggah biasa. Space ini dijalankan oleh perorangan, jadi bersiaplah menghadapi mode tidur, kuota, dan tautan mati yang sesekali muncul.

Prompt yang menghasilkan hasil gratis lebih baik

Nemotron 3.5 Transcribe menerima instruksi dalam bahasa sehari-hari. Ini diambil dari kartu model dan daftar DeepInfra. Biarkan system prompt kosong untuk transkripsi dan gunakan temperature 0.

Teks bersih dan mudah dibaca:

Audio transcription. Language: as spoken. Wording: omit fillers and accidental repetitions; keep the remaining spoken wording unchanged. Formatting: punctuation and capitalization. Output: transcript only.

Siapa mengatakan apa:

Transcribe verbatim, including fillers. Write numbers as spoken, without punctuation or capitalization. Start every speaker turn with <spk:0>, <spk:1>, etc. Keep one stable tag per speaker. Output only the speaker-tagged transcript.

Nama produk dan jargon:

Transcribe with punctuation and capitalization. Context terms: Apidog, OpenAPI, Kubernetes, gRPC.

Terjemahan:

Please translate the given speech to English.

Context terms lebih penting dari yang Anda duga. Pada benchmark ContextASR NVIDIA, WER turun dari 3,33% tanpa konteks menjadi 1,71% dengan konteks terperinci.

Ketika gratis tidak cukup: jalur berbayar termurah

Jika Anda tidak memiliki GPU yang didukung dan membutuhkan lebih dari sekadar demo, API hosted itu murah. Dengan tarif DeepInfra $0,002 per menit, rekaman satu jam berbiaya $0,12, dan 1.000 jam berbiaya $120. Tarif OpenRouter $0,000033 per detik setara dengan sekitar $0,119 per jam, dirutekan ke penyedia yang sama.

Permintaan DeepInfra minimal, diambil dari halaman API-nya:

curl -X POST \
  -H "Authorization: bearer $DEEPINFRA_API_KEY" \
  -F audio=@meeting.mp3 \
  'https://api.deepinfra.com/v1/inference/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B'

Responsnya mencakup text, segments dengan waktu mulai dan selesai, words, serta language yang terdeteksi. Panduan API kami membahas key, field respons, dan biaya secara terperinci.

Biarkan coding agent Anda menguji endpoint dengan Apidog CLI

Baik Anda self-host maupun memakai DeepInfra, Anda menginginkan pemeriksaan yang gagal dengan jelas ketika transkripsi kembali kosong atau dalam bahasa yang salah. Serahkan tugas itu kepada coding agent Anda dan Apidog CLI alih-alih memeriksa JSON dengan mata.

npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick Claude Code, Codex, Cursor or OpenCode

Lalu berikan satu prompt kepada agent Anda:

In Apidog project <id>, create a test case for POST {{baseUrl}}/v1/inference/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B
that uploads samples/hello.mp3 as the "audio" form field, asserts status 200, a non-empty "text",
"language" equal to "en", and at least one item in "words", then run it against the
deepinfra environment and summarize any failures.

Agent membaca skema, memvalidasi payload-nya, menulis test case, dan menjalankannya:

apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project <id> --file case.json
apidog run --test-case <caseId> --project <id> -e <envId> -r cli,json

Ganti environment agar mengarah ke server lokal Anda saat Anda beralih dari API ke self-hosting. apidog run yang sama dengan -r junit bisa langsung dipasang di CI; lihat menjalankan Apidog CLI di pipeline CI/CD dan Apidog CLI di Claude Code untuk penyiapannya.

Batasan yang perlu diketahui sebelum Anda mengandalkannya

Hanya offline. Model ini tidak streaming. NVIDIA menunjuk model terpisah, Nemotron 3.5 ASR Streaming, untuk audio langsung.
Tanya jawab audio hanya bahasa Inggris. Transkripsi mencakup 40 bahasa, tetapi pemahaman audio dan instruksi lisan hanya dievaluasi dalam bahasa Inggris.
Label pembicara bukan identitas. <spk:0> berarti "suara pertama," bukan orang dengan nama tertentu.
Output panjang butuh ruang. Percakapan padat selama satu jam dapat menghasilkan sekitar 20.000 token output, jadi atur max_new_tokens sesuai kebutuhan.
Model ini bisa berhalusinasi. Kartu model memperingatkan bahwa ia mungkin "menghasilkan transkrip yang masuk akal" untuk audio yang tidak jelas. Tinjau apa pun yang bersifat legal atau medis.

FAQ

Apakah Nemotron 3.5 Transcribe gratis untuk penggunaan komersial? Ya. Lisensi OpenMDW-1.1 mengizinkan penggunaan komersial dan non-komersial atas bobotnya. API hosted mengenakan biaya untuk komputasi.

Apakah ada API key Nemotron 3.5 Transcribe gratis? Tidak ada yang kami temukan pada 29 Oktober 2026. DeepInfra dan OpenRouter berbayar, dan model ini belum ada di build.nvidia.com. Bandingkan dengan API gratis NVIDIA untuk Nemotron Nano 12B v2 VL, yang memang mendapatkan endpoint uji coba gratis.

Bisakah saya menjalankannya di Mac? Tidak, dari daftar resminya. Runtime yang didukung menyasar GPU NVIDIA di Linux atau Windows (WSL2). Dukungan GGML hanya tercantum untuk RTX 5090 dan RTX PRO 6000.

Bagaimana perbandingannya dengan Whisper? Pada leaderboard 28 Oktober, rata-ratanya 5,33% WER versus 7,16% untuk whisper-large-v3. Lihat panduan Whisper API kami untuk opsi hosted OpenAI dan peringkat model speech-to-text open-source terbaik kami untuk bidang lengkapnya.

Apakah model ini mendukung MP3? Ya. Ia menerima WAV, FLAC, MP3, OGG, atau apa pun yang ter-decode menjadi PCM mono 16 kHz. Gunakan FFmpeg untuk mengonversi format lain.

Kesimpulan

Nemotron 3.5 Transcribe gratis di bagian yang paling penting: bobotnya, lisensinya, dan demo NVIDIA. Coba Space-nya untuk pemeriksaan kualitas, self-host di H100, L40S, atau RTX 5090 untuk penggunaan privat tanpa batas, dan beralihlah ke DeepInfra seharga $0,12 per jam ketika Anda tidak memiliki perangkat kerasnya. Apa pun jalur yang Anda pilih, biarkan agent Anda menjalankan pemeriksaan Apidog pada endpoint agar transkrip yang buruk tidak pernah sampai ke produksi.

Model Speech-to-Text Open Source Terbaik di 2026

Walse — Thu, 29 Oct 2026 08:51:57 +0000

Model Speech-to-Text Open Source Terbaik di 2026

Model speech-to-text open-source terbaik pada Oktober 2026 adalah Nemotron 3.5 Transcribe dari NVIDIA, yang dirilis pada 28 Oktober. Pada Hugging Face Open ASR Leaderboard yang diperbarui hari yang sama, model ini rata-rata memiliki word error rate 5.33% dan berada di peringkat 9 dari 61 model. Delapan model di atasnya semuanya adalah API komersial tertutup. whisper-large-v3 dari OpenAI, yang masih menjadi default di banyak tutorial, berada di peringkat 41 dengan 7.16%.

Coba Apidog hari ini

Di bawah ini adalah sembilan model pengenalan ucapan open-weight yang layak dipertimbangkan saat ini, diperingkatkan berdasarkan leaderboard tersebut, dengan kecepatan, keunggulan, dan pekerjaan yang cocok untuk masing-masing. Setiap angka WER dan kecepatan berasal dari leaderboard yang dibaca pada 29 Oktober 2026.

Jika Anda lebih memilih di antara API hosted, baca panduan API Nemotron 3.5 Transcribe kami dan panduan API Whisper kami.

Bagaimana kami memberi peringkat

Open ASR Leaderboard menjalankan setiap model pada set pengujian bahasa Inggris yang sama: rapat (AMI), panggilan pendapatan (Earnings22), podcast dan YouTube (GigaSpeech), buku audio (LibriSpeech), panggilan keuangan (SPGISpeech), ucapan berisik (URGENT24), audio percakapan (Voice Arena Monsoon), pidato parlemen (VoxPopuli), dan dua set privat. Metrik peringkatnya adalah WER rata-rata, di mana lebih rendah lebih baik.

Kami juga mencantumkan RTFx, ukuran kecepatan leaderboard: detik audio yang ditranskripsikan per detik komputasi. Lebih tinggi berarti lebih cepat. API tertutup menunjukkan "NA" karena tidak dapat diukur waktunya pada perangkat keras yang sama.

Kami menghitung sebuah model sebagai open-weight ketika checkpoint-nya dapat diunduh dan leaderboard melaporkan RTFx untuknya. Periksa setiap lisensi sebelum penggunaan komersial.

Peringkat sekilas

Peringkat (open)	Model	Rata-rata WER	RTFx	Peringkat keseluruhan
1	NVIDIA Nemotron 3.5 Transcribe 30B-A4B	5.33%	462	9
2	Qwen3-ASR-1.7B	5.40%	819	11
3	IBM Granite Speech 5.0 2B	5.68%	545	12
4	Cohere Transcribe (03-2026)	5.77%	902	14
5	TheStage AI Whisper large-v3 turbo	5.91%	1,177	17
6	NVIDIA Canary-Qwen 2.5B	5.94%	862	21
7	NVIDIA Parakeet TDT 0.6B (versions)	5.98% hingga 6.18%	tidak dibandingkan	24 hingga 31
8	Mistral Voxtral Small 24B	6.38%	tidak dibandingkan	35
9	OpenAI Whisper large-v3	7.16%	tidak dibandingkan	41

Sebagai konteks, API tertutup terbaik di papan yang sama: Otter speech-v3.1 pada 4.55%, Zoom Scribe v2 Pro pada 4.70%, ElevenLabs Scribe v2 pada 5.24%, AssemblyAI Universal-3.5 Pro pada 5.39% dan OpenAI gpt-transcribe pada 5.96%. Nemotron 3.5 Transcribe mengalahkan AssemblyAI dan model hosted OpenAI sekaligus gratis untuk diunduh.

1. NVIDIA Nemotron 3.5 Transcribe: terbaik secara keseluruhan

WER 5.33%, RTFx 462, lisensi OpenMDW-1.1

Model baru NVIDIA ini bukan jaringan ASR klasik. Ini adalah model bahasa yang diperkaya ucapan: encoder ASR 600M parameter dan encoder pembicara memberi masukan ke LLM campuran pakar hibrida Mamba-2 dan Transformer dengan total 34B dan sekitar 4.3B parameter aktif. Desain itulah sebabnya model ini melakukan lebih dari sekadar transkripsi.

Mengapa ia berada di peringkat pertama:

40 bahasa, dengan 13 dinilai "unggul"
File satu jam dalam sekali proses, dengan konteks 65,536 token
Atribusi pembicara (hingga delapan pembicara) dan timestamp kata dari satu model
Prompt: kata verbatim atau bersih, istilah konteks untuk jargon, terjemahan
Akurasi long-form: WER rata-rata 10.98% pada set long-form leaderboard, versus 13.37% untuk Parakeet-TDT-0.6B-v3, menurut kartu model
Rapat: cpWER rata-rata 15.80% pada set multi-pembicara, di depan pipeline DiCoW plus DiariZen pada 16.83%

Trade-off: membutuhkan GPU besar (satu H100 80 GB dalam BF16, atau RTX 5090 dengan bobot NVFP4), tidak streaming, dan tanya jawab audio hanya bahasa Inggris.

Pilih untuk: rapat, podcast, panggilan pendapatan, arsip multibahasa, dan apa pun yang membutuhkan label pembicara atau file satu jam. Mulai dengan jalur gratis atau menjalankannya secara lokal.

2. Qwen3-ASR-1.7B: akurasi terbaik per dolar GPU

5.40% WER, RTFx 819

Qwen3-ASR-1.7B dari Alibaba hanya tertinggal 0.07 poin di belakang Nemotron pada rata-rata bahasa Inggris, namun berjalan sekitar 1.8 kali lebih cepat pada perangkat keras leaderboard, dari model dengan ukuran total seperdua puluhnya. Pada perbandingan multibahasa tujuh bahasa milik NVIDIA sendiri, Nemotron memimpin lebih jelas: WER rata-rata 4.62% versus 6.49%.

Pilih untuk: transkripsi batch yang didominasi bahasa Inggris pada GPU yang lebih kecil, di mana Anda tidak memerlukan atribusi pembicara bawaan. Jika Anda sudah menggunakan model multimodal Qwen, lihat panduan kami untuk Qwen3.5-Omni.

3. IBM Granite Speech 5.0 2B: terbaik untuk audio rapat pada ukurannya

5.68% WER, RTFx 545

Granite Speech 5.0 dari IBM mencatat WER 6.96% pada rekaman rapat AMI, skor AMI terbaik di antara enam model open teratas di sini dan lebih baik daripada 7.78% milik Nemotron di sana. Titik lemahnya adalah panggilan keuangan SPGISpeech pada 3.36%.

Pilih untuk: tim enterprise yang menstandarkan pada stack Granite IBM, dan transkripsi rapat pada GPU kelas menengah.

4. Cohere Transcribe: cepat dan akurat

5.77% WER, RTFx 902

Model transkripsi Cohere Labs Maret 2026 memadukan skor akurasi open lima teratas dengan salah satu kecepatan tertinggi di sini. Paling kuat pada LibriSpeech (0.97% bersih, 2.05% lainnya) dan lebih lemah pada VoxPopuli di 5.38%.

Pilih untuk: pipeline bahasa Inggris bervolume tinggi yang throughput-nya sama pentingnya dengan akurasi.

5. TheStage AI Whisper large-v3 turbo: tercepat di tier teratas

5.91% WER, RTFx 1,177

Ini adalah build Whisper large-v3 turbo yang dioptimalkan dari TheStage AI, dan merupakan model tercepat dalam daftar kami. Ia mencetak 1.62% pada SPGISpeech, skor terbaik ketiga pada set itu di antara semua 61 model. Ini menunjukkan masih banyak potensi keluarga Whisper setelah seseorang menyetelnya.

Pilih untuk: tim dengan kode Whisper yang ada yang menginginkan peningkatan kecepatan dan akurasi drop-in.

6. NVIDIA Canary-Qwen 2.5B: flagship NVIDIA sebelumnya

5.94% WER, RTFx 862

Canary-Qwen adalah model speech-plus-LLM NVIDIA sebelumnya, dan Nemotron 3.5 Transcribe menggantikannya di puncak. Ia masih cepat, dan skor SPGISpeech-nya 1.70% sangat baik. Pada tes preference-ASR NVIDIA, Nemotron mencetak 7.56% versus 8.16% milik Canary-Qwen.

Pilih untuk: deployment NeMo yang ada yang belum bisa pindah ke GPU 80 GB.

7. NVIDIA Parakeet TDT 0.6B: opsi serius terkecil

WER 5.98% hingga 6.18% di berbagai versi

Parakeet TDT memiliki beberapa versi 0.6B parameter di papan, semuanya dalam selisih sekitar 0.2 poin satu sama lain. Dengan 600M parameter, ini adalah model terkecil di sini yang tetap mendekati WER 6%, sehingga dapat berjalan pada GPU sederhana. Kelemahannya adalah audio long-form, di mana Nemotron mengalahkannya dengan selisih lebih dari dua poin.

Pilih untuk: perangkat edge, GPU murah, dan klip pendek seperti perintah suara atau potongan panggilan.

8. Mistral Voxtral Small 24B: ucapan plus LLM yang kuat

6.38% WER

Voxtral Small memadukan input ucapan dengan model bahasa Mistral 24B, jadi seperti Nemotron ia dapat menjawab pertanyaan tentang audio, bukan hanya mentranskripsinya. Ia tertinggal dari lima teratas dalam WER murni. Perbandingan Voxtral vs. Whisper kami membahas rilis sebelumnya secara mendalam.

Pilih untuk: asisten suara dan Q&A audio yang model bahasanya lebih penting daripada poin terakhir WER.

9. OpenAI Whisper large-v3: baseline

WER 7.16%, peringkat 41 keseluruhan

Whisper large-v3 masih merupakan model open yang paling banyak digunakan, dengan ekosistem wrapper, fine-tune, dan tutorial terbesar. Dalam hal akurasi, ia sekarang tertinggal dari setiap model lain dalam daftar ini. Jika Anda menjalankannya di produksi, beralih ke salah satu dari enam teratas adalah peningkatan kualitas termurah yang tersedia.

Pilih untuk: prototipe yang bergantung pada tooling khusus Whisper, atau sebagai baseline yang harus dikalahkan.

Mana yang harus Anda pilih?

Tugas Anda	Pilih
Rapat dengan beberapa pembicara	Nemotron 3.5 Transcribe
Podcast atau panggilan satu jam dalam sekali proses	Nemotron 3.5 Transcribe
Arsip multibahasa	Nemotron 3.5 Transcribe
Tugas batch bahasa Inggris pada GPU yang lebih kecil	Qwen3-ASR-1.7B
Throughput maksimum	TheStage Whisper large-v3 turbo atau Cohere Transcribe
Perangkat edge atau berbiaya rendah	Parakeet TDT 0.6B
Q&A audio plus transkripsi	Nemotron 3.5 Transcribe atau Voxtral Small
Kode Whisper yang ada, perubahan minimal	TheStage Whisper large-v3 turbo

Satu peringatan: rata-rata leaderboard menyembunyikan kesenjangan domain. Nemotron terbaik secara keseluruhan, namun Granite mengalahkannya pada AMI dan beberapa model mengalahkannya pada LibriSpeech. Uji dua atau tiga teratas pada 50 hingga 100 rekaman Anda sendiri sebelum memutuskan.

Benchmark kandidat dengan agen coding Anda dan Apidog CLI

Cara tercepat untuk menjalankan uji banding itu adalah membiarkan agen coding Anda melakukannya. Sajikan dua atau tiga model di balik endpoint /v1/audio/transcriptions bergaya OpenAI (SGLang-Omni menyajikan Nemotron dengan cara ini), lalu minta agen membangun dan menjalankan pemeriksaan yang sama terhadap masing-masing dengan Apidog CLI.

npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick your agent when prompted

Lalu beri agen Anda satu [REDACTED PROMPT]text
In Apidog project , create one environment per speech server (nemotron, qwen3-asr,
whisper) with its baseUrl. Create test cases that POST each file in samples/ to
{{baseUrl}}/v1/audio/transcriptions, assert status 200 and non-empty text, and save the
transcript to a variable. Run the cases against each environment and give me a table
of failures and response times per server.


Agen membaca skema, memvalidasi payload-nya, menulis kasus, dan menjalankannya per environment:

bash
apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project --file case.json
apidog run --test-case --project -e -r cli,json




Nilai transkrip yang disimpan terhadap teks referensi Anda dengan skrip WER apa pun, dan pertahankan proses environment pemenang di CI dengan `-r junit`. Lihat [Apidog CLI di Claude Code](https://apidog.com/id/blog/apidog-cli-in-claude-code?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) dan [Apidog CLI dalam pipeline CI/CD](https://apidog.com/id/blog/apidog-cli-ci-cd-pipeline?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation).

## FAQ

**Apa model speech-to-text open-source paling akurat?** NVIDIA Nemotron 3.5 Transcribe, dengan WER rata-rata 5.33% pada Open ASR Leaderboard 28 Oktober 2026.

**Apakah Whisper masih bagus?** Ia berfungsi, tetapi `whisper-large-v3` berada di peringkat 41 dengan 7.16%. Build Whisper yang disetel seperti large-v3 turbo TheStage mencetak 5.91%.

**Model open mana yang tercepat?** Di antara model di sini, Whisper large-v3 turbo dari TheStage AI, dengan RTFx 1,177.

**Apakah model open sekarang mengalahkan API berbayar?** Beberapa. Nemotron 3.5 Transcribe mengalahkan AssemblyAI Universal-3.5 Pro (5.39%) dan OpenAI gpt-transcribe (5.96%). Otter, Zoom, dan ElevenLabs masih memimpin secara keseluruhan. Untuk opsi hosted, lihat [ikhtisar API speech-to-text](https://apidog.com/id/blog/top-5-text-to-speech-and-speech-to-text-apis-you-should-use-right-now?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) kami.

**Mana yang mendukung diarisasi pembicara?** Nemotron 3.5 Transcribe melakukannya dalam model yang sama, dengan hingga delapan pembicara. Sebagian besar lainnya memerlukan langkah diarisasi terpisah.

## Putusan

Untuk sebagian besar tim pada akhir 2026, mulailah dengan Nemotron 3.5 Transcribe jika Anda memiliki GPU 80 GB atau dapat membayar $0.12 per jam pada API hosted. Pilih Qwen3-ASR-1.7B saat anggaran GPU ketat, dan Parakeet saat perangkat keras lebih ketat lagi. Apa pun yang Anda pilih, uji pada audio Anda sendiri, dan biarkan agen Anda terus menjalankan pemeriksaan [Apidog](https://apidog.com?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) agar model yang Anda pilih tetap berkinerja setelah setiap upgrade.

Cara Menjalankan Nemotron 3.5 Transcribe Secara Lokal: Satu GPU, File 1 Jam, Tanpa Tagihan API

Walse — Thu, 29 Oct 2026 08:50:10 +0000

Cara Menjalankan Nemotron 3.5 Transcribe Secara Lokal: Satu GPU, File 1 Jam, Tanpa Tagihan API

Anda dapat menjalankan Nemotron 3.5 Transcribe terbaru dari NVIDIA di satu GPU dan mentranskripsikan rekaman berdurasi satu jam dalam 40 bahasa tanpa membayar per menit atau mengirim audio ke siapa pun. Ini adalah model berbobot terbuka terbaik di Hugging Face Open ASR Leaderboard, dirilis di bawah lisensi OpenMDW-1.1 yang ramah komersial, dan NVIDIA menerbitkan bobot BF16, FP8, serta NVFP4 pada hari peluncurannya, 28 Oktober 2026.

Coba Apidog hari ini

Panduan ini membahas perangkat keras yang Anda butuhkan, tiga cara menjalankannya (vLLM, SGLang-Omni, dan Transformers), perintah persis dari kartu model resmi, serta pengaturan yang sering membuat orang tersandung. Semua perintah disalin dari kartu tersebut pada 29 Oktober 2026.

Baru mengenal model ini? Panduan gratis kami menjelaskan apa fungsinya dan bagaimana peringkatnya. Tidak punya GPU? API terkelola berbiaya $0,002 per menit.

Mengapa menjalankannya secara lokal

Tanpa tagihan per menit. Dengan tarif DeepInfra $0,002 per menit, 10.000 jam berbiaya $1.200. Di GPU Anda sendiri, biayanya hanya listrik.
Privasi. Panggilan pelanggan, dikte medis, dan rekaman hukum tidak pernah keluar dari jaringan Anda.
Fitur lengkap. Jalur vLLM mendukung timestamp per kata, diarisasi pembicara, penerjemahan, dan prompt konteks. Beberapa endpoint terkelola hanya mengekspos sebagian dari itu.
Fine-tuning. Postingan peluncuran NVIDIA menunjukkan fine-tune medis yang menurunkan WER dari 30,8% menjadi 11,8%. Anda hanya bisa melakukannya dengan bobot modelnya.

Perangkat keras: apa yang bisa menjalankannya

Model ini memiliki total 34B parameter dengan sekitar 4,3B aktif, sehingga bobotnya besar meskipun komputasi per token kecil. Target referensi NVIDIA adalah satu H100 80 GB dalam BF16. Tabel kompatibilitas pada kartu model:

GPU	Presisi	Runtime
H100, H200	BF16, FP8	vLLM 0.32.0, Transformers, SGLang-Omni 0.2.0 (H100)
A100 80 GB	BF16	vLLM 0.32.0, Transformers
L40S 48 GB	FP8	vLLM 0.32.0, Transformers
B200, GB200, GB300 DGX Station	BF16, FP8, NVFP4	vLLM 0.32.0, Transformers
DGX Spark (GB10), Jetson Thor	BF16, FP8, NVFP4	vLLM 0.32.0, Transformers
RTX PRO 6000 Blackwell Server	BF16, FP8, NVFP4	vLLM, Transformers, SGLang-Omni, GGML
RTX 5090 (32 GB)	NVFP4 saja	vLLM 0.32.0, Transformers, GGML

Pilih checkpoint sesuai kartu Anda:

nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B (BF16)
nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B-FP8
nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B-NVFP4

Kartu 24 GB seperti RTX 4090 tidak ada dalam daftar, dan Apple Silicon tidak didukung. Sistem operasinya adalah Linux, atau Windows melalui WSL2. GGML juga berjalan di Windows native, tetapi postingan peluncuran NVIDIA menyebut build lokal NeMo-Speech.cpp masih “segera hadir.”

Opsi 1: server vLLM (direkomendasikan)

vLLM memberi Anda endpoint yang kompatibel dengan OpenAI dengan batching, file berdurasi satu jam, speculative decoding, dan timestamp per kata. Ini membutuhkan vLLM 0.32.0 plus branch main NeMo Speech terbaru, yang menyediakan plugin vLLM untuk model tersebut.

Instalasi

Kartu model menggunakan uv dan Python 3.13:

git clone https://github.com/NVIDIA-NeMo/Speech.git nemo-speech
cd nemo-speech
uv venv --python 3.13 .venv
UV_PROJECT_ENVIRONMENT=$PWD/.venv uv sync --extra asr --extra vllm --locked --no-install-project
uv pip install --python .venv/bin/python --no-deps -e .
uv pip install --python .venv/bin/python --no-deps av==19.0.2
uv pip install --python .venv/bin/python --no-deps opencv-python-headless==5.0.0.93
source .venv/bin/activate
hf download nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B --local-dir ./NVIDIA-Nemotron-3.5-Transcribe-30B-A4B

PyAV (av) memungkinkannya mendekode M4A dan format terkompresi lain tanpa FFmpeg sistem. OpenCV ada di sana karena vLLM membutuhkannya dan pengaturan dependensi NeMo tidak menyertakannya.

Jalankan server

export VLLM_PLUGINS=nemo_speechlm
export VLLM_MAX_AUDIO_DECODE_DURATION_S=3600
export VLLM_MAX_AUDIO_CLIP_FILESIZE_MB=180
export VLLM_USE_V2_MODEL_RUNNER=0
vllm serve ./NVIDIA-Nemotron-3.5-Transcribe-30B-A4B \
  --served-model-name nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B \
  --trust-remote-code --dtype bfloat16 --gpu-memory-utilization 0.94 \
  --max-model-len 65536 --max-num-batched-tokens 4096 --max-num-seqs 192 \
  --enable-chunked-prefill --no-enable-prefix-caching \
  --use-replayssm --mamba-backend flashinfer --mamba-cache-mode none \
  --mm-processor-cache-gb 0 --no-async-scheduling \
  --limit-mm-per-prompt '{"audio":{"count":6,"length":120000000}}' \
  --speculative-config '{"method":"mtp","num_speculative_tokens":8}' \
  --reasoning-parser nemotron_v3 \
  --trust-request-mm-kwargs \
  --middleware nemo.collections.speechlm2.vllm.salm.ctc_serving.ctc_timestamp_middleware

Flag yang perlu dipahami:

VLLM_MAX_AUDIO_DECODE_DURATION_S=3600 menaikkan batas audio vLLM dari 600 detik menjadi satu jam. Lupakan ini dan file panjang akan gagal.
VLLM_USE_V2_MODEL_RUNNER=0 mempertahankan runner V1, yang dibutuhkan timestamp per kata.
--speculative-config mengaktifkan prediksi multi-token dengan delapan token draf (MTP8). Di H100, NVIDIA mengukur RTFx bahasa Inggris secara batch sebesar 270 dengan MTP8 dan 410 dengan MTP2, jadi cobalah "num_speculative_tokens":2 jika Anda lebih mementingkan throughput daripada latensi.
--middleware ... ctc_timestamp_middleware dan --trust-request-mm-kwargs memungkinkan permintaan meminta timestamp per kata.
Pengaturan ini menyasar H100 80 GB. Pada kartu lain, turunkan --gpu-memory-utilization, --max-model-len, atau --max-num-seqs.

Server mendengarkan di 127.0.0.1:8000. Tambahkan --host 0.0.0.0 agar bisa diakses dari mesin lain di jaringan Anda.

Kirim file

import base64
from openai import OpenAI

client = OpenAI(base_url="http://127.0.0.1:8000/v1", [REDACTED CREDENTIAL])
audio = base64.b64encode(open("standup.wav", "rb").read()).decode()

response = client.chat.completions.create(
    model="nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B",
    messages=[{"role": "user", "content": [
        {"type": "text", "text": "Transcribe the following audio."},
        {"type": "audio_url", "audio_url": {"url": f"data:audio/wav;base64,{audio}"}},
    ]}],
    temperature=0,
    extra_body={"chat_template_kwargs": {"enable_thinking": False}, "skip_special_tokens": False},
)
print(response.choices[0].message.content)

Ganti instruksi teks dengan prompt tugas apa pun. Untuk rapat dengan beberapa suara:

Transkripsikan secara verbatim, termasuk kata pengisi. Tulis angka seperti yang diucapkan, tanpa tanda baca atau huruf kapital. Awali setiap giliran pembicara dengan <spk:0>, <spk:1>, dst. Pertahankan satu tag yang stabil untuk setiap pembicara. Keluarkan hanya transkrip yang ditandai pembicara.

Permintaan timestamp per kata memiliki aturan: satu rekaman per permintaan, stream=false dan n=1. Responsnya kemudian menyertakan objek ctc_timestamps berisi kata, waktu mulai dan selesai dalam detik, serta tag pembicara.

Opsi 2: SGLang-Omni untuk transkripsi biasa

Jika Anda hanya butuh teks dari file utuh, SGLang-Omni 0.2.0 lebih sederhana dan tidak memerlukan NeMo. Ini tervalidasi pada satu H100 80 GB dan satu RTX PRO 6000 Blackwell dengan checkpoint BF16 atau FP8.

sgl-omni serve \
  --model-path nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B \
  --model-name nemotron-transcribe \
  --mem-fraction-static 0.85 \
  --port 8000

curl http://localhost:8000/v1/audio/transcriptions \
  -F model=nemotron-transcribe \
  -F file=@audio.wav

Rute /v1/audio/transcriptions tersebut cocok dengan bentuk yang digunakan Whisper API milik OpenAI, sehingga kode klien Whisper yang ada sering kali hanya perlu base URL baru. Komprominya: tidak ada timestamp per kata, label pembicara, penerjemahan, atau speculative decoding dalam integrasi ini.

Opsi 3: Transformers dalam skrip

Untuk notebook dan pekerjaan sekali jalan, jalankan secara in-process dengan Hugging Face Transformers yang dipasang dari sumber:

pip install git+https://github.com/huggingface/transformers

from transformers import AutoModelForMultimodalLM, AutoProcessor

model_id = "nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForMultimodalLM.from_pretrained(model_id, device_map="auto")

[REDACTED PROMPT]ization. Include all spoken words "
          "and verbal fillers. Put speaker tags <spk:0> <spk:1> <spk:2> <spk:3> on the transcription.")
inputs = processor.apply_transcription_request(["podcast.mp3"], [REDACTED PROMPT]to(model.device)
outputs = model.generate(**inputs, max_new_tokens=4096)
print(processor.decode(outputs[:, inputs.input_ids.shape[1]:], skip_special_tokens=False))

Ini cara termudah untuk memulai dan cara paling lambat untuk menjalankan dalam skala besar. Naikkan max_new_tokens untuk file panjang: satu jam audio padat dapat menghasilkan sekitar 20.000 token.

Seberapa cepat di GPU Anda sendiri?

Angka utama NVIDIA adalah 2.238 detik audio per detik pada satu RTX PRO 6000 Blackwell, dengan bobot NVFP4 dan speculative decoding DFlash2, serta 0,13 detik untuk mengembalikan klip 30 detik. Baca catatan kakinya: angka-angka itu berasal dari NIM yang dioptimalkan, yang perubahan penyajiannya belum open source. Kartu model menyebut integrasi vLLM terbuka diperkirakan sekitar dua kali lebih lambat.

Untuk transkripsi bahasa Inggris secara batch di H100 dalam BF16, kartu model mencantumkan angka RTFx berikut (detik audio per detik komputasi):

Speculative decoding	RTFx
MTP2	410
DFlash2, K=7	340
MTP8	270
DFlash2, K=15	260

Bahkan baris paling lambat menyelesaikan satu jam audio dalam waktu kurang dari 15 detik waktu GPU pada pekerjaan batch. Jika Anda menginginkan model draf DFlash2, perhatikan bahwa vLLM 0.32.0 memerlukan patch kecil dari kartu model, DFlash2 menonaktifkan timestamp per kata, dan Anda tidak boleh menggabungkannya dengan MTP.

Masalah umum dan solusinya

File panjang terpotong di menit ke-10. Anda melewatkan VLLM_MAX_AUDIO_DECODE_DURATION_S=3600.
Tidak ada timestamp dalam respons. Periksa VLLM_USE_V2_MODEL_RUNNER=0, flag --middleware, dan pastikan permintaan memiliki stream=false serta satu rekaman.
Kehabisan memori pada kartu yang lebih kecil. Beralihlah ke checkpoint FP8 atau NVFP4 dan turunkan --max-num-seqs.
Frasa berulang di akhir transkrip. Kartu model merekomendasikan pengaman loop generasi pada keluaran akhir. Batasi max_tokens dan potong pengulangan.
Ejaan nama salah. Tambahkan Context terms: <names> ke prompt.
Suara latar muncul di transkrip. Coba prompt near-field eksperimental dari kartu model, yang menurunkan WER pada audio campuran dari 27,32% menjadi 4,78% dalam pengujian NVIDIA.

Jika Anda baru mengenal vLLM sendiri, penjelasan vLLM kami membahas cara ia melakukan batching permintaan dan mengelola memori GPU.

Biarkan agen coding Anda menguji server lokal dengan Apidog CLI

Model lokal hanya berguna jika endpoint-nya tetap benar di seluruh peningkatan versi vLLM, penyesuaian prompt, dan penggantian checkpoint. Biarkan agen coding Anda menanganinya dengan Apidog CLI, yang menjalankan pemeriksaan terhadap http://127.0.0.1:8000 dari mesin yang sama.

npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick your agent when prompted

Lalu berikan satu prompt kepada agen Anda:

Di proyek Apidog <id>, tambahkan POST {{baseUrl}}/v1/chat/completions untuk server
Nemotron 3.5 Transcribe lokal saya. Buat test case yang mengirim samples/en.wav dan
samples/two-speakers.wav sebagai konten audio_url base64 dengan temperature 0, dan pastikan
status 200, choices[0].message.content tidak kosong, dan setidaknya ada dua tag <spk:N>
yang berbeda untuk file dua pembicara. Jalankan semuanya terhadap lingkungan lokal dan laporkan kegagalannya.

Agen membaca skema, memvalidasi payload-nya, menulis test case, dan menjalankannya:

apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project <id> --file case.json
apidog run --test-case <caseId> --project <id> -e <envId> -r cli,json

Jalankan setelah setiap peningkatan server, atau sambungkan apidog run ... -r junit ke CI seperti yang ditunjukkan di Apidog CLI dalam pipeline CI/CD. Untuk penyiapan agen, lihat Apidog CLI di Claude Code.

FAQ

Bisakah saya menjalankan Nemotron 3.5 Transcribe di RTX 4090? Kartu itu tidak ada dalam daftar kompatibilitas NVIDIA. Kartu konsumen terkecil yang terdaftar adalah RTX 5090 dengan checkpoint NVFP4.

Apakah bisa berjalan di Mac? Tidak ada runtime resmi yang mendukung Apple Silicon per 29 Oktober 2026.

Apakah penggunaan lokal gratis untuk produk komersial? Lisensi OpenMDW-1.1 mengizinkan penggunaan komersial dan non-komersial. Bacalah teks lisensinya untuk ketentuan atribusi sebelum merilis produk.

Bisakah ia mentranskripsikan audio langsung? Tidak. Ini adalah model offline untuk file rekaman. NVIDIA menawarkan model terpisah, Nemotron 3.5 ASR Streaming, untuk penggunaan langsung.

Mana yang lebih cepat, vLLM atau SGLang-Omni? NVIDIA tidak menerbitkan perbandingan langsung. Gunakan vLLM saat Anda membutuhkan timestamp, pembicara, atau penerjemahan, dan SGLang-Omni untuk server teks-saja yang paling sederhana.

Bagaimana peringkatnya dibandingkan model lokal lain? Ia memimpin semua model berbobot terbuka pada Open ASR Leaderboard 28 Oktober. Daftar model speech-to-text open source terbaik kami membandingkannya dengan Qwen3-ASR, Granite Speech, Canary-Qwen, Voxtral, dan Whisper.

Jalankan

Unduh checkpoint yang sesuai dengan GPU Anda, jalankan vLLM dengan batas audio satu jam dan middleware timestamp, lalu kirim file WAV melalui klien OpenAI. Setelah itu biarkan agen Anda menjalankan pemeriksaan Apidog terhadap endpoint lokal sehingga setiap peningkatan versi membuktikan bahwa model masih bisa mentranskripsikan sebelum Anda mempercayakannya dengan rekaman nyata.

Cara Migrasi dari Redocly ke Apidog Tanpa Kehilangan Alur Kerja Docs-as-Code

Walse — Thu, 29 Oct 2026 08:45:57 +0000

Cara Migrasi dari Redocly ke Apidog Tanpa Kehilangan Alur Kerja Docs-as-Code

Jika Anda menjalankan portal developer di Redocly, Anda sudah bekerja dengan cara yang diinginkan sebagian besar tim API: openapi.yaml berada di Git, panduan dalam Markdown, dan setiap push memperbarui dokumentasi. Kekhawatiran utama saat berganti alat adalah kehilangan alur tersebut dan berakhir mengedit dokumentasi secara manual di UI web.

Coba Apidog hari ini

Anda tidak harus begitu. Mode Spec-first Apidog menyimpan spec dan Markdown Anda di repositori yang sama, menyinkronkan setiap push melalui webhook, dan menerbitkan portal dengan panduan serta referensi API dalam satu sidebar. Panduan ini membahas migrasinya, termasuk satu bagian yang tidak ikut secara otomatis: konten panjang yang banyak pengguna Redocly simpan di dalam info.description dan tags[].description.

Jika Anda masih membandingkan alat, mulailah dengan Apidog vs. Redocly atau daftar yang lebih luas tentang alternatif Redocly. Tulisan ini mengasumsikan Anda sudah memilih Apidog dan ingin bermigrasi tanpa merusak alur kerja Anda.

Apa yang ikut dan apa yang tidak

Kami menguji migrasi ini dengan spec produksi nyata: OpenAPI 3.0.3, 62 operasi di 13 tag, dengan konten getting started, autentikasi, dan integrasi yang ditulis ke dalam field description spec. Berikut yang terjadi saat impor.

Item	Hasil di Mode Spec-first Apidog
Operasi, path, parameter	Diimpor utuh (62 dari 62)
Skema dan `components`	Diimpor utuh
Skema keamanan (API key, bearer, OAuth2)	Diimpor utuh
Tag	Menjadi folder endpoint (13 dari 13)
Sinkronisasi Git	Push ke repo, webhook memperbarui proyek
`info.description`	Diimpor, tetapi tidak dirender sebagai halaman panduan terpisah
`tags[].description`	Diimpor, tetapi tidak ditampilkan sebagai halaman intro kategori secara default
File Markdown di repo	Disinkronkan dan diterbitkan sebagai halaman dokumentasi

Referensi API berpindah tanpa edit. Celahnya adalah konten naratif.

Mengapa field description Anda tidak dirender dengan cara yang sama

Redoc, renderer di balik dokumentasi referensi Redocly, memperlakukan info.description sebagai dokumen mini. Setiap heading Markdown di dalamnya menjadi entri sidebar, sehingga tim sering menulis seluruh panduan "Getting started" dan "Authentication" mereka di sana. Deskripsi tag dirender sebagai teks intro di bagian atas setiap grup tag.

Itu adalah konvensi Redoc, bukan bagian dari Spesifikasi OpenAPI. Spec hanya mendefinisikan description sebagai string CommonMark. Apidog, seperti sebagian besar portal, menyimpan panduan sebagai dokumen Markdown mandiri dan menyimpan spec untuk referensi. Publikasi default setelah impor hanya menampilkan referensi API, tanpa panduan yang Anda tulis di field description.

Perbaikannya adalah pemindahan sekali saja: angkat konten itu keluar dari YAML ke file Markdown di sebelahnya. Setelah itu, semuanya tetap digerakkan oleh Git.

Tata letak repositori target

Ini struktur yang kami validasi:

your-repo/
├── openapi.yaml              # source of truth for the API reference
└── docs/
    ├── getting-started.md
    ├── authentication.md
    └── embed-integration-guide.md

openapi.yaml menggerakkan referensi API. Setiap file di docs/ menjadi halaman di sidebar portal. Gambar yang direferensikan oleh file Markdown tersebut dapat berada di repo yang sama dan disinkronkan dengannya.

Jika Anda menggunakan sidebars.yaml Redocly untuk mengurutkan navigasi, simpan sebagai referensi. Anda akan mengatur urutan yang sama sekali di pengaturan situs dokumentasi Apidog.

Migrasi langkah demi langkah

1. Audit apa yang ada di dalam field description Anda

Sebelum memindahkan apa pun, lihat berapa banyak konten yang ada di spec. Dengan yq:

# How long is the top-level description?
yq '.info.description' openapi.yaml | wc -w

# Which headings does it contain? Each one is a Redoc sidebar entry today.
yq '.info.description' openapi.yaml | grep -E '^#{1,3} '

# Which tags carry a description?
yq '.tags[] | select(.description != null) | .name' openapi.yaml

Daftar heading adalah daftar file docs/ Anda nanti. Dalam pengujian kami, info.description terbagi menjadi dua file Markdown, dan deskripsi tag menjadi halaman intro per folder plus satu file Markdown tambahan.

2. Pisahkan `info.description` menjadi file Markdown

Salin setiap bagian tingkat atas ke file sendiri di bawah docs/. Pertahankan heading, contoh kode, dan tautan. Lalu perkecil info.description di spec menjadi ringkasan satu paragraf, sehingga konten hanya berada di satu tempat.

Perhatikan dua fitur khusus Redoc saat Anda menyalin:

<SecurityDefinitions /> dan tag Redoc serupa tidak dirender di luar Redoc. Ganti dengan bagian tertulis singkat yang menautkan ke skema keamanan di referensi.
Tautan seperti #tag/Payments mengarah ke anchor Redoc. Perbarui ke URL dokumen atau folder Apidog yang cocok setelah publikasi pertama.

3. Hubungkan repositori di Mode Spec-first

Buat proyek di Mode Spec-first, hubungkan repositori Anda (GitHub, GitLab, Azure DevOps, atau Bitbucket), arahkan ke openapi.yaml dan folder docs/, lalu pasang webhook. Setelah itu, push ke branch yang dilacak akan memperbarui proyek.

Setelah sinkronisasi pertama, workspace Specs menampilkan spec Anda dan bagian lain repositori. Tab APIs mencantumkan operasi yang diurai dari openapi.yaml, Docs menyimpan halaman Markdown Anda, dan All files mencerminkan repo.

Webhook inilah yang menjaga alur kerja docs-as-code ini. Tanpanya, Anda harus memicu sinkronisasi secara manual. Untuk penyegaran mengapa ini penting, lihat panduan kami tentang docs as code.

4. Terbitkan situs dokumentasi dan atur navigasi

Terbitkan situs dokumentasi dari proyek dan atur sidebar. Urutan yang diinginkan sebagian besar pengguna Redocly, dan yang kami reproduksi, adalah:

Memulai
Autentikasi
Panduan integrasi
Referensi API (folder endpoint dari tag Anda)

Halaman Markdown dan folder API dapat dicampur dengan bebas dalam satu pohon, sehingga Anda dapat menyamai sidebar Redocly Anda saat ini dengan cukup dekat.

5. Tambahkan domain kustom Anda

Arahkan CNAME seperti developers.example.com ke situs dokumentasi. Domain kustom tersedia di paket Free.

Biarkan coding agent Anda memigrasikan deskripsi tag dengan Apidog CLI

Deskripsi tag adalah bagian yang paling membosankan. Tiga belas tag berarti tiga belas pekerjaan salin-tempel, dan Anda akan mengulanginya setiap kali deskripsi tag berubah selama transisi. Serahkan saja ke coding agent Anda.

Apidog CLI memberi Claude Code, Codex, Cursor, atau agent terminal apa pun akses JSON terstruktur ke proyek Anda, termasuk folder endpoint. Siapkan sekali:

npm install -g apidog-cli@latest
apidog auth login --with-token <YOUR_ACCESS_TOKEN>
npx -y skills add https://apidog.com

Baris terakhir memasang skill Apidog agar agent Anda mengetahui perintahnya tanpa menebak-nebak. Panduan instalasi mencakup token dan deployment privat.

Lalu beri agent Anda satu [REDACTED PROMPT] openapi.yaml. Untuk setiap tag dengan deskripsi, temukan folder endpoint yang cocok di proyek Apidog <PROJECT_ID> dan atur deskripsi folder tersebut ke deskripsi tag. Validasi setiap payload dengan apidog cli-schema validate folder-update sebelum menulis. Tunjukkan daftar folder yang Anda ubah.

Berikut yang dijalankan agent:

# Find the folder IDs that correspond to your tags
apidog folder list --project <PROJECT_ID> --type endpoint

# Check the payload shape instead of guessing it
apidog cli-schema get folder-update

# For each tag: write {"description": "..."} to a file, validate, then update
apidog cli-schema validate folder-update --file ./payments-folder.json
apidog folder update <FOLDER_ID> --project <PROJECT_ID> --type endpoint \
  --file ./payments-folder.json

Skema folder-update menerima name, parentId, dan description, dan description didukung pada folder endpoint dan test-scenario. Untuk panduan yang tidak termasuk dalam satu tag, agent dapat menggunakan apidog doc list dan apidog doc create dengan cara yang sama, setelah membaca apidog cli-schema get doc-create.

Untuk menampilkan intro folder di situs yang diterbitkan, atur Folder Contents Displaying Setting di pengaturan folder pada Documentation Settings after Publication.

Satu catatan jujur: menampilkan deskripsi tag sebagai halaman intro per kategori bisa berhasil, tetapi mengandalkan jalur yang kurang terdokumentasi. Uji pada dua atau tiga folder di workspace Anda sendiri sebelum Anda bergantung padanya untuk semuanya. Untuk lebih banyak pekerjaan spec yang digerakkan agent, lihat menggunakan Apidog CLI di Claude Code dan membiarkan agent memperbarui spesifikasi API Anda.

Apa yang tetap di luar Git

Proyek Spec-first menyimpan API dan Markdown Anda di Git. Beberapa pengaturan portal berada di antarmuka Apidog dan tidak dikontrol versi:

Pengaturan	Di mana disimpan
`openapi.yaml` (endpoint, skema, keamanan)	Git
Halaman panduan di `docs/`	Git
Publikasi situs dokumentasi	Antarmuka Apidog
Urutan sidebar dan navigasi	Antarmuka Apidog
Pengaturan tampilan intro folder	Antarmuka Apidog
Domain kustom	Antarmuka Apidog dan DNS Anda

Ini adalah item yang diatur sekali. Anda menyentuhnya saat menambahkan bagian tingkat atas baru, bukan pada setiap perubahan konten. Redocly menyimpan lebih banyak dari ini di redocly.yaml dan sidebars.yaml, jadi jika Anda meninjau perubahan navigasi di pull request saat ini, rencanakan agar itu berpindah ke UI.

Paket dan harga

Pengaturan yang dijelaskan di sini cocok dengan paket Free, termasuk domain kustom. Free mencakup hingga 4 anggota tim. Paket berbayar menambahkan hal-hal seperti beberapa situs dokumentasi per proyek dan kontrol visibilitas kustom. Lihat harga Apidog untuk batasan terkini.

Redocly vs. Apidog setelah migrasi

	Redocly	Mode Spec-first Apidog
Spec di Git	Ya	Ya
Panduan sebagai Markdown di Git	Ya	Ya
Sinkronisasi otomatis saat push	Ya	Ya, melalui webhook
Panduan di dalam `info.description`	Dirender sebagai bagian sidebar	Pindahkan ke file Markdown
Konfigurasi navigasi	`sidebars.yaml` di Git	Antarmuka Apidog
Pengujian, mocking, debugging API	Alat terpisah	Proyek yang sama
Akses agent melalui CLI	Redocly CLI (lint, bundle, build)	Apidog CLI (baca dan tulis resource proyek)

Pertukarannya sederhana. Anda kehilangan navigasi yang didefinisikan YAML. Anda mendapatkan pengujian, mocking, dan CLI yang ramah agent pada spec yang sama dengan sumber dokumentasi Anda. Untuk perbandingan CLI demi CLI, baca Apidog CLI vs Redocly CLI.

FAQ

Apakah URL yang dihosting Redocly saya akan tetap berfungsi? Tidak secara otomatis. Path halaman berubah. Jika portal lama Anda memiliki URL panduan dengan trafik tinggi, tambahkan redirect di lapisan DNS atau proxy untuk halaman utama setelah Anda mengganti domain.

Apakah saya harus menulis ulang spec OpenAPI saya? Tidak. Spec diimpor apa adanya. Anda hanya memindahkan konten naratif dari info.description dan tags[].description ke file Markdown.

Bisakah saya mempertahankan x-tagGroups? Gunakan folder untuk pengelompokan sebagai gantinya. Setiap tag menjadi folder, dan Anda dapat menyarangkan folder untuk mereproduksi grup tag Anda.

Bagaimana ini dibandingkan dengan migrasi dari Stoplight? Bentuknya serupa: spec di Git, Markdown di sebelahnya, sinkronisasi webhook. Lihat cara migrasi dari Stoplight ke Apidog jika Anda menjalankan kedua alat.

Bagaimana jika suatu langkah berperilaku berbeda di workspace saya? Hasil kami berasal dari lingkungan pengujian. Jalankan ulang impor di branch terlebih dahulu dan bandingkan portal yang diterbitkan dengan portal Anda saat ini sebelum mengganti DNS.

Lakukan migrasi dalam satu sore

Migrasi Redocly ke Apidog sebagian besar adalah pemindahan konten. Spec Anda diimpor apa adanya. Panduan Anda dipindahkan keluar dari field description ke folder docs/ sekali saja. Webhook menjaga semuanya tetap sinkron setelah itu. Biarkan agent Anda menangani pekerjaan deskripsi tag yang repetitif dengan Apidog CLI, dan habiskan waktu Anda sendiri untuk memeriksa portal yang diterbitkan halaman demi halaman.

Unduh Apidog dan hubungkan repo Anda ke Mode Spec-first untuk memulai migrasi.

Genie 4 API: Cara Mendapatkan Akses Awal di Gemini API dan AI Studio

Walse — Thu, 29 Oct 2026 08:41:37 +0000

Per 29 Oktober 2026, tidak ada API Genie 4 publik. Genie 4 milik Google DeepMind, yang diumumkan pada 27 Oktober 2026, adalah pratinjau riset untuk penguji tepercaya, dan Google menyebut layanan ini "segera hadir" untuk mitra akses awal Gemini API dan Google AI Studio — tanpa tanggal, dokumentasi, ID model, atau harga yang dipublikasikan.

Coba Apidog hari ini

Jadi Anda punya dua tugas: masuk daftar tunggu, dan membangun bagian-bagian aplikasi Genie 4 yang sudah bisa berjalan di Gemini API publik.

Apakah ada API Genie 4?

Tidak. Genie 4 milik Google DeepMind tidak memiliki API publik, tidak ada halaman referensi API, dan tidak ada ID model di Gemini API per 29 Oktober 2026. Google menyebut "mitra akses awal Gemini API dan Google AI Studio" sebagai kelompok berikutnya setelah penguji tepercaya, tetapi belum menerbitkan formulir pendaftaran, tanggal, atau harga untuk jalur tersebut.

Berikut yang tercatat dan yang tidak:

Item	Status per 29 Okt 2026	Sumber
Tanggal pengumuman	27 Oktober 2026	Google DeepMind
Akses saat ini	Pratinjau riset untuk penguji tepercaya	Google DeepMind
Kelompok pengembang berikutnya	Mitra akses awal Gemini API dan Google AI Studio	Google DeepMind
Kelompok konsumen berikutnya	Pelanggan Google AI Ultra di Project Genie	Google DeepMind
Daftar tunggu publik	Satu formulir, untuk Genie 4 di Project Genie	Formulir daftar tunggu
Halaman Genie di dokumentasi Gemini API	Tidak ada (`/gemini-api/docs/genie` mengembalikan 404)	Diperiksa 29 Okt 2026
Model Genie di halaman model	Tidak terdaftar	Halaman model Gemini
ID model, harga, batas laju	Belum diumumkan	Tidak ada
Resolusi, fps, durasi sesi	Belum diumumkan	Tidak ada
Tanda air pada keluaran	SynthID pada semua video dan audio	Google DeepMind

Untuk ringkasan fitur, baca penjelasan Google Genie 4 kami. Pos ini fokus pada API.

Apa yang Google katakan tentang akses API Genie 4, kata per kata

Google menyebut akses pengembang dua kali dalam pengumuman. Di bagian atas:

"Kami telah mulai meluncurkan Genie 4 sebagai pratinjau riset untuk penguji tepercaya, mengumpulkan umpan balik sebelum kami merilisnya ke konsumen dan pengembang, dimulai dengan pelanggan Google AI Ultra di Project Genie dan mitra akses awal Gemini API dan Google AI Studio."

Dan di bagian "Langkah selanjutnya untuk Genie 4":

"Genie 4 telah dirilis sebagai pratinjau riset kepada penguji tepercaya, dan akan segera hadir untuk pelanggan Google AI Ultra di Project Genie serta mitra akses awal di Gemini API dan Google AI Studio."

Baca dengan saksama: "mitra akses awal" adalah kelompok terpilih, bukan beta terbuka; satu-satunya tautan yang dilampirkan adalah daftar tunggu Project Genie untuk konsumen; dan tidak ada yang menyebut kuartal atau mengatakan "ketersediaan umum."

Google juga mencantumkan batasnya sendiri: lingkungan tetap koheren "selama sesi pendek," sementara detail dan permanensi objek "masih dapat berubah atau bergeser seiring waktu."

Cara mendapatkan akses awal Genie 4 hari ini

Belum ada pendaftaran pengembang, jadi langkah-langkah ini memposisikan Anda untuk saat pendaftaran itu muncul:

Ikuti daftar tunggu Genie 4. Klik "Join the Genie 4 waitlist" di pos Google DeepMind. Ini membuka formulir daftar tunggu Google untuk Project Genie. Ini bukan program pengembang, tetapi ini satu-satunya sinyal yang diminta Google.
Dapatkan kunci Gemini API dan akun penagihan. Buat kunci di Google AI Studio. Proyek Gemini API yang aktif adalah taruhan yang wajar untuk mitra, bukan aturan yang dinyatakan.
Pantau dokumentasi Gemini API. Periksa halaman model dan catatan rilis di bilah sisi dokumentasi.
Bangun di Interactions API. Panduan Interactions API Google mengatakan "semua model baru, kemampuan multimodal, alat, dan fitur agentik akan diluncurkan di Interactions API." Genie 4 tidak disebut di sana, tetapi jika mendarat di Gemini API, itulah default yang dinyatakan.
Rilis sesuatu yang berbentuk model dunia. Penguji Google berasal dari industri kreatif, jurnalisme, pendidikan, game, dan teknik.

Untuk biaya Project Genie, lihat Apakah Project Genie gratis?, dan untuk model dunia yang dapat Anda coba hari ini, Alternatif Project Genie.

Apa yang dapat Anda bangun hari ini dengan Gemini API

Genie 4 bukan model tunggal. Google mendeskripsikan Gemini 3.8 Flash sebagai "agen pemandu dalam loop": ia mengamati adegan, memecah tujuan menjadi langkah-langkah, "meninjau frame yang masuk untuk melacak kemajuan dan memastikan bahwa setiap langkah berhasil," dan menyesuaikan rencana saat pengguna ikut campur.

Bagian pengawas itu publik saat ini. gemini-3.8-flash ada di Gemini API, dengan tier gratis dan tarif berbayar $0,75 per 1 juta token masukan dan $3,75 per 1 juta token keluaran hingga 31 Desember 2026, menurut halaman harga Gemini API. Anda dapat mengarahkannya ke frame dari sumber mana pun hari ini (mesin game, perekam layar, rekaman Genie 3) dan menukarnya dengan frame Genie 4 nanti.

Berikut pengawas minimal dalam Python, berdasarkan bentuk permintaan di dokumentasi pemahaman gambar Google. Simpan nama model dalam variabel agar Anda dapat menukarnya pada hari peluncuran:

import base64, json, os
from google import genai

MODEL = os.environ.get("SUPERVISOR_MODEL", "gemini-3.8-flash")
client = genai.Client()  # reads GEMINI_API_KEY

PLAN = {"type": "object", "properties": {
    "steps": {"type": "array", "items": {"type": "string"}}}, "required": ["steps"]}
VERDICT = {"type": "object", "properties": {
    "done": {"type": "boolean"}, "reason": {"type": "string"}}, "required": ["done", "reason"]}

def frame(path):
    with open(path, "rb") as f:
        return {"type": "image", "mime_type": "image/png",
                "data": base64.b64encode(f.read()).decode()}

def ask(text, image, schema, previous=None):
    kwargs = dict(model=MODEL, input=[{"type": "text", "text": text}, image],
                  response_format={"type": "text", "mime_type": "application/json",
                                   "schema": schema})
    if previous:
        kwargs["previous_interaction_id"] = previous
    turn = client.interactions.create(**kwargs)
    return turn.id, json.loads(turn.output_text)

goal = "The character walks to the red door and opens it."
turn_id, plan = ask(f"Goal: {goal}\nBreak it into short visual steps.",
                    frame("frame_000.png"), PLAN)

for i, step in enumerate(plan["steps"], start=1):
    turn_id, verdict = ask(f"Step {i}: {step}\nDoes this frame show it done?",
                           frame(f"frame_{i:03d}.png"), VERDICT, previous=turn_id)
    print(i, step, verdict)
    if not verdict["done"]:
        break  # re-plan here, or send a steering prompt to your simulator

Dua detail menopang loop. response_format dengan skema JSON menjaga setiap jawaban dapat dibaca mesin, dan previous_interaction_id memungkinkan server menyimpan rencana di antara giliran, sehingga Anda tidak mengirim ulang riwayat. Interactions API menyimpan permintaan secara default; setel store=False jika Anda memerlukan panggilan tanpa status.

Kami belum menjalankannya dengan kunci aktif, jadi uji dulu pada frame Anda sendiri.

Untuk panduan yang lebih luas tentang model ini, lihat cara menggunakan Gemini 3.8 Flash API.

Uji permintaan pengawas dengan Apidog CLI

Pengawas yang diam-diam mengubah bentuk JSON-nya akan merusak loop Anda. Serahkan pemeriksaan ke agen coding Anda dan Apidog CLI:

npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick your agent when prompted

Lalu beri Claude Code, Codex, atau Cursor satu [REDACTED PROMPT]
In Apidog project , create a test case for POST
https://generativelanguage.googleapis.com/v1beta/interactions with header
x-goog-api-key from the {{GEMINI_API_KEY}} environment variable. Send model
gemini-3.8-flash, a short goal, one base64 PNG frame and a response_format JSON
schema with "done" (boolean) and "reason" (string). Assert status 200 and that
output_text parses as JSON with both fields. Run it against the gemini
environment and summarize any failures.


Agen mencari bentuk payload alih-alih menebaknya, memvalidasi file, membuat test case, dan menjalankannya:




Dua flag `apidog run` layak ditambahkan untuk loop visi. `-n, --iteration-count <n>` mengulang test case sehingga Anda dapat melihat verdict yang flaky, dan `-d, --iteration-data <path>` memberi file CSV atau JSON berisi frame dan tujuan, satu per iterasi. Saat ID model Genie 4 dirilis, Anda mengubah satu variabel lingkungan dan menjalankan ulang.

Ganti `-r cli,json` dengan `-r junit` dan run yang sama masuk ke CI. [Panduan CI/CD Apidog CLI](https://apidog.com/id/blog/apidog-cli-ci-cd-pipeline?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) kami menunjukkan pipeline-nya, dan [Apidog CLI di Claude Code](https://apidog.com/id/blog/apidog-cli-in-claude-code?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) membahas penyiapan agen. Paket Gratis Apidog mencakup hingga 4 pengguna.

## Apa yang perlu diperhatikan saat API Genie 4 dirilis

Google belum menjelaskan API-nya. Pertanyaan-pertanyaan ini menentukan cara Anda mengintegrasikannya:

| Pertanyaan | Mengapa ini penting | Diketahui per 29 Okt 2026? |
| --- | --- | --- |
| ID model | Konfigurasi dan test case Anda bergantung padanya | Tidak |
| Transport keluaran | Dunia real-time mungkin memerlukan streaming atau WebSocket, seperti [Live API](https://ai.google.dev/gemini-api/docs/live) Gemini, alih-alih satu respons | Tidak |
| Model sesi | Sesi panjang atau stateful mengubah cara Anda menyimpan dan melanjutkan dunia | Tidak |
| Masukan | Demo Google menunjukkan kontrol keyboard, pengarahan teks, dan gambar referensi sebagai frame pertama; bagaimana hal itu dipetakan ke field API belum dipublikasikan | Tidak |
| Unit harga | Per detik, per frame, per sesi, atau per token mengubah model biaya Anda sepenuhnya | Tidak |
| Batas durasi sesi | Google sendiri mengatakan koherensi bertahan selama sesi pendek | Tidak |
| Keluaran audio | Genie 4 menghasilkan audio secara native; format API untuk itu belum dipublikasikan | Tidak |
| Tanda air | Google mengatakan semua video dan audio Genie 4 membawa SynthID | Ya, untuk modelnya |

Rencanakan sekarang: simpan nama model, base URL, dan perhitungan harga di config, letakkan sumber frame di balik satu antarmuka, dan catat setiap frame dan verdict, karena Google mengatakan drift bertambah seiring durasi sesi.

Jika Anda berasal dari Genie 3, [ikhtisar Google Genie 3](https://apidog.com/id/blog/google-genie-3?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) dan [cara menggunakan Google Genie 3](https://apidog.com/id/blog/how-to-use-google-genie-3?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) kami membahas model sebelumnya.

  
  


## Pertanyaan Umum

**Apakah ada kunci API Genie 4?** Belum. Tidak ada model Genie 4 yang muncul di Gemini API per 29 Oktober 2026. Kunci Gemini API standar dari Google AI Studio berfungsi untuk `gemini-3.8-flash`, model yang digunakan Google sebagai pengawas Genie 4, tetapi kunci itu tidak membuka Genie 4.

**Bagaimana saya menjadi mitra akses awal Gemini API untuk Genie 4?** Google belum menerbitkan prosesnya. Ikuti daftar tunggu Project Genie, pertahankan proyek Gemini API yang aktif, dan pantau halaman model Gemini API serta catatan rilis untuk pengumuman.

**Apakah ada API Project Genie?** Tidak. Project Genie adalah pengalaman konsumen di [labs.google/projectgenie](https://labs.google/projectgenie). Google mencantumkan Gemini API dan Google AI Studio sebagai jalur pengembang untuk Genie 4.

**Berapa biaya API Genie 4?** Google belum mengumumkan harga, tier gratis, atau unit penagihan. Anggap setiap angka yang Anda lihat sebelum halaman harga resmi sebagai tebakan.

**Dapatkah saya menguji Genie 4 di Google AI Studio hari ini?** Tidak, kecuali Anda penguji tepercaya. Google mengatakan mitra akses awal AI Studio menyusul, tanpa tanggal yang diberikan.

Apa Itu Google Genie 4?

Walse — Thu, 29 Oct 2026 04:07:17 +0000

Apa Itu Google Genie 4?

Per 29 Oktober 2026, Google Genie 4 adalah model dunia terbaru Google DeepMind: model ini menghasilkan dunia interaktif fotorealistis secara real-time, dengan suara, musik, dan dialog yang dihasilkan bersamaan dengan gambar. Saat ini merupakan pratinjau riset untuk penguji terpercaya, dan Google mengatakan akan segera hadir untuk pelanggan Google AI Ultra di Project Genie dan untuk mitra akses awal Gemini API dan Google AI Studio.

Coba Apidog sekarang

Genie 4 dari Google DeepMind diumumkan pada 27 Oktober 2026. Artikel ini membahas apa yang dapat dilakukannya, bagaimana Gemini mengarahkannya, apa yang berubah sejak Genie 3, batasannya, daftar tunggu, dan apa yang dapat Anda bangun dengan Gemini API selagi menunggu.

Apa itu Google Genie 4?

Google Genie 4 adalah model dunia: sistem AI yang mensimulasikan lingkungan dan bagaimana reaksinya, frame demi frame, saat Anda bergerak di dalamnya. Anda menavigasi dengan keyboard, mengarahkan adegan dengan perintah teks, dan Genie 4 merender apa yang terjadi selanjutnya, termasuk bagaimana dunia terdengar dan bagaimana orang-orang di dalamnya bergerak, bereaksi, dan berbicara.

Google menyebutnya "model dunia baru kami" dan menggambarkannya sebagai multimodal secara native: kebisingan ambien, musik, dan dialog interaktif dihasilkan pada saat yang sama dengan dunia. Ini dibangun di atas keluarga Gemini. Dalam kata-kata Google, Gemini Omni "menjangkarkan simulasi pada penampilan dan perilaku dunia nyata," sementara model Gemini lainnya menangani penalaran yang menjaga simulasi tetap koheren. Google mencantumkan dua penggunaan: lingkungan pelatihan untuk robot dan agen, serta pengalaman interaktif baru.

Fakta singkat Google Genie 4

Setiap baris berasal dari pengumuman Google.

Item	Detail	Sumber
Diumumkan	27 Oktober 2026	Google DeepMind
Jenis	Model dunia interaktif real-time	Google DeepMind
Modalitas	Video plus audio native: suara ambien, musik, dialog	Google DeepMind
Dibangun di atas	Gemini Omni untuk penampilan dunia nyata; model Gemini lainnya untuk koherensi	Google DeepMind
Kontrol	Keyboard untuk navigasi dan kamera, perintah teks untuk mengarahkan, gambar referensi sebagai frame pertama	Google DeepMind
Agen dalam loop	Gemini 3.8 Flash merencanakan, mengamati frame, dan memverifikasi setiap langkah	Google DeepMind
Akses saat ini	Pratinjau riset untuk penguji terpercaya	Google DeepMind
Akses berikutnya	"Segera hadir" untuk Google AI Ultra di Project Genie dan untuk mitra akses awal Gemini API dan AI Studio	Google DeepMind
Tanda air	SynthID pada semua video dan audio	Google DeepMind
Tanggal rilis, harga, ID model, resolusi, frame rate, durasi sesi	Tidak dipublikasikan	Tidak dinyatakan oleh Google

Apa yang bisa dilakukan Genie 4? Empat kemampuannya

Google mengelompokkan kemajuan model menjadi empat kemampuan, masing-masing ditunjukkan dalam rekaman real-time.

1. Arahkan dunia secara real-time dengan teks

Anda mengetikkan perubahan dan dunia mengikutinya: ganti cuaca, gerakkan kamera, tambahkan orang atau objek. Gemini menyesuaikan perintah Anda dengan adegan, dan di antara input, ia menjaga dunia tetap bergerak.

Prompt demo, parafrase: "Mulai dari foto pria yang memainkan saksofon di platform terapung di danau berkabut ini, lalu biarkan kamera meluncur bebas di atas air."

2. Fisika dan orang yang realistis

Genie 4 mensimulasikan aerodinamika, tumbukan, dan peristiwa fisik lainnya. Google menyebut penanganannya terhadap orang sebagai "lompatan paling dramatis": karakter bergerak secara alami, merespons lingkungannya, dan dapat diarahkan secara real-time.

Prompt demo, parafrase: "Biji maple jatuh dari pohon ke rumput, direkam secara makro."

3. Suara native dan dialog langsung

Google mengatakan Genie 4 adalah "model dunia real-time pertama kami yang menghasilkan audio secara native." Setiap dunia membawa suara ambiennya sendiri, dan karakter mengadakan percakapan yang bereaksi terhadap input Anda dan peristiwa dalam adegan.

Prompt demo, parafrase: "Tunggangi naga hitam orang pertama melalui lintasan balap, dengan kepakan sayap yang menggelegar dan angin yang menderu."

4. Peristiwa kompleks multi-langkah dengan Gemini

Memasangkan Gemini dengan Genie 4 memungkinkan simulasi mengikuti rencana multi-langkah. Bagian selanjutnya membahas caranya.

Prompt demo, parafrase: "Lengan robot memegang pipet dan meneteskan cairan ke pelat laboratorium, yang memercikkan percikan kecil."

Bagaimana Gemini berjalan di dalam loop

Gemini 3.8 Flash bertindak sebagai apa yang Google sebut "agen pemandu dalam loop." Saat Genie 4 menghasilkan dunia, Gemini:

Mengamati adegan secara terus-menerus.
Memecah tujuan Anda menjadi urutan langkah.
Meninjau frame yang masuk untuk memeriksa bahwa setiap langkah benar-benar terjadi.
Mengubah rencananya saat itu juga ketika dunia berubah atau Anda turun tangan.

Jika Anda membangun agen, polanya sudah tidak asing: rencanakan, bertindak, amati, verifikasi, rencanakan ulang. Selengkapnya tentang perencana di panduan API Gemini 3.8 Flash kami.

Google juga memasangkan Gemini 4 Argon dengan Genie 4 dan Gemini Robotics. Dalam demo itu, Argon membagi tugas pengguna menjadi beberapa langkah dan memberikannya ke Genie 4 sebagai teks keterangan saat simulasi dirender. Hasilnya adalah humanoid Apptronik Apollo yang disimulasikan memainkan permainan dam, satu langkah pada satu waktu.

Genie 3 vs Genie 4: apa yang berubah

Google mengumumkan Genie 3 pada 5 Agustus 2025. Perbandingan ini hanya menggunakan apa yang dinyatakan dalam dua posting pengumuman Google.

	Genie 3 (Agu 2025)	Genie 4 (Okt 2026)
Interaksi real-time	Ya, model dunia real-time pertama Google	Ya
Spesifikasi yang dipublikasikan	24 fps, 720p, konsisten selama "beberapa menit"	Tidak ada yang dipublikasikan
Pengarahan teks	"Peristiwa dunia yang dapat diprompt": cuaca, objek, karakter	Pengarahan teks real-time, disesuaikan dengan adegan oleh Gemini
Audio	Tidak disebutkan dalam posting	Suara ambien native, musik, dan dialog
Integrasi Gemini	Tidak dijelaskan	Gemini Omni untuk realisme, Gemini 3.8 Flash sebagai agen dalam loop
Orang	Interaksi multi-agen tercantum sebagai batasan	Karakter bergerak, bereaksi, dan berbicara secara real-time
Akses saat peluncuran	Pratinjau riset terbatas untuk akademisi dan kreator	Pratinjau riset untuk penguji terpercaya

Genie 3 kemudian mencapai pengguna melalui Project Genie, aplikasi Google Labs; panduan penggunaan Google Genie 3 kami membahas jalur itu.

Batasan Genie 4, dalam kata-kata Google

Google bersikap langsung tentang apa yang belum berfungsi. Genie 4 "tetap menjadi area riset awal yang terus berkembang," dan posting tersebut mencantumkan batasan berikut:

Koherensi sesi pendek. Lingkungan tetap koheren selama sesi pendek, tetapi detail visual dan permanensi objek "masih dapat berubah atau melayang seiring waktu."
Pemicu drift. Drift lebih buruk saat simulasi berjalan lebih lama, setelah beberapa pengeditan prompt yang kompleks, dan saat Anda menavigasi melalui adegan.
Masalah terbuka. Interaksi fisik yang kompleks, akurasi audio real-time, teks yang terbaca, akurasi spasial, dan konsistensi jangka panjang semuanya adalah "area riset aktif yang sedang berlangsung."

Tentang keamanan, Google mengatakan Genie 4 memiliki pengaman yang sesuai dengan model lainnya, lulus evaluasi keamanan internal, dan diberikan ke penguji terpercaya terlebih dahulu. Semua video dan audionya membawa SynthID, tanda air tak terlihat Google.

Siapa yang menguji Genie 4 hari ini?

Penguji terpercaya berasal dari industri kreatif, jurnalisme, pendidikan, game, dan teknik. Pembuat film menggunakannya sebagai "mode draf" untuk pra-visualisasi, jurnalis foto mengubah foto arsip menjadi adegan yang dapat dijelajahi, dan pengembang game beralih "dari ide awal ke prototipe yang dapat dijelajahi dalam hitungan detik."

Cara bergabung dengan daftar tunggu Genie 4

Google menjalankan satu daftar tunggu publik, untuk Genie 4 di Project Genie.

Buka posting Genie 4 Google DeepMind.
Klik Bergabung dengan daftar tunggu Genie 4 di bagian atas, atau tautan "di sini" di bagian "Langkah selanjutnya". Keduanya membuka formulir daftar tunggu Genie 4 Google.
Isi formulir, yang berjudul "Ajukan akses Genie 4 di Project Genie".
Pantau Project Genie untuk peluncurannya. Google menyebut pelanggan Google AI Ultra sebagai grup konsumen pertama.

Akses pengembang adalah jalur terpisah tanpa proses aplikasi yang dipublikasikan; lihat panduan akses awal API Genie 4 kami.

Apakah Project Genie gratis? Google belum mengumumkan tier gratis untuk Genie 4. Kami merinci biaya dan setiap opsi $0 di Apakah Project Genie gratis?, dan mencantumkan model dunia lain yang dapat Anda coba sekarang di alternatif Project Genie.

Apa yang dapat dibangun pengembang dengan Gemini API hari ini

Belum ada endpoint Genie 4, tetapi separuh loop Gemini sudah publik. gemini-3.8-flash ada di halaman model Gemini API, sehingga Anda dapat membangun langkah rencanakan-dan-verifikasi terhadap frame Anda sendiri: kirim gambar dan tujuan, dapatkan kembali langkah-langkah dan putusan.

Permintaan minimal ke endpoint generateContent terlihat seperti ini:

curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.8-flash:generateContent" \
  -H "x-goog-[REDACTED CREDENTIAL]" \
  -H "Content-Type: application/json" \
  -d '{
    "contents": [{
      "parts": [
        {"text": "Goal: the character opens the door. Plan the steps as JSON, then say if this frame shows step 1 done."},
        {"inline_data": {"mime_type": "image/png", "data": "<BASE64_FRAME>"}}
      ]
    }],
    "generationConfig": {"responseMimeType": "application/json"}
  }'

Saat Genie 4 dibuka untuk mitra API, lapisan supervisor Anda sudah teruji.

Biarkan agen coding Anda mengujinya dengan Apidog CLI

Verifier yang mengubah bentuk JSON-nya akan merusak loop Anda secara diam-diam. Biarkan agen coding Anda menjalankan Apidog CLI terhadap endpoint Gemini pada setiap perubahan.

npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick your agent when prompted

Lalu beri Claude Code, Codex, atau Cursor satu [REDACTED PROMPT]
In Apidog project , create a test case for POST
/v1beta/models/gemini-3.8-flash:generateContent that sends a sample frame and a goal,
asserts status 200, asserts the response text parses as JSON with a "steps" array and a
"verified" boolean, then run it against the gemini environment and summarize any failures.


Agen membaca skema payload, memvalidasi filenya, membuat test case, dan menjalankannya:




Ganti `-r cli,json` dengan `-r junit` dan proses yang sama cocok untuk job CI; [panduan CI/CD Apidog CLI](https://apidog.com/id/blog/apidog-cli-ci-cd-pipeline?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) kami menunjukkan pengaturannya, dan [Apidog CLI di Claude Code](https://apidog.com/id/blog/apidog-cli-in-claude-code?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation) membahas sisi agen. Paket Gratis Apidog mencakup hingga 4 pengguna.

  
  


## FAQ

**Kapan Google Genie 4 akan dirilis?** Google belum memberikan tanggal. Per 29 Oktober 2026, Genie 4 adalah pratinjau riset untuk penguji terpercaya, dan Google mengatakan "segera hadir" untuk pelanggan Google AI Ultra di Project Genie dan untuk mitra akses awal Gemini API dan Google AI Studio.

**Apakah Genie 4 tersedia di Gemini API?** Tidak secara publik. Google mencantumkan mitra akses awal Gemini API dan Google AI Studio sebagai langkah berikutnya tetapi belum mempublikasikan ID model, dokumentasi, atau harga.

**Apa perbedaan antara Genie 4 dan Project Genie?** Genie 4 adalah modelnya. Project Genie adalah aplikasi Google Labs tempat konsumen menggunakan model dunia Google. Daftar tunggu Google adalah untuk Genie 4 di dalam Project Genie.

**Apakah Genie 4 menghasilkan suara?** Ya. Google menyebutnya sebagai model dunia real-time pertama yang menghasilkan audio secara native: suara ambien, musik, dan dialog interaktif dihasilkan bersama dunia.

**Berapa lama sesi Genie 4 dapat tetap konsisten?** Google tidak memberikan angka. Dikatakan lingkungan tetap koheren selama sesi pendek, dengan detail dan permanensi objek melayang selama proses yang lebih lama, setelah banyak pengeditan prompt, atau saat Anda menavigasi.

Gemini 4 Carbon vs Argon: Mana yang Harus Anda Gunakan Sekarang?

Walse — Thu, 29 Oct 2026 03:36:30 +0000

Per 29 Oktober 2026, Gemini 4 Carbon dari Google mengalahkan Gemini 4 Argon pada setiap benchmark yang Google publikasikan untuk keduanya, dengan harga peluncuran yang sama yaitu $2 input / $10 output per juta token. Tapi Argon-lah yang benar-benar bisa Anda panggil: Carbon dibatasi untuk "subset dari para pembela siber," sementara gemini-4-argon sudah tersedia secara umum di Gemini API berbayar sejak 13 Oktober.

Coba Apidog sekarang

Jadi bangunlah di atas Argon hari ini, simpan nama model di config, dan uji Carbon begitu ia dibuka. Di bawah ini: perbandingan berdampingan, di mana Carbon dilaporkan lebih lemah, apa lagi yang tersedia hari ini, dan cara melakukan A/B keduanya dengan coding agent.

Apa itu Gemini 4 Carbon?

Gemini 4 Carbon adalah model frontier terbaru Google DeepMind, yang diumumkan pada 28 Oktober 2026 oleh Koray Kavukcuoglu sebagai "model terkuat kami dengan kemampuan keamanan siber dan horizon panjang yang tercanggih." Model ini menyusul Argon dua minggu kemudian, mempertahankan tumpukan keamanan Argon, dan diluncurkan pada harga perkenalan Argon.

Tabel benchmark lengkap dan perhitungan harganya ada di Apa itu Gemini 4 Carbon?. Jika Anda baru mengenal Argon, mulailah dengan Apa itu Gemini 4 Argon?.

Gemini Carbon vs Argon: perbandingan berdampingan

Hanya baris yang Google publikasikan untuk kedua model, atau baris yang justru menonjolkan selisihnya.

	Gemini 4 Argon	Gemini 4 Carbon	Sumber
Siapa yang bisa menggunakannya	Gemini API berbayar, GA sejak 13 Okt 2026	Subset pembela siber; mitra Fairwind berikutnya	Postingan peluncuran Carbon, Halaman model Gemini API
ID model	`gemini-4-argon`	Belum dipublikasikan	Halaman model Gemini API
Harga peluncuran per 1 juta token	$2 input / $10 output hingga 30 Nov 2026	$2 input / $10 output, durasi perkenalan tidak disebutkan	Harga Gemini API, postingan peluncuran
Harga setelah masa perkenalan	$4 / $20 mulai 1 Des 2026	$4 / $20, tanggal mulai tidak disebutkan	Sama
Input yang di-cache	$0.10 per 1 juta (hanya implicit caching)	Diskon 95% untuk input ($0.10 saat perkenalan)	Sama
Jendela konteks	1 juta token, decode panjang hingga 1 juta	Belum dipublikasikan	Halaman model Gemini API
Tingkat gratis	Tidak	Belum dipublikasikan	Harga Gemini API
Artificial Analysis Index	Tidak diberikan untuk v5.0	59, peringkat #1 pada v5.0	Postingan peluncuran
Injeksi prompt tidak langsung Gray Swan	0.7% keberhasilan serangan	0.0%	Postingan peluncuran
Pembuatan kode aman (internal)	Baseline	Lebih dari 2x tingkat keberhasilan Argon	Postingan peluncuran
Klaim tanpa dukungan (internal)	Baseline	Sekitar 2x lebih sedikit	Postingan peluncuran

Kesamaan harga ini hanya sementara. Harga $2 / $10 Argon berakhir pada 30 November, sedangkan periode perkenalan Carbon tidak memiliki durasi yang dipublikasikan, jadi periksa kedua baris harga pada hari Anda beralih.

Pada baris Artificial Analysis, Google tidak memberikan skor v5.0 untuk Argon. Artificial Analysis mencantumkan Argon (High) sekitar 53 sebelum pembaruan v5.0, jadi bacalah "59 vs 53" sebagai arah, bukan selisih yang terukur. Tabel 19 baris milik Argon sendiri ada di Benchmark Gemini 4 Argon.

Benchmark Gemini 4 Carbon: di mana ia unggul

Keunggulan Carbon terletak pada keamanan dan pekerjaan agent yang berjalan lama. Google melaporkan hasil-hasil ini, yang dievaluasi tanpa guardrails:

SEC-bench Pro: 88.2%, yang tercanggih, untuk menemukan kerentanan nyata.
ExploitGym: 54.8%, yang tercanggih, untuk memeriksa kerentanan mana yang dapat dieksploitasi.
CWE-bench (Collinear): 71.0% untuk menambal pada akar masalahnya.
WebDev Arena: #4 dengan 1768, naik 89 poin Elo.
Tim Chrome: patch lebih dari 10x lebih baik daripada "model frontier besar milik lab lain," yang tidak disebutkan Google.

Angka perilaku lebih penting jika Anda menjalankan agent tanpa pengawasan. Pada Terminal-Bench 4.0, Google mengatakan kecurangan yang berhasil turun menjadi 0.0% dan upaya kecurangan menjadi 0.4%. Di lingkungan coding internal, peringatan ketidakselarasan tingkat tinggi turun hampir 80%. Overreach turun 26% dan under-service 29%.

Google juga mengatakan timnya telah melihat Carbon "berjalan berhari-hari" pada tugas teknik multi-langkah. Ini angka internal, bukan hasil independen.

Di mana Carbon dilaporkan lebih lemah

Postingan Google tidak mencantumkan kelemahan. Penguji awal melakukannya, dan ini dilaporkan, bukan diukur. Menurut TestingCatalog, salah satu penguji akses awal menggambarkan Carbon sebagai "jauh lebih baik" daripada Argon dalam pekerjaan 3D, sementara "frontend/UI masih buruk." Mereka juga menyebutnya lebih lambat, meskipun "lebih tidak malas." Business Insider pertama kali melaporkan checkpoint Carbon di platform Jetski internal Google pada 9 Oktober.

Jika beban kerja Anda sebagian besar adalah pembuatan UI, lonjakan WebDev Arena dan laporan para penguji saling bertentangan, jadi ujilah prompt Anda sendiri. Dan "lebih lambat" berarti timeout jadi penting: panduan Argon dari Google sudah memperingatkan bahwa prompt sulit bisa memakan waktu beberapa menit.

Satu peringatan: halaman "Gemini 4 Carbon API" pihak ketiga hanyalah placeholder. Google belum merilis endpoint, jadi tidak ada yang bisa menjualnya kepada Anda.

Tanggal rilis Gemini 4 Carbon: kapan Anda bisa beralih?

Belum ada. Google mengatakan Carbon akan diberikan lebih dulu kepada "subset pembela siber," lalu secara bertahap kepada mitra tepercaya melalui Program Fairwind, dan kepada pengembang, bisnis, serta konsumen "secepat mungkin." Google juga mengikuti proses pengujian pra-rilis sukarela pemerintah AS.

Argon butuh 13 hari dari pengumuman khusus Fairwind hingga GA. Itu preseden, bukan janji. Linimasa dan kelayakan Fairwind dibahas di Tanggal rilis Gemini 4 Carbon, dan jika Anda berharap ada jalur $0, baca Apakah Gemini 4 Carbon gratis?.

Mana yang sebaiknya Anda gunakan sekarang?

Pilih berdasarkan apa yang Anda butuhkan minggu ini:

Situasi Anda	Gunakan sekarang	Alasan
Merilis produk di Gemini	`gemini-4-argon`	Satu-satunya model Gemini 4 dengan API publik
Tim riset keamanan yang memenuhi syarat	Lamar ke Fairwind	Satu-satunya jalur yang disebutkan menuju Carbon sebelum rilis
Sebagian besar frontend atau pembuatan UI	Argon, lalu uji Carbon	Penguji melaporkan keluaran UI Carbon lemah
Coding agent yang berjalan lama	Argon sekarang, Carbon saat rilis	Angka anti-kecurangan dan ketidakselarasan Carbon menyasar hal ini
Butuh model frontier dan tidak peduli vendor	Bandingkan opsi di bawah	Beberapa sudah tersedia hari ini

Opsi yang sudah tersedia hari ini jika Anda butuh model frontier sekarang

Jika Anda tidak khusus membutuhkan Gemini, tiga vendor sudah menyediakan model frontier di API publik hari ini. Tarif standar per juta token, dibaca dari halaman masing-masing vendor pada 29 Oktober 2026.

Model	ID model	Input	Output	Input yang di-cache	Sumber
Gemini 4 Argon	`gemini-4-argon`	$2.00 ($4.00 mulai 1 Des)	$10.00 ($20.00 mulai 1 Des)	$0.10	Harga Gemini API
Claude Opus 5.5	`claude-opus-5-5`	$4.00	$20.00	$0.20 (baca cache)	Harga Anthropic
GPT-6.1 Sol	`gpt-6.1-sol`	$2.00	$10.00	$0.10	Harga OpenAI
GPT-6.1 Terra	`gpt-6.1-terra`	$1.00	$5.00	$0.05	Harga OpenAI

Argon dan GPT-6.1 Sol persis sama dengan harga peluncuran Carbon. Claude Opus 5.5 berbiaya sama dengan Argon dan Carbon setelah masa perkenalan mereka. Untuk hasil head-to-head, lihat Gemini 4 Argon vs GPT-6 Astra vs Claude Opus 5.5, dan untuk detail API OpenAI, API GPT-6.1 Sol.

Simpan model di config agar beralih cukup satu baris

Bangun di atas gemini-4-argon dengan nama model di dalam variabel. Saat Carbon mendapat ID, Anda cukup mengubah satu nilai dan menjalankan ulang pengujian Anda. Permintaan ini mengikuti format Interactions API yang didokumentasikan Google. Kami belum menjalankannya untuk postingan ini; dibutuhkan kunci berbayar, karena Argon tidak ada di tingkat gratis (detail harga).

export GEMINI_MODEL="gemini-4-argon"   # Carbon's model ID isn't published yet

curl -s "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-[REDACTED CREDENTIAL] \
  -H "Content-Type: application/json" \
  -X POST \
  -d "{\"model\": \"${GEMINI_MODEL}\", \"input\": \"Find the root cause of this failing test and propose a patch.\", \"generation_config\": {\"thinking_level\": \"medium\"}}"

Catat token input dan output per permintaan (harga per token yang sama bukan berarti biaya per tugas yang sama) dan tetapkan timeout klien dalam menit, bukan detik.

Jangan mengasumsikan parameter Carbon sama dengan Argon. Saat Argon menjadi GA, ia menghapus explicit caching dan mengabaikan temperature. Panduan API Gemini 4 Argon kami membahas perubahan-perubahan tersebut.

A/B Argon dan Carbon dengan Apidog CLI dan coding agent Anda

Benchmark memberi tahu Anda tentang tugas Google, bukan tugas Anda. Biarkan coding agent Anda menjalankan perbandingannya. Apidog CLI memungkinkan Claude Code, Codex, Cursor, atau OpenCode membuat dan menjalankan pengujian API dari terminal, sehingga agent dapat membuat satu test case untuk endpoint Gemini Interactions dan menjalankannya sekali per model.

Siapkan sekali saja:

npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick your agent when prompted

Lalu berikan satu prompt kepada agent Anda:

In Apidog project <id>, create a Gemini API environment with GEMINI_MODEL=gemini-4-argon.
Add a test case: POST /v1beta/interactions using {{GEMINI_MODEL}} with my five real
prompts from prompts.csv, asserting HTTP 200 and non-empty output text. Run it with
Argon now. When Carbon has a model ID, run it again with that ID and compare pass rate,
response time and token usage per prompt.

Agent memeriksa setiap payload terhadap skema-nya sebelum menulis apa pun, lalu menjalankan case tersebut:

apidog environment create gemini-api --project <id> --base-url https://generativelanguage.googleapis.com
apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file gemini-ab.json
apidog test-case create --project <id> --file gemini-ab.json
apidog run --test-case <caseId> --project <id> -e <envId> -d prompts.csv --timeout-request 300000 -r cli,json --out-file argon

Pada hari rilis, agent menjalankan ulang case yang sama dengan --env-var "GEMINI_MODEL=<carbon-id>" --out-file carbon dan membandingkan dua laporan JSON tersebut. Tambahkan --upload-report jika Anda ingin tim melihat kedua proses di aplikasi Apidog. Untuk menjalankannya di CI, ikuti panduan CI/CD Apidog CLI; jika baru mengenal CLI, mulailah dengan Apidog CLI di Claude Code. Paket Free Apidog mencakup hingga 4 pengguna.

FAQ

Apakah Gemini 4 Carbon lebih baik daripada Argon? Berdasarkan angka yang dipublikasikan Google, ya: 0.0% vs 0.7% pada injeksi prompt Gray Swan, lebih dari 2x Argon pada uji kode aman internal, dan #1 pada Artificial Analysis Index v5.0 dengan skor 59. Hasil independen belum keluar.

Apakah Gemini 4 Carbon dan Argon berbiaya sama? Saat peluncuran, ya: $2 per juta token input dan $10 per juta token output, input yang di-cache diskon 95%. Harga perkenalan Argon berakhir pada 30 November 2026; durasi perkenalan Carbon tidak dipublikasikan.

Bisakah saya menggunakan Gemini 4 Carbon melalui API hari ini? Tidak. Per 29 Oktober 2026, Carbon tidak memiliki ID model publik dan hanya subset pembela siber yang dapat menggunakannya. Argon tersedia di Gemini API berbayar sebagai gemini-4-argon.

Apakah Carbon lebih buruk daripada Argon dalam hal apa pun? Google tidak mengatakannya. Penguji awal melaporkan Carbon lebih lemah dalam keluaran frontend dan UI serta lebih lambat daripada Argon. Itu dilaporkan, bukan diukur.

Haruskah saya menunggu Carbon atau membangun di atas Argon sekarang? Bangunlah di atas Argon sekarang dengan nama model di config. Harga peluncurannya sama, jadi beralih menjadi perubahan satu baris plus satu kali menjalankan pengujian.

Tanggal Rilis Gemini 4 Carbon dan Akses API: Siapa yang Bisa Menggunakannya Sekarang

Walse — Thu, 29 Oct 2026 03:14:53 +0000

Tanggal Rilis Gemini 4 Carbon dan Akses API: Siapa yang Bisa Menggunakannya Sekarang

Per 29 Oktober 2026, belum ada tanggal rilis publik Gemini 4 Carbon: Google mengumumkan model tersebut pada 28 Oktober dan memberikannya terlebih dahulu kepada "sebagian kecil pertahanan siber," lalu kepada mitra tepercaya melalui Program Fairwind. Pengembang, bisnis, dan konsumen akan mendapatkan Gemini 4 Carbon dari Google "secepat mungkin," tanpa tanggal, tanpa ID model, dan belum ada dokumentasi API.

Coba Apidog hari ini

Di bawah ini: bukti terbaik tentang kapan model ini mungkin hadir (peluncuran Argon), siapa yang dapat mendaftar ke Fairwind, apa yang sudah dipublikasikan untuk API, dan bagaimana menyiapkan kode Anda pada gemini-4-argon hari ini.

Apa itu Gemini 4 Carbon?

Gemini 4 Carbon adalah model frontier terbaru Google DeepMind, diumumkan pada 28 Oktober 2026 oleh Koray Kavukcuoglu sebagai "model terkuat kami dengan kemampuan keamanan siber mutakhir dan cakrawala panjang." Model ini menyusul Gemini 4 Argon, yang diluncurkan dua minggu sebelumnya, dan hadir dengan harga perkenalan yang sama, $2 input / $10 output per juta token.

Tabel benchmark lengkap dan perhitungan harga ada di Apa itu Gemini 4 Carbon?. Postingan ini fokus pada akses dan waktu.

Tanggal rilis Gemini 4 Carbon: apa yang sebenarnya dikatakan Google

Setiap fakta akses dan waktu yang telah dipublikasikan Google, beserta sumbernya:

Butir	Yang diketahui (29 Oktober 2026)	Sumber
Diumumkan	28 Oktober 2026	Postingan peluncuran Google
Siapa yang memilikinya sekarang	“Sebagian kecil pertahanan siber,” mulai minggu peluncuran	Postingan peluncuran Google
Berikutnya dalam antrean	“Mitra tepercaya tambahan” melalui Program Fairwind, secara bertahap	Postingan peluncuran Google
Pengembang, bisnis, konsumen	“Secepat mungkin,” tanpa tanggal	Postingan peluncuran Google
Harga saat peluncuran	$2 per 1 juta input, $10 per 1 juta output, input cache diskon 95%	Postingan peluncuran Google
Harga setelah perkenalan	$4 per 1 juta input, $20 per 1 juta output; durasi perkenalan tidak disebutkan	Postingan peluncuran Google, catatan kaki 1
ID Model	Belum dipublikasikan	Halaman model Gemini API tidak mencantumkan entri Carbon
Rilis API	Belum diumumkan	Catatan perubahan Gemini API tidak memiliki entri Carbon

Pilihan kata Google sendiri menunjukkan peluncuran bertahap: "Kami terus mengumpulkan umpan balik dan mengiterasi guardrail sebelum membuat Carbon tersedia bagi pengembang, bisnis, dan konsumen melalui permukaan produk kami secepat mungkin."

Jadi jawaban jujurnya adalah "belum dijadwalkan." Situs mana pun yang mencetak hari tertentu hanya menebak.

Preseden Argon: 13 hari dari Fairwind ke GA

Bukti terbaik untuk waktu Carbon adalah apa yang Google lakukan dengan Argon sebulan sebelumnya: program yang sama, harga yang sama, bahasa bertahap yang sama. Ini preseden, bukan janji.

30 September 2026: Google mengumumkan Gemini 4 Argon dan meluncurkannya hanya kepada sekumpulan mitra Program Fairwind. Tanpa ID model, tanpa API publik.
13 Oktober 2026: Catatan perubahan Gemini API mencantumkan gemini-4-argon sebagai tersedia secara umum. Pelanggan API berbayar mendapatkannya 13 hari setelah pengumuman.
Hingga 30 November 2026: Argon ditagih $2 / $10 per juta token pada tier berbayar, menurut halaman harga Gemini API. Mulai 1 Desember menjadi $4 / $20.

Dengan kecepatan yang sama, API publik akan hadir sekitar pertengahan November. Dua hal dapat memperpanjangnya: Google mengatakan model ini berada dalam proses pengujian pra-rilis sukarela pemerintah AS dan masih mengiterasi guardrail, dan skor siber Carbon lebih tinggi daripada Argon. Rencanakan "berminggu-minggu, mungkin lebih lama." Postingan tanggal rilis Gemini 4 Argon kami menunjukkan bagaimana peluncuran itu berlangsung secara rinci.

Program Fairwind: siapa yang memenuhi syarat dan cara mendaftar

Program Fairwind adalah jalur akses awal Google DeepMind untuk pertahanan siber dan satu-satunya rute yang disebutkan menuju Carbon sebelum rilis publik. Satu catatan: per 29 Oktober, halaman Program Fairwind masih menjelaskan akses eksklusif ke Gemini 4 Argon dengan kemampuan pertahanan keamanan siber dan belum menyebut Carbon.

Siapa yang diprioritaskan Google, menurut FAQ Fairwind:

Pemerintah dan otoritas siber nasional
Operator infrastruktur kritis: jaringan kesehatan, telekomunikasi, energi, dan keuangan
Platform teknologi inti yang mengamankan perangkat lunak yang banyak digunakan
Laboratorium akademik yang berfokus pada benchmark pertahanan (mahasiswa diarahkan ke CodeMender di Google Cloud sebagai gantinya)

Google mengatakan pihaknya bekerja dengan lebih dari 650 mitra secara global dan memeriksa riwayat keamanan serta rekam jejak operasi etis setiap pelamar.

Cara mendaftar:

Buka halaman Program Fairwind dan klik "Daftar sekarang."
Isi formulir minat untuk organisasi Anda.
Tunggu. Google mengatakan akan "meninjau dan merespons mitra yang memenuhi syarat yang sesuai kriteria kami secepat yang kami bisa." Tidak ada waktu proses yang dipublikasikan.

Ketentuan yang akan Anda setujui (dari halaman Fairwind, ditulis untuk Argon):

Hanya tugas defensif guna ganda: simulasi ancaman yang diotorisasi, rekayasa balik, dan analisis malware untuk penelitian defensif dan akademik. Membuat malware tidak diizinkan.
Autentikasi tingkat pengguna, MFA yang tahan phishing, dan kontrol akses.
Akses hanya untuk tim keamanan siber internal, respons insiden, atau pengujian penetrasi, dengan akses karyawan dilacak.
Tidak berbagi, menjual ulang, atau mendistribusikan ulang akses.

Membangun alat coding di startup? Anda hampir pasti tidak memenuhi syarat. Rute Anda adalah rilis publik.

Gemini 4 Carbon API: apa yang dipublikasikan dan apa yang tidak

Halaman "Gemini 4 Carbon API" pihak ketiga hanyalah placeholder. Google belum merilis endpoint, jadi tidak ada yang bisa menjualnya kembali. Jangan bayar situs mana pun yang menjanjikan akses API Carbon saat ini.

Dipublikasikan oleh Google	Belum dipublikasikan (29 Oktober 2026)
Nama: Gemini 4 Carbon	ID Model
Harga perkenalan: $2 / $10 per 1 juta token	Jendela konteks
Harga standar: $4 / $20 per 1 juta token	Token output maksimum
Input cache: diskon 95%	Ketersediaan Gemini API, AI Studio, atau Vertex AI
Stack keamanan yang sama dengan Argon	Paket aplikasi Gemini
Akses: pertahanan siber, lalu Fairwind	Tier gratis
Benchmark dan angka perilaku	Tingkat pemikiran atau parameter

Saat Carbon dirilis, periksa barisnya di halaman model sebelum menganggapnya sama dengan Argon, yang GA-nya menghapus caching eksplisit, mengabaikan temperature, dan menetapkan konteks terpadu 1.048.576 token. Panduan API Gemini 4 Argon kami membahas apa arti perubahan tersebut bagi Argon.

Gemini Carbon vs Argon: apa yang bisa Anda gunakan hari ini

Harga seri saat peluncuran, akses tidak. Angka Google, tiga baris:

	Gemini 4 Argon	Gemini 4 Carbon
Siapa yang dapat menggunakannya	Gemini API berbayar, GA sejak 13 Okt	Sebagian kecil pertahanan siber
Harga (perkenalan)	$2 / $10 per 1 juta hingga 30 Nov	$2 / $10 per 1 juta, durasi tidak disebutkan
ID Model	`gemini-4-argon`	Belum dipublikasikan

Perbandingan lengkapnya ada di Gemini 4 Carbon vs Argon, dan jika Anda mencari rute $0, baca Apakah Gemini 4 Carbon gratis?.

Klaim benchmark Gemini 4 Carbon dan mengapa itu penting untuk waktu

Angka siber menjelaskan pembatasannya. Google melaporkan 88,2% pada SEC-bench Pro, 54,8% yang mutakhir pada ExploitGym (eksploitasi), dan 71,0% pada CWE-bench milik Collinear (patching). Model yang lebih baik dalam eksploitasi memerlukan lebih banyak pekerjaan guardrail sebelum dirilis publik. Postingan benchmark Gemini 4 Argon memiliki baseline Argon untuk perbandingan.

Penguji awal yang dikutip oleh TestingCatalog dilaporkan menemukan Carbon lebih baik daripada Argon dalam pekerjaan 3D, lebih lemah di UI frontend, dan lebih lambat tetapi "kurang malas." Anggap itu sebagai laporan, bukan hasil pengukuran.

Siapkan kode Anda pada gemini-4-argon

Bangun di atas gemini-4-argon sekarang dengan nama model dalam variabel, sehingga rilisnya menjadi perubahan konfigurasi. Permintaan ini mengikuti format Interactions API yang didokumentasikan Google. Kami belum menjalankannya untuk postingan ini; ini memerlukan kunci Gemini API berbayar, karena Argon tidak ada di tier gratis.

export GEMINI_MODEL="gemini-4-argon"   # Carbon's ID isn't published yet

curl -s "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-[REDACTED CREDENTIAL] \
  -H "Content-Type: application/json" \
  -X POST \
  -d "{\"model\": \"${GEMINI_MODEL}\", \"input\": \"Review this diff for injection bugs.\", \"generation_config\": {\"thinking_level\": \"medium\"}}"

Baca model dari konfigurasi, catat penggunaan token per permintaan (panjang output Carbon per tugas bisa berbeda meskipun harganya sama), dan naikkan timeout klien: panduan Argon Google mengatakan prompt sulit dapat memakan waktu beberapa menit.

Biarkan agen coding Anda memantau rilis Carbon dengan Apidog CLI

Jangan periksa blog Google setiap pagi. Serahkan kepada agen coding Anda. Apidog CLI memungkinkan Claude Code, Codex, Cursor, atau OpenCode membuat dan menjalankan pengujian API dari terminal, sehingga agen dapat membuat satu pengujian yang mengakses endpoint daftar model Gemini dan satu yang menjalankan prompt asli Anda, lalu menjalankan ulang keduanya pada hari Carbon muncul.

Siapkan sekali:

npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick your agent when prompted

Lalu beri agen Anda satu [REDACTED PROMPT]
In Apidog project , create a Gemini API environment with GEMINI_MODEL=gemini-4-argon.
Add two test cases: (1) GET /v1beta/models that passes while no model name contains
"carbon" and fails loudly when one does; (2) POST /v1beta/interactions using
{{GEMINI_MODEL}} that asserts HTTP 200 and non-empty output text. Run both and
summarize the results.


Agen memeriksa setiap payload terhadap skemanya sebelum menulis apa pun, lalu menjalankan kasus-kasus tersebut:

bash
apidog environment create gemini-api --project --base-url https://generativelanguage.googleapis.com
apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file models-watch.json
apidog test-case create --project --file models-watch.json
apidog run --test-case --project -e -r cli,json




Saat kasus pemantauan gagal, ID Carbon sudah aktif. Jalankan ulang kasus prompt Anda dengan `--env-var "GEMINI_MODEL=<carbon-id>"` dan bandingkan output serta jumlah token dengan Argon. Untuk menjalankan pemantauan setiap hari, minta agen membaca `apidog cli-schema get scheduled-task-create` dan membuat tugas terjadwal, atau letakkan `apidog run ... -r junit` yang sama di CI dengan [panduan CI/CD Apidog CLI](https://apidog.com/id/blog/apidog-cli-ci-cd-pipeline?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation). Baru dengan CLI? Mulai dengan [Apidog CLI di Claude Code](https://apidog.com/id/blog/apidog-cli-in-claude-code?utm_source=dev.to&utm_medium=wanda&utm_content=n8n-post-automation). Paket Free Apidog mencakup hingga 4 pengguna.

## FAQ

**Apa tanggal rilis Gemini 4 Carbon?** Tidak ada. Google mengumumkannya pada 28 Oktober 2026; pertahanan siber memilikinya sekarang, mitra Fairwind berikutnya, pengembang "secepat mungkin."

**Bisakah saya menggunakan API Gemini 4 Carbon hari ini?** Tidak, kecuali Anda berada di kohort pertahanan siber awal atau Fairwind. Per 29 Oktober tidak ada ID model dan tidak ada entri Carbon di halaman model atau catatan perubahan.

**Berapa lama Argon sampai dirilis publik?** 13 hari: diumumkan 30 September 2026 untuk mitra Fairwind, GA di Gemini API berbayar 13 Oktober. Sebuah preseden, bukan komitmen.

**Berapa biaya Gemini 4 Carbon?** $2 per juta token input dan $10 per juta token output saat peluncuran, dengan input cache diskon 95%. Setelah periode perkenalan yang belum diberi tanggal oleh Google, menjadi $4 dan $20.

**Haruskah saya menunggu Carbon atau membangun di Argon sekarang?** Bangun di atas `gemini-4-argon` sekarang. Harga peluncurannya sama, dan peralihannya menjadi perubahan konfigurasi plus menjalankan pengujian.

Pokee Enterprise API: Agen Sandbox Persisten, Harga, dan Panggilan Pertama Anda

Walse — Wed, 28 Oct 2026 10:02:40 +0000

Pokee Enterprise API adalah REST API yang menjalankan agen AI berbentuk naratif panjang di dalam sandbox khusus yang bersifat persisten untuk setiap pelanggan. Anda membuat sesi, mengirim pesan, dan membaca jawaban agen sebagai aliran Server-Sent Events (SSE). Sesi dapat menampung berkas, keterampilan (skills) khusus, alat (tools), dan memori Anda sendiri yang dapat dipertahankan di berbagai sesi. Akses dilakukan melalui permintaan demo Pokee, bukan pendaftaran mandiri.

Coba Apidog hari ini

Di bawah ini: bagaimana sesi dan aliran bekerja, panggilan pertama Anda, harga Pokee Isaac, batas penggunaan, dan bagaimana membuat agen pengkodean menguji endpoint dengan Apidog CLI. Setiap angka berasal dari dokumen Pokee, yang dibaca pada tanggal 28 Oktober 2026.

Apa itu Pokee Enterprise API?

Pokee Enterprise API (Pokee menyebutnya Enterprise Responses API) memungkinkan Anda menjalankan alur kerja berbasis agen yang membutuhkan waktu dalam hitungan menit, bukan detik. Setiap penyewa (tenant) mendapatkan ruang kerja pribadi, token Bearer [REDACTED] stabil, dan subdomain sendiri, https://your-tenant.enterprise.pokee.ai. Di dalam ruang kerja tersebut, setiap sesi adalah satu proses agen dalam sandbox miliknya sendiri.

Sebuah panggilan obrolan menjawab satu prompt dan melupakannya. Sebuah sesi Pokee mempertahankan percakapan, berkas, dan status kesibukan, sehingga agen dapat meneliti, menulis berkas, dan memanggil alat di berbagai giliran. Jika Anda telah membaca panduan kami tentang Managed Agents Claude, bentuknya akan terasa familiar: penyedia menampung loop agen dan sandbox, dan Anda mengendarainya melalui HTTP.

Ini dibangun untuk tim yang menginginkan agen yang di-hosting dengan isolasi penyewa dan kontrol jaringan perusahaan (daftar izin IP, mTLS, AWS PrivateLink, penentuan wilayah), yang Pokee daftarkan tersedia berdasarkan permintaan.

Konsep inti: sesi, berkas, keterampilan, dan memori

API ini memiliki empat blok bangunan.

Konsep	Endpoint	Apa yang diberikannya kepada Anda
Sesi	`POST /v1/sessions`	Satu proses agen per sesi, dengan riwayat, cakupan berkas, dan modelnya sendiri
Berkas	`/v1/sessions/{id}/files/{path}`	Unggah, unduh, daftar, dan hapus berkas ruang kerja (sekitar 100 MB per unggahan)
Keterampilan (Skills)	`POST /v1/skills/{name}`	Instal bundel zip dengan `SKILL.md` di akarnya; berlaku untuk sesi baru
Memori	`.pokee/*.md`, `.memory/MEMORY.md`	Instruksi penyewa yang ditambahkan ke prompt sistem, ditambah memori di berbagai sesi

Beberapa detail sesi perlu diperhatikan di awal:

Persistent (Kekal). Secara default persistent adalah false, dan sesi menghapus dirinya sendiri 5 menit setelah respons terakhir. Atur ke true untuk mempertahankan sesi hingga ttl (waktu hidup) habis (default 14.400 detik, atau 4 jam) atau Anda menghapusnya.
Lock Model. Model yang Anda lewati pada saat pembuatan berlaku untuk setiap giliran dalam sesi tersebut.
Cakupan Berkas. Lewati file_access dengan daftar jalur read dan write untuk membatasi apa yang dilihat agen; API berkas HTTP akan mengembalikan 403 di luar cakupan tersebut.
Satu Giliran Sekaligus. Mengirim pesan kedua saat giliran sedang berjalan akan mengembalikan 409 Conflict.

Cara membuat panggilan API Pokee pertama Anda

Pokee memberi Anda dua nilai di luar jalur: URL penyewa Anda dan kunci berbentuk pk__. Kemudian panggilan pertama dilakukan dalam tiga langkah.

Periksa apakah gateway aktif (tidak memerlukan otorisasi).
Buat sesi dan simpan id-nya.
Kirim pesan dan baca aliran SSE.

export POKEE_API="https://your-tenant.enterprise.pokee.ai"
export POKEE_KEY="pk__"

curl "$POKEE_API/health"

SID=$(curl -s -X POST "$POKEE_API/v1/sessions" \
  -H "Authorization: Bearer $POKEE_KEY" \
  -H "Content-Type: application/json" \
  -d '{"persistent": true}' | jq -r '.id')

curl -N -i -X POST "$POKEE_API/v1/sessions/$SID/messages" \
  -H "Authorization: Bearer $POKEE_KEY" \
  -H "Content-Type: application/json" \
  -d '{"message": "Ringkas berkas di ruang kerja saya dalam tiga poin."}'

Flag -i mencetak header. Simpan X-Response-Id (msg_ diikuti 24 karakter heksadesimal): Anda membutuhkannya untuk melanjutkan atau membatalkan giliran tersebut.

Setiap event terdiri dari tiga baris, id:, event:, dan data:. Anda akan melihat message.created, lalu potongan text.delta (ditambah event thinking.* atau tool_use.*), dan aliran berakhir dengan message.completed, message.cancelled, atau message.error. Jika SSE masih baru bagi Anda, panduan Server-Sent Events MDN menjelaskan formatnya, dan postingan kami tentang pengujian API LLM yang mengalir melalui SSE menunjukkan cara membaca potongan-potongan data tersebut.

Pemanggilan Alat: Dua Permukaan

Pokee memberikan dua cara bagi agen untuk memanggil fungsi Anda, keduanya menggunakan definisi fungsi bergaya OpenAI.

	`/v1/responses` Stateless	Alat Sesi
Loop Agen	Tidak ada, satu perjalanan inferensi bolak-balik	Sesi agen penuh dengan keterampilan dan berkas
Status	Anda mengirim seluruh riwayat setiap panggilan	Server menyimpan percakapan
Bagaimana panggilan terlihat	Item `function_call` di `output[]`	Event SSE `tool_call.requested` di tengah aliran
Bagaimana Anda melanjutkan	Panggilan baru dengan item `function_call_output`	`POST /v1/sessions/{id}/tool_results`

Jalur tanpa status (stateless) adalah yang harus dipilih ketika Anda mengganti Pokee di belakang kode yang ditulis untuk OpenAI Responses API, karena bentuk kabelnya cocok. Ia menerima hingga 128 alat per permintaan, nama alat hingga 64 karakter, dan deskripsi hingga 16 KiB. Ia juga mengambil reasoning.effort (minimal, default, mematikan pemikiran yang diperluas; low, medium, dan high menyalakannya). Output secara default adalah 4.096 token, dibatasi hingga 32.000. Alat sesi cocok ketika agen harus menalar, menjalankan keterampilan, dan terkadang memanggil sistem Anda dalam giliran yang sama. Anda mendaftarkannya saat pembuatan sesi.

Gambar berikut menunjukkan perbandingan antara alat stateless vs alat mode sesi:

Lanjutkan, Batalkan, dan Kunci Idempensi

Giliran yang panjang terputus dengan cara yang tidak dilakukan oleh panggilan pendek. Pokee menambahkan tiga perbaikan pada 4 Mei 2026, sesuai dengan changelog.

Lanjutkan. Jika klien Anda terputus di tengah aliran, agen terus berjalan. Sambungkan ulang ke GET /v1/sessions/{id}/responses/{rid}/events dengan header Last-Event-ID dan server akan memutar dari event berikutnya. Sesi yang tertutup tetap tersedia selama 120 detik, dan melanjutkannya tidak akan dikenakan biaya ulang untuk token.
Batalkan. POST /v1/sessions/{id}/responses/{rid}/cancel mengembalikan 202 dan aliran berakhir dengan message.cancelled. Penggunaan parsial pada giliran yang dibatalkan tidak ditagih. Sesi dan berkasnya tetap hidup.
Kunci Idempensi. Kirim Idempotency-Key: <uuid> pada POST pesan. Pengulangan dengan kunci dan isi yang sama akan mengembalikan ID respons asli alih-alih memulai giliran kedua. Kunci hidup selama 24 jam, dan kunci yang sama dengan isi yang berbeda akan mengembalikan 422.

Jalur /v1/responses tanpa status mendukung ketiga hal tersebut ketika stream adalah true.

Model dan Harga Pokee Isaac

Pokee menerbitkan dua tingkatan Isaac di halaman model dan harga mereka. Harga adalah per juta token.

Model	Input	Output	Baca Cache
`pokee-isaac-high-reasoning`	$3	$15	$0.30
`pokee-isaac`	$0.30	$5	$0.10

Penyewa baru secara default menggunakan pokee-isaac-high-reasoning ketika Anda menghilangkan model. Backend Kimi, GPT-5.5, dan Gemini tersedia per penyewa berdasarkan kontrak. Dokumen tidak mencantumkan tingkatan gratis atau kontrak minimum; tanyakan hal tersebut kepada Pokee.

Ada juga Direct Isaac API, ditambahkan pada 7 Agustus 2026: rute POST /v1/chat/completions yang kompatibel dengan OpenAI tanpa loop agen atau alat. Ini diaktifkan per penyewa, hanya menerima pokee-isaac, dan mengarahkan permintaan panjang (200.000 dan 2.000.000 token ke atas) ke kumpulan konteks yang lebih besar secara otomatis. GET /v1/usage menunjukkan saldo kredit Anda.

Satu catatan keamanan dari dokumen: Bearer [REDACTED]ewa adalah kunci API langsung. Simpan di server Anda atau di belakang proxy Anda sendiri, jangan pernah di peramban, kode seluler, atau desktop.

Batas dan Kode Kesalahan

Ini adalah default dari halaman batas dan kesalahan. Pokee mengatakan dapat meningkatkan salah satu dari hal tersebut berdasarkan permintaan.

Batas	Default
Sesi bersama	10
Batas waktu giliran	90 menit
TTL Sesi	4 jam
Giliran per jam / per hari	300 / 5.000
Token per jam / per hari	20M / 200M
Unggahan maksimum	Sekitar 100 MB per panggilan
Ruang kerja maksimum	100 GB

Kode kesalahan yang paling mungkin Anda tangani: 401 (kunci buruk atau hilang), 402 (kehabisan kredit, mode kredit keras saja), 403 (jalur di luar cakupan sesi), 409 (sesi sibuk), 422 (kunci idempensi digunakan kembali dengan isi yang berbeda), 429 (batas penggunaan), dan 500 (coba lagi dengan backoff). Kesalahan dikembalikan sebagai {"error": "", "message": ""}.

Biarkan agen pengkodean Anda menguji Pokee API dengan Apidog CLI

Sebuah API sesi memiliki banyak kontrak untuk ditetapkan: 201 saat membuat, ID sess_, 409 saat sibuk, 204 saat menghapus, 202 saat membatalkan. Agen pengkodean Anda dapat menulis dan menjalankan pemeriksaan tersebut selagi Anda terus bekerja. Apidog CLI memberi Claude Code, Codex, atau Cursor perintah untuk melakukannya.

Atur satu kali:

npm install -g apidog-cli@latest
apidog auth login --with-token
apidog skill install

Kemudian berikan satu prompt kepada agen Anda:

Tulis file OpenAPI untuk endpoint Pokee Enterprise API /health, POST/GET/DELETE /v1/sessions, /v1/sessions/{id}/responses/{rid}/cancel dan /v1/usage, impor ke proyek Apidog , buat lingkungan untuk URL penyewa saya, lalu tambahkan kasus pengujian yang menyatakan 201 dan ID yang dimulai dengan "sess_" pada pembuatan, 204 pada penghapusan dan saldo kredit pada /v1/usage. Jalankan dan ringkas kegagalannya. Baca POKEE_KEY dari shell saya, jangan pernah dari file.

Agen mengimpor spesifikasi, memeriksa setiap payload terhadap skema CLI, lalu membuat dan menjalankan kasus:

apidog import --project  --format openapi --file ./pokee-openapi.json
apidog environment create pokee-tenant --project  --base-url https://your-tenant.enterprise.pokee.ai
apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file create-session.json
apidog test-case create --project  --file create-session.json
apidog run --test-case  --project  -e  --env-var "POKEE_KEY=$POKEE_KEY" -r cli,junit

Mengirim kunci dengan --env-var menjaganya keluar dari file apa pun yang ditulis agen. Kasus-kasus ini mencakup endpoint JSON; aliran SSE itu sendiri lebih mudah dilihat di aplikasi Apidog, yang menampilkan event yang mengalir (lihat pengujian SSE di Apidog). Perintah apidog run yang sama dengan -r junit masuk ke CI, seperti yang ditunjukkan oleh panduan CI/CD Apidog CLI kami. Baru mengenal CLI di agen? Mulailah dengan Apidog CLI di Claude Code. Paket Gratis Apidog mencakup hingga 4 pengguna.

Tempat Sharkly Berperan

Setelah agen Pokee, atau agen pengkodean apa pun, menjalankan tugas yang memakan waktu 90 menit, seseorang harus memutuskan siapa melakukan apa dan memeriksa hasilnya. ID sesi dalam file log bukanlah antrean kerja. Sharkly adalah papan tugas di mana agen AI dan orang berbagi pekerjaan: Anda menetapkan tugas ke agen atau rekan tim, mengikuti statusnya, dan meninjau hasilnya sebelum dikirim. Gratis untuk memulai, jadi Anda dapat menempatkan satu pekerjaan agen yang panjang di papan dan melihat bagaimana peninjauan cocok untuk tim Anda sebelum Anda meningkatkan skala.

FAQ

Apakah ada tingkat gratis untuk Pokee Enterprise API? Dokumen tidak menjelaskan adanya hal tersebut. Akses dimulai dengan permintaan demo, dan Pokee menyediakan URL penyewa dan kuncinya di luar jalur. Harga per token pada tingkatan Isaac di atas.

Apakah API Pokee kompatibel dengan OpenAI? Sebagian. Jalur /v1/responses tanpa status cocok dengan bentuk kabel Responses OpenAI untuk pemanggilan fungsi, dan rute Direct Isaac menerima bentuk permintaan Chat Completions. Endpoint sesi adalah milik Pokee sendiri.

Berapa lama satu giliran agen Pokee dapat berjalan? Batas waktu giliran default adalah 90 menit dan TTL sesi default adalah 4 jam. Keduanya dapat ditingkatkan berdasarkan permintaan.

Apa yang terjadi jika klien saya terputus di tengah aliran? Agen terus bekerja. Sambungkan ulang ke endpoint lanjutkan dengan Last-Event-ID dalam waktu 120 detik setelah giliran ditutup dan Anda akan mendapatkan sisa event tanpa ditagih ulang.

Bagaimana perbandingannya dengan API agen yang di-hosting lainnya? Ini berada dekat dengan penawaran agen yang di-hosting seperti OpenAI Agents API; perbandingan opsi agen OpenAI kami adalah bacaan berikutnya yang bagus, dan apa yang dilakukan CubeSandbox untuk agen AI mencakup sisi sandbox.

Kunci API AI Curian Kini Membiayai Pemindaian Peretasan: Cara Mengamankan Kunci OpenAI, Anthropic, dan Gemini Anda

Walse — Wed, 28 Oct 2026 08:09:41 +0000

Kunci API AI yang dicuri kini bisa membiayai peretasan orang lain. Pada Oktober 2026, tim intelijen ancaman Bitsight mendeskripsikan MONST3R-AI, sebuah alat yang dijual di forum kriminal dan menjalankan pemindaian pengujian penetrasi otonom memakai kunci OpenAI, Anthropic, dan Google hasil curian. Pembeli membawa kuncinya sendiri, agen melakukan pemindaian, dan pemilik kunci yang menerima tagihannya. Panduan ini membahas bagaimana kunci bisa bocor, cara mengenali penyalahgunaan, dan kontrol yang saat ini ditawarkan setiap penyedia.

Coba Apidog sekarang

Untuk melindungi kunci OpenAI, Anthropic, atau Gemini: batasi cakupannya ke satu proyek atau workspace, tetapkan batas pengeluaran bulanan yang keras, batasi dari mana kunci boleh dipanggil, tetapkan masa berlaku atau rotasi, jauhkan dari kode klien dan repositori, serta aktifkan pemindaian rahasia (secret scanning) dengan perlindungan push. Jika kunci bocor: buat kunci pengganti, terapkan, lalu nonaktifkan kunci lama dan audit penggunaannya.

Apa itu LLMjacking?

LLMjacking adalah penyalahgunaan kredensial model bahasa besar (LLM) yang dicuri—biasanya berupa kunci API—untuk menjalankan inferensi yang dibayar oleh pemilik kunci. Penyerang menjual kembali aksesnya, memakainya untuk beban kerja sendiri, atau, kini menurut Bitsight, menggunakannya untuk menjalankan agen serangan otonom. Bagi korban, semua aktivitas itu hanya tampak sebagai penggunaan yang dapat ditagih pada akun mereka sendiri.

Apa yang ditemukan Bitsight tentang MONST3R-AI

Fakta-fakta di bawah ini berasal dari liputan riset Bitsight oleh Help Net Security dan AI Weekly, yang diterbitkan pada 17 Oktober 2026. Tulisan Bitsight sendiri tentang alat tersebut belum dipublikasikan saat artikel ini ditulis.

Apa itu: seorang penjual di forum kriminal terbatas memasarkan MONST3R-AI sebagai "platform pengujian penetrasi otonom."
Kunci siapa: alat ini berjalan di atas kunci API OpenAI, Anthropic, dan Google yang dicuri.
Siapa yang membayar: pembeli menempelkan kunci curian ke panel alat tersebut, menetapkan batas anggaran, dan mengarahkan agen ke daftar target. Penjual tidak menghosting model apa pun, sehingga tagihan inferensi jatuh ke pemilik sah kunci tersebut.
Hasil yang diklaim: dasbor penjual mengklaim 1.072 temuan di 199 host yang dipindai. Bitsight menyatakan tidak dapat memverifikasi angka itu secara independen—anggap saja pemasaran, bukan bukti.
Tren yang lebih luas: di 16 forum bawah tanah antara Februari dan Agustus 2026, penyebutan agen AI, injeksi prompt tidak langsung, dan Model Context Protocol naik 67 persen.

Kunci yang bocor bukan lagi sekadar tagihan yang mengejutkan. Kunci itu dapat membiayai kampanye serangan orang lain, dan setiap permintaannya tampak seperti lalu lintas normal Anda.

Bagaimana kunci API AI bocor

Sebagian besar kunci yang dicuri tidak pernah "diretas." Kunci-kunci itu justru terpublikasi secara tidak sengaja. Jalur yang paling umum:

Jalur kebocoran	Bagaimana terjadinya	Perbaikan
Repositori publik	Kunci di-commit dalam kode, `.env` atau notebook	Pemindaian rahasia dengan perlindungan push
Kode sisi klien	Kunci dikirim dalam bundel web atau aplikasi mobile	Panggil model hanya dari backend Anda
Log CI	Langkah build mencetak variabel env atau output debug	Masker rahasia, jangan pernah `set -x` di sekitarnya
Image container	`.env` disalin ke dalam lapisan image	`.dockerignore`, suntikkan saat runtime
Konfigurasi agen dan MCP	Kunci ditempelkan ke konfigurasi server MCP atau file pengaturan agen, lalu disinkronkan atau dibagikan	Rujuk variabel env, bukan kunci literal
Chat dan tiket	Kunci ditempelkan ke Slack, issue, atau tiket dukungan	Rotasi setiap kunci yang keluar dari penyimpanan rahasia Anda

Panduan kunci API Gemini dari Google menyatakan aturan sisi klien secara gamblang: kunci yang dikompilasi ke dalam aplikasi web atau mobile dapat diekstrak oleh pengguna, jadi jalankan proksi backend yang melakukan panggilan sebenarnya. Panduan kami tentang menyimpan kunci API membahas sisi penyimpanan lebih mendalam.

Konfigurasi agen memerlukan perhatian ekstra: file pengaturan MCP dan agen sering berakhir di repositori dotfile, screen share, dan laporan bug.

Cara mengetahui kunci Anda disalahgunakan

Tidak akan ada peringatan yang mengatakan "seorang penjahat sedang memakai kunci ini." Pantau data penggunaan dan penagihan Anda untuk:

Lonjakan pengeluaran tanpa deployment di belakangnya. Biaya harian yang tadinya datar lalu berlipat ganda dalam semalam adalah tanda paling jelas.
Model yang tidak Anda gunakan. Penggunaan pada keluarga model yang tidak pernah dipanggil produk Anda.
Lalu lintas di luar jam kerja. Permintaan yang stabil pada pukul 3 pagi di zona waktu Anda, dari kunci yang hanya dipakai aplikasi siang hari.
Error batas laju yang bukan Anda sebabkan. Orang lain menghabiskan kuota per menit Anda.
Kunci atau proyek tak dikenal di halaman penggunaan. Halaman Usage di Google AI Studio mengelompokkan permintaan yang tidak dapat dicocokkan ke kunci bernama di bawah "(unknown keys)."

Pisahkan kunci cukup rinci sehingga satu lonjakan langsung menunjuk ke satu kunci.

Cara melindungi kunci API OpenAI Anda

Diperiksa pada 28 Oktober 2026 terhadap dokumentasi pengembang OpenAI.

Batas pengeluaran keras: menurut panduan batas pengeluaran, Anda dapat menetapkan batas bulanan untuk organisasi atau satu proyek dan mengaktifkan "Enforce a hard limit." Setelah pengeluaran yang terlacak mencapai batas tersebut, permintaan gagal dengan 429 dan kode organization_spend_limit_exceeded atau project_spend_limit_exceeded. Penegakan tidak instan, sehingga pengeluaran bisa sedikit melebihi batas.
Peringatan pengeluaran: peringatan memberi tahu Anda tetapi tidak menghentikan lalu lintas. Gunakan keduanya, dengan peringatan yang ditetapkan jauh di bawah batas keras.
Allowlist IP: allowlist IP menolak permintaan dari IP lain bahkan dengan kunci yang valid. Fitur ini menerima hingga 50 alamat atau rentang CIDR, dapat diterapkan per proyek atau seluruh organisasi, dan panggilan yang diblokir mendapat HTTP 401 dengan ip_not_authorized. Perubahan memerlukan waktu hingga 15 menit.
Satu proyek per aplikasi dan lingkungan: batas dan allowlist tingkat proyek hanya membantu jika kunci dipisahkan berdasarkan proyek.
Izin kunci terbatas: panduan proyek OpenAI mencantumkan izin All (default), Restricted, dan Read Only untuk kunci milik pengguna. Berikan setiap kunci hanya apa yang dibutuhkan aplikasinya.
Akses model per proyek: di bagian Limits sebuah proyek, pengaturan Model usage memilih model mana yang dapat dipanggil proyek tersebut. Kunci yang dicuri kemudian tidak dapat berpindah ke model yang lebih mahal yang tidak pernah Anda gunakan.

Lihat panduan kunci API OpenAI kami.

Cara melindungi kunci API Anthropic Anda

Diperiksa pada 28 Oktober 2026 terhadap dokumentasi Claude Platform.

Batas pengeluaran workspace: menurut dokumentasi Workspaces, Anda dapat membatasi pengeluaran bulanan per workspace dan mengonfigurasi peringatan pada ambang tertentu. Anda tidak dapat menetapkan batas pengeluaran pada Default Workspace, jadi tempatkan kunci produksi di workspace tersendiri.
Batas laju workspace: batasi permintaan, token input, dan token output per menit untuk setiap workspace.
Masa berlaku kunci: dokumentasi autentikasi memungkinkan Anda memilih masa berlaku saat pembuatan: 3 jam, 1 hari, 7 hari, 30 hari, durasi kustom, atau Never. Pilihan ini tidak dapat diubah belakangan.
Kunci berbasis identitas: kunci akun pribadi dan akun layanan berhenti berfungsi ketika pemiliknya dihapus. Anthropic menyebut kunci workspace sebagai warisan dan merekomendasikan Workload Identity Federation untuk produksi di platform cloud dan CI.
Nonaktifkan versus hapus: Disable dapat dibalikkan dan menunjukkan kunci sebagai inactive. Delete bersifat permanen. Ketika ragu, nonaktifkan dulu.

Lihat panduan kunci API Anthropic kami.

Cara melindungi kunci API Google Gemini Anda

Diperiksa pada 28 Oktober 2026 terhadap dokumentasi kunci API Gemini dan dokumentasi penagihan Google.

Kunci auth: sejak 28 Mei 2026, kunci baru yang dibuat di Google AI Studio adalah kunci otorisasi yang terikat pada akun layanan, dibatasi ke API Gemini secara default. Google menyatakan kunci ini disertai penegakan yang cepat terhadap kunci bocor yang terdeteksi oleh sistemnya.
Tidak ada kunci tanpa pembatasan: API Gemini menolak permintaan dari kunci standar yang tidak dibatasi. Batasi kunci lama ke API Gemini di AI Studio, atau migrasikan ke kunci auth.
Pembatasan aplikasi: di halaman kredensial konsol Cloud, batasi kunci ke alamat IP tertentu.
Batas pengeluaran proyek: tetapkan batas bulanan per proyek di halaman Spend AI Studio. Google melabeli ini sebagai eksperimental dan memperingatkan kelebihan biaya selama penundaan penagihan sekitar 10 menit.

Daftar periksa penguncian untuk setiap penyedia

Jalankan ini sekali untuk setiap kunci yang Anda miliki:

Inventaris. Daftarkan setiap kunci, aplikasi yang menggunakannya, dan di mana kunci disimpan.
Pisahkan. Satu proyek atau workspace per aplikasi dan lingkungan, sehingga lonjakan langsung menyebutkan sumbernya.
Batasi. Tetapkan batas bulanan yang keras dan peringatan yang lebih awal.
Restriksi. Allowlist IP atau pembatasan aplikasi di mana pun egress Anda tetap.
Berlaku atau rotasi. Masa berlaku pendek di mana penyedia mendukungnya; jadwal rotasi di mana tidak.
Pindai. Pola pemindaian rahasia GitHub mencakup kunci API OpenAI, Anthropic, dan Google Gemini, dan kunci OpenAI mendukung perlindungan push. Postingan kami tentang memeriksa kunci API yang bocor membahas pemindai yang dapat Anda jalankan secara lokal.
Utamakan kredensial berumur pendek. Anthropic dan OpenAI keduanya mendokumentasikan workload identity federation untuk produksi.

Untuk sisi kebijakan, lihat praktik terbaik pengelolaan kunci API.

Apa yang harus dilakukan pada jam pertama setelah kebocoran

Kecepatan mengalahkan akar penyebab. Secara berurutan:

Buat kunci pengganti di proyek atau workspace baru.
Terapkan ke aplikasi yang membutuhkannya.
Nonaktifkan kunci yang bocor. Daftar periksa kebocoran Google menyatakan untuk menonaktifkan kunci lama hanya setelah kunci baru diverifikasi, untuk menghindari downtime. Jika pengeluaran naik dengan cepat, nonaktifkan dulu dan terima gangguan layanan.
Turunkan batas pengeluaran pada proyek yang terdampak selama Anda menyelidiki.
Audit penggunaan berdasarkan model, jam, dan kunci untuk rentang waktu sejak kebocoran.
Temukan jalur kebocoran menggunakan tabel di atas, dan bersihkan dari riwayat git.
Hubungi penyedia tentang penggunaan curang setelah Anda memiliki linimasa.

Biarkan agen coding Anda menguji penanganan kunci dengan Apidog CLI

Proksi backend Anda ke OpenAI, Anthropic, atau Gemini adalah tempat penanganan kunci paling rawan rusak: proksi menerima panggilan tanpa autentikasi, atau mencetak kunci penyedia di badan error. Biarkan agen coding Anda menulis dan menjalankan pengujian untuk itu dengan Apidog CLI, dengan rahasia dijauhkan dari definisi pengujian.

Siapkan sekali:

npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick your agent when prompted

Kemudian berikan satu prompt kepada agen Anda:

In Apidog project <id>, create a test case for POST /v1/ai/chat on our proxy.
Assert: no Authorization header returns 401, a bad token returns 401, a valid
token returns 200, and no response body contains "sk-" or "AIza". Read the
token from the {{PROXY_TOKEN}} environment variable, never hardcode it.
Then run it against the staging environment and summarize failures.

Agen membaca skema payload, memvalidasinya, membuat kasus, dan menjalankannya:

apidog cli-schema get test-case-create
apidog test-case category --project <id>
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project <id> --file case.json
apidog run --test-case <caseId> --project <id> -e <envId> \
  --env-var "PROXY_TOKEN=$PROXY_TOKEN" -r cli,junit

--env-var meneruskan token saat runtime, sehingga token tidak pernah berada di spec atau repositori. Baris apidog run yang sama dapat dimasukkan ke CI; lihat Apidog CLI dalam pipeline CI/CD dan Apidog CLI di Claude Code.

FAQ

Apa itu LLMjacking? Ini adalah penggunaan kredensial LLM yang dicuri, biasanya kunci API, untuk menjalankan inferensi yang dibayar pemiliknya. Penyerang menjual kembali aksesnya atau, seperti pada MONST3R-AI, menggunakannya untuk menjalankan agen serangan.

Bisakah kunci API AI yang dicuri benar-benar membiayai alat peretasan? Ya. Bitsight melaporkan bahwa pembeli MONST3R-AI menempelkan kunci OpenAI, Anthropic, atau Google yang dicuri ke panelnya, dan penjual tidak menghosting model apa pun, sehingga korban yang membayar. Hasil yang diklaim penjual tidak terverifikasi.

Apakah batas pengeluaran menghentikan kunci yang dicuri? Batas keras menghentikan pengeluaran pada batas tersebut, tetapi tidak secara instan. OpenAI dan Google keduanya mencatat kelebihan kecil selama batas menyebar. Peringatan pengeluaran saja tidak pernah menghentikan lalu lintas.

Bisakah saya menaruh kunci API OpenAI di kode frontend? Tidak. Apa pun yang dikirim ke browser atau aplikasi mobile dapat diekstrak. Panggil model dari backend Anda.

Apakah GitHub akan menangkap kunci AI yang bocor? Pemindaian rahasia GitHub mendeteksi pola kunci API OpenAI, Anthropic, dan Google Gemini. Aktifkan perlindungan push sehingga commit dengan kunci diblokir sebelum menjadi publik.

Penurunan Batas Codex Pro 30 Oktober: Apa Perubahan untuk Pro 200 dan Apa yang Harus Dilakukan

Walse — Wed, 28 Oct 2026 08:05:00 +0000

Pemotongan batas Codex Pro tinggal beberapa hari lagi: 30 Oktober 2026. Jika Anda membayar $200 per bulan untuk ChatGPT Pro, jatah Codex bawaan Anda akan menyusut sementara harga tetap sama. Pelanggan yang memenuhi syarat untuk skema pengakhiran (grandfathering) mempertahankan kuota lama hingga 29 Oktober. Mulai 30 Oktober, semua akun Pro 200 beroperasi dengan batas yang lebih rendah — menurut laporan setara 10x Plus, turun dari 20x.

Coba Apidog hari ini

Artikel ini hanya membahas hal yang sudah dipastikan: apa yang dikonfirmasi OpenAI, apa yang masih berupa laporan, dan apa yang bisa Anda kerjakan minggu ini. Untuk gambaran lengkap cara kerja kuota Codex, baca panduan kami tentang batas penggunaan Codex. Untuk pendekatan umum mengoptimalkannya, lihat solusi untuk batasan penggunaan Codex.

Apa yang berubah pada 30 Oktober: pemotongan batas Codex Pro dalam satu tabel

Pada 30 Oktober 2026, setiap langganan Pro 200 dipindahkan ke batas penggunaan bawaan yang lebih rendah, dengan tagihan bulanan tetap $200. OpenAI mengonfirmasi pemotongan, tanggalnya, dan harganya. Ukuran barunya belum dipublikasikan; laporan menempatkannya di 10x Plus, turun dari 20x.

	Sebelum	Mulai 30 Oktober 2026	Sumber
Harga Pro 200	$200/bulan	$200/bulan	Pusat bantuan OpenAI
Penggunaan bawaan Pro 200	Alokasi sebelumnya (dilaporkan 20x Plus)	Alokasi lebih rendah (dilaporkan 10x Plus)	OpenAI mengonfirmasi "lebih rendah"; kelipatan dilaporkan
Pesan GPT-6 Pro pada Pro 200	Dilaporkan 200 per minggu	Dilaporkan 100 per minggu	Hanya dilaporkan
Pro 100	$100/bulan (dilaporkan 5x Plus)	Tidak ada perubahan yang diumumkan	Dilaporkan
Mode Ultrafast	Hanya Pro 500	Hanya Pro 500	Pusat bantuan OpenAI
Batas lima jam pada Pro	Saat ini tidak ada	Saat ini tidak ada (batas mingguan mungkin berlaku)	Dokumen harga OpenAI

Artikel About ChatGPT Pro tiers milik OpenAI sendiri, dibaca pada 28 Oktober, menyatakan bahwa langganan Pro 200 yang baru "mencakup batasan penggunaan yang lebih rendah daripada yang sebelumnya ditawarkan pada Pro 200 untuk mencerminkan model kami yang semakin efisien." Tidak ada kelipatan yang disebutkan di mana pun. Angka 20x ke 10x serta penurunan dari 200 ke 100 pesan GPT-6 Pro mingguan berasal dari liputan pers seperti rincian Pro $100 vs $200 dari ThreatFrontier dan postingan yang tren di X. Perlakukan semuanya sebagai perkiraan terbaik yang tersedia, bukan angka resmi.

Siapa yang mendapatkan pengakhiran, dan sampai kapan

Grandfathering mencakup Anda jika langganan Pro 200 Anda aktif pada titik waktu mana pun antara 22 September 2026 hingga pukul 10 pagi waktu Pasifik pada 29 September 2026. Akun yang memenuhi syarat mempertahankan alokasi sebelumnya hingga 29 Oktober 2026, selama langganan tetap aktif.

Tiga detail dari artikel bantuan OpenAI ini mudah terlewat:

Berlangganan kembali tidak mereset jendela waktu. Jika Pro 200 Anda kedaluwarsa lalu Anda berlangganan lagi di akun yang sama, Anda hanya memenuhi syarat bila aktif selama periode 22–29 September tersebut.
Pengakhiran bukan upgrade. Paket Anda tetap Pro 200. Anda tidak mendapatkan fitur Pro 500 ataupun Ultrafast.
Hanya pengguna terdampak yang menerima email. Tidak menerima email berarti Anda tidak memenuhi syarat, atau berlangganan setelah periode tersebut — dalam hal ini Anda sudah memakai alokasi yang lebih rendah.

Jika Anda mendaftar Pro 200 setelah pukul 10 pagi PT pada 29 September, tidak ada yang berubah bagi Anda pada 30 Oktober. Anda sudah memakai alokasi yang lebih rendah sejak hari pertama.

OpenAI tidak menyebutkan jam perubahan untuk tanggal 30 Oktober. Asumsikan sesi pertama Anda pada hari itu sudah memakai alokasi yang baru.

Apakah ada kredit kompensasi?

Belum dikonfirmasi oleh OpenAI. Beberapa pelanggan melaporkan menerima email yang menyebut pemberian kredit Codex satu kali, tetapi artikel bantuan maupun dokumen harga OpenAI tidak menyinggungnya. Jika email itu sampai ke Anda, periksa jumlah dan tanggal kedaluwarsa persisnya di Pengaturan, lalu Penggunaan, di ChatGPT, atau Penggunaan & Penagihan di Codex. Jangan menyusun rencana dari kredit yang tidak bisa Anda lihat di dasbor sendiri.

Yang dikonfirmasi OpenAI adalah cara kerja kredit berbayar: penggunaan bawaan terpakai lebih dulu, kemudian saldo kredit Anda. Kredit mencakup penggunaan yang memenuhi syarat di Codex, ChatGPT Work, serta ChatGPT untuk Word, Excel, dan PowerPoint, dan pengguna Plus maupun Pro dapat membeli tambahan setelah batas bawaan tercapai tanpa berganti paket.

Pro $100 vs Pro $200 setelah pemotongan

Jika kelipatan yang dilaporkan benar, hitungannya mengubah argumen untuk paket $200.

	Pro 100	Pro 200 (mulai 30 Okt)	Pro 500
Harga	$100	$200	$500
Penggunaan Codex yang dilaporkan	5x Plus	10x Plus	Tertinggi dari ketiganya (kelipatan tidak dipublikasikan)
Penggunaan per $100	5x Plus	5x Plus	Belum dipublikasikan
Ultrafast	Tidak	Tidak	Ya

Sebelum pemotongan, $200 membeli empat kali alokasi Pro 100 untuk dua kali lipat harga. Setelah pemotongan, $200 membeli dua kali alokasi untuk dua kali lipat harga. Tarif per dolar tidak berubah.

Itu menyisakan tiga alasan jujur untuk bertahan di Pro 200:

Anda rutin menyentuh batas mingguan Pro 100 dan tidak ingin repot mengelola kredit.
Anda memakai pesan chat GPT-6 Pro yang dilaporkan secara intensif di luar Codex.
Anda lebih suka biaya tetap $200 daripada melacak saldo kredit.

Jika tidak ada yang cocok, uji Pro 100 selama sebulan. Paket bisa diubah di bawah Pengaturan, lalu My Plan, dan Pro ditagih bulanan, jadi tebakan yang salah hanya merugikan satu siklus penagihan.

Pilihan Anda jika 10x tidak cukup

Anda punya empat tuas. Sebagian besar pengguna berat akan memadukan dua di antaranya.

1. Jalankan sesi lokal dengan kunci API

Dokumen harga OpenAI menyatakan bahwa semua pengguna "mungkin juga menjalankan obrolan lokal tambahan menggunakan kunci API, dengan penggunaan dikenakan pada tarif API standar." Anda melepaskan fitur cloud (ulasan kode GitHub, Slack, tugas cloud), tetapi CLI, SDK, dan ekstensi IDE tetap berfungsi — dan Anda berhenti menggerus jatah langganan.

Codex CLI mengambil kunci dari stdin:

printenv OPENAI_API_KEY | codex login --with-api-key
codex login status

Pengaturan yang lebih rapi: pertahankan login ChatGPT untuk pekerjaan interaktif, dan pakai kunci hanya di titik yang menguntungkan, misalnya pekerjaan codex exec di CI. Penggunaan API ditagih per token sesuai tarif di halaman harga API OpenAI, jadi tetapkan anggaran proyek sebelum mengarahkannya ke agen yang berjalan lama. Panduan kunci API OpenAI kami membahas pembuatan dan pembatasan kunci.

2. Letakkan pekerjaan rutin pada model yang lebih murah

Tarif kredit di dokumen harga Codex OpenAI memperlihatkan betapa menentukannya pilihan model:

Model	Input (kredit per 1M)	Input tersimpan (cached)	Output
GPT-6 Astra	250	25	1,250
GPT-6.1 Sol	50	2.5	250
GPT-6.1 Terra	25	1.25	125
GPT-6 Luna	2.5	0.25	12.5

GPT-6.1 Terra berharga setengah dari GPT-6.1 Sol per token, sementara GPT-6 Luna sekitar 1/20 harganya. Pada Plus, perkiraan OpenAI berjalan 15 hingga 160 pesan lokal per lima jam pada GPT-6.1 Sol, dibandingkan 35 hingga 285 pada Terra dan 350 hingga 3.000 pada Luna. Gunakan model kuat untuk perencanaan dan debugging yang sulit, lalu beralih dengan codex -m <model> untuk penggantian nama, scaffolding tes, dan dokumentasi. Panduan API GPT-6.1 Terra kami menunjukkan pekerjaan apa yang ditangani Terra dengan baik.

3. Kurangi apa yang dikirim pada setiap giliran

Tips dari OpenAI sendiri tidak butuh biaya sepeser pun:

Jaga AGENTS.md tetap ringkas, dan lakukan penempatan per direktori pada repositori besar.
Nonaktifkan server MCP yang tidak Anda pakai dalam sesi ini; masing-masing menambah konteks ke setiap pesan.
Persempit file dan rentang tanggal yang Anda berikan kepada agen.
Hindari mode Cepat untuk pekerjaan batch; mode ini membakar penggunaan bawaan pada tarif 2,5x dari Standar.

Jalankan /status di dalam sesi Codex CLI untuk melihat sisa jatah sebelum memulai tugas besar.

4. Gandengkan agen pengkodean kedua

Membagi pekerjaan ke dua agen menyebarkan batas mingguan. Perbandingan Claude Code vs Codex vs Cursor vs MiniMax vs GLM kami merinci apa saja yang termasuk di tiap paket. Jika Anda menimbang langganan Codex lawan biaya API-nya secara lebih luas, postingan harga Codex kami punya latar belakangnya, dan panduan OpenAI Codex CLI membahas penyiapan CLI lebih mendalam.

Uji jalur kunci API dengan Apidog CLI sebelum Anda beralih

Memindahkan sesi lokal ke kunci API hanya berguna jika kunci, proyek, dan model pilihan Anda benar-benar merespons seperti yang Anda harapkan. Jangan biarkan Anda mengetahuinya di tengah fase refactoring. Minta agen pengkodean Anda memeriksanya dengan Apidog CLI sambil mencatat penggunaan token.

Atur sekali:

npm install -g apidog-cli@latest
apidog login --with-token <TOKEN_APIDOG_ANDA>
npx -y skills add https://apidog.com   # pilih Codex ketika diminta

Kemudian berikan satu prompt ke Codex:

Di proyek Apidog <projectId>, buat kasus pengujian untuk POST https://api.openai.com/v1/responses
menggunakan variabel lingkungan OPENAI_API_KEY sebagai token Bearer [REDACTED] model <model-id>.
Tegaskan status 200, bahwa output tidak kosong, dan bahwa usage.input_tokens dan
usage.output_tokens adalah angka. Jalankan terhadap lingkungan <envId> dan laporkan
jumlah token serta kegagalan apa pun.

Agen membaca skema payload, memvalidasi JSON-nya sebelum menulis, membuat kasus, lalu menjalankannya:

apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project <projectId> --file case.json
apidog run --test-case <caseId> --project <projectId> -e <envId> -r cli,json

Laporan JSON memberi Anda catatan penggunaan per jalannya. Tambahkan --upload-report untuk melihat jalannya di aplikasi Apidog, atau -n 5 untuk mengulang dan merasakan sebaran token pada prompt Anda. Panduan API Responses menjelaskan objek usage yang dibaca pengujian ini.

Setelah lulus, perintah apidog run ... -r junit yang sama bisa langsung masuk ke CI, sehingga kunci yang dicabut atau model yang pensiun menggagalkan build alih-alih sesi larut malam. Panduan CI/CD Apidog CLI menunjukkan pengkabelan pipelinenya, dan Apidog CLI in Codex membahas penyiapan agen lebih mendalam. Rencana Gratis Apidog mencakup hingga 4 pengguna.

Apa yang harus dilakukan sebelum 30 Oktober

Periksa kotak masuk Anda untuk email OpenAI. Tidak adanya email berarti tidak ada pengakhiran.
Jalankan /status di Codex CLI dan catat sisa penggunaan mingguan Anda.
Putuskan antara Pro 100 dan Pro 200 berdasarkan pemakaian bulan lalu, bukan kebiasaan.
Siapkan login kunci API untuk pekerjaan codex exec dan uji sekali.
Pindahkan tugas rutin ke GPT-6.1 Terra atau GPT-6 Luna.

FAQ

Apakah pemotongan batas Codex Pro mengubah harga $200?
Tidak. Artikel bantuan OpenAI menyatakan harga langganan tetap $200 per bulan. Hanya batas penggunaan bawaan yang turun.

Apakah Pro 200 benar-benar 10x Plus sekarang?
Itu angka yang dilaporkan. Pusat bantuan OpenAI mengonfirmasi "batasan penggunaan bawaan yang lebih rendah" tetapi tidak mempublikasikan kelipatannya. Periksa dasbor penggunaan Anda untuk batas sebenarnya.

Saya berlangganan di bulan Oktober. Apakah ada yang berubah bagi saya pada 30 Oktober?
Tidak. Langganan baru yang tidak memenuhi syarat grandfathering sudah memakai batas yang lebih rendah sejak awal.

Bisakah dukungan OpenAI mereset batas Codex saya setelah pemotongan?
Tidak. OpenAI mengatakan dukungan tidak dapat mereset batas ChatGPT maupun Codex. Mereka dapat menyelidiki penggunaan yang terhitung salah.

Apakah login kunci API di Codex memakai alokasi Pro saya?
Tidak. Sesi lokal dengan kunci API ditagih pada tarif API standar dan melewati fitur cloud seperti ulasan kode GitHub dan Slack.

Haruskah saya upgrade ke Pro 500?
Hanya jika Anda membutuhkan Ultrafast atau volume lebih besar daripada yang diberikan Pro 200. Ultrafast membakar penggunaan bawaan pada tarif 8x dari Standar, jadi cocok untuk pekerjaan yang sangat bergantung pada kecepatan, bukan tugas massal.

OpenAI CLI: Instal dan Panggil OpenAI API dari Terminal Anda

Walse — Wed, 28 Oct 2026 07:43:38 +0000

OpenAI CLI: Instal dan Panggil OpenAI API dari Terminal Anda

OpenAI CLI adalah alat command-line resmi OpenAI untuk OpenAI REST API. Anda menginstal satu biner openai, mengatur OPENAI_API_KEY, dan memanggil API dari terminal atau skrip shell Anda: openai responses create, openai files upload, openai batches create, openai images generate. Ini bukan Codex CLI. Codex adalah agen coding; openai mengirim satu permintaan API per perintah.

Coba Apidog hari ini

Panduan ini mencakup instalasi, autentikasi, perintah pertama yang layak dijalankan, dan bagaimana ia dibandingkan dengan Codex CLI serta perintah openai lama yang ditempatkan Python SDK di PATH Anda. Setiap perintah dan keluaran di bawah ini berasal dari versi 1.44.1, yang diinstal dan dijalankan pada 28 Oktober 2026.

Apa itu OpenAI CLI?

OpenAI CLI adalah biner Go sumber terbuka, yang diterbitkan oleh OpenAI di github.com/openai/openai-cli di bawah lisensi Apache 2.0. Perintah-perintahnya mencerminkan sumber daya API (responses, files, batches, images, audio, vector-stores, admin), sehingga apa pun yang akan Anda kirim dengan curl atau SDK menjadi satu perintah terminal dengan flag.

Ini bukan barang baru. Versi 1.0.0 dirilis pada 5 Mei 2026, dan proyek ini telah merilis 99 rilis sejak itu; 1.44.1 hadir pada 27 Oktober 2026. Jadi anggap saja ini sebagai alat yang matang yang mungkin Anda lewatkan, bukan peluncuran baru.

Berikut yang Anda dapatkan pada penggunaan pertama:

Bantuan mengelompokkan perintah berdasarkan tugas: menghasilkan konten (responses, chat, images, audio, videos), data dan pengambilan (files, uploads, vector-stores, embeddings), model dan tugas, administrasi, serta sekumpulan alat lokal yang tidak pernah menyentuh jaringan. Bantuan itu sendiri tidak memerlukan kunci API dan koneksi, yang menjadikan openai <command> --help sebagai cara tercepat untuk mempelajari flag.

Alat ini cocok untuk pengembang yang menguji prompt tanpa menulis skrip, orang ops yang ingin unggahan file dan batch dalam cron job, serta agen coding yang membutuhkan antarmuka terdokumentasi alih-alih curl buatan sendiri.

Cara menginstal OpenAI CLI

Ada tiga jalur instalasi, semuanya tercantum di README proyek:

Biner siap pakai. Unduh arsip untuk OS dan arsitektur Anda dari GitHub Releases (build macOS, Linux, dan Windows tersedia), ekstrak dan letakkan openai di PATH Anda.
Homebrew.

brew install openai/tools/openai

Go. Memerlukan Go 1.26 atau yang lebih baru.

go install 'github.com/openai/openai-cli/cmd/openai@latest'
export PATH="$PATH:$(go env GOPATH)/bin"

Instalasi rilis yang dikelola sendiri dapat memperbarui dirinya sendiri selama proses interaktif. Jika Anda mematok versi di CI, atur OPENAI_CLI_NO_AUTO_UPDATE=1 untuk menghentikan instalasi otomatis, atau OPENAI_CLI_NO_UPDATE_CHECK=1 untuk mematikan pemeriksaan pembaruan sepenuhnya. Instalasi Homebrew dan Go tetap menampilkan pemberitahuan pembaruan tetapi menyerahkan peningkatan kepada manajer paket.

Bagaimana autentikasi OpenAI CLI bekerja

CLI membaca kunci API standar dari OPENAI_API_KEY (atau flag --api-key, yang sebaiknya dihindari karena akan tercatat di riwayat shell). Jika Anda belum memilikinya, panduan kami tentang cara mendapatkan kunci OpenAI API membahasnya secara lengkap.

Pengaturan tercepat adalah panduan bawaan:

openai help setup

Ini mengarahkan Anda ke halaman kunci API dan memberi Anda baris read -rs OPENAI_API_KEY untuk Bash atau zsh, sehingga kunci diketik secara tersembunyi dan tidak pernah ditampilkan.

Lupakan kunci dan Anda akan mendapatkan kegagalan yang jelas dan dapat diskripkan. Ini adalah keluaran nyata tanpa kunci yang diatur:

Ini keluar dengan status 1 dan memberi tahu Anda dengan tepat dari mana kunci bisa berasal. Tambahkan --format-error json ketika skrip membutuhkan isi kesalahan mentah.

Pengaturan autentikasi lainnya:

Setting	Flag	Environment variable	Use it for
API key	`--api-key`	`OPENAI_API_KEY`	Setiap panggilan API normal
Admin key	`--admin-api-key`	`OPENAI_ADMIN_KEY`	`openai admin ...` (usage, projects); kunci proyek tidak dapat menggantikannya
Base URL	`--base-url`	`OPENAI_BASE_URL`	Mengarahkan CLI ke host lain atau gateway
mTLS cert and key	`--mtls-client-cert-file`, `--mtls-client-key-file`	`OPENAI_MTLS_CLIENT_CERT_FILE`, `OPENAI_MTLS_CLIENT_KEY_FILE`	Mutual TLS, yang memerlukan URL dasar HTTPS yang eksplisit

Perintah OpenAI CLI pertama yang perlu dijalankan

Bentuk perintah mengikuti API: openai <resource> [subresource...] <command> [flags...]. Berikut adalah perintah-perintah yang layak masuk ke kotak perkakas Anda.

Lakukan panggilan Responses API

openai responses create \
  --model gpt-5.5 \
  --input "Say this is a test"

Prompt panjang tidak perlu di-escape. Flag input JSON membaca dari file dengan @path:

openai responses create --model gpt-5.5 --input @prompt.txt

Jika Anda menyalurkan JSON atau YAML dari sumber yang tidak Anda percayai, atur OPENAI_UNTRUSTED_STDIN=1 agar input tersebut tidak dapat memicu pembacaan file lokal.

Unggah dan ambil file

openai files upload report.txt --purpose user_data
openai files get file-example
openai files download file-example --output downloaded-report.txt

Jalankan batch

Letakkan satu permintaan per baris di requests.jsonl, masing-masing dengan custom_id yang unik, lalu:

openai files upload requests.jsonl --purpose batch
openai batches create --input-file-id file-example \
  --endpoint /v1/responses --completion-window 24h
openai batches wait batch_example --output-dir ./results

batches wait melakukan polling hingga batch selesai dan menyimpan file hasil, yang menghilangkan loop polling yang jika tidak akan Anda tulis sendiri. Panduan batch proyek ini mencantumkan batas saat ini sebagai 50.000 permintaan dan 200 MB per file input, dengan jendela penyelesaian 24h. Harga batch berbeda dari panggilan sinkron; lihat ulasan harga OpenAI API kami sebelum Anda mengantrekan tugas besar.

Hitung token secara lokal, tanpa kunci

Perintah tokenizer berjalan sepenuhnya offline: tanpa kredensial, tanpa jaringan, tanpa input yang disimpan.

Encoding default adalah o200k_base, dan openai tokenizer encodings mencantumkan yang lainnya (cl100k_base, plus dua yang legacy). Bantuan tersebut jujur tentang batasannya: hitungan teks biasa tidak menyertakan struktur permintaan dan input multimodal, jadi ini bukan angka penagihan. Untuk hitungan sisi server, gunakan openai responses input-tokens count.

Dapatkan keluaran yang dapat diurai skrip

Keluaran default adalah teks yang mudah dibaca, bahkan saat disalurkan. Mintalah data secara eksplisit:

openai models list --format jsonl | jq '.id'
openai files list --format json > files.json
openai files get file-example --transform filename --raw-output

--format menerima auto, text, json, jsonl, yaml, explore (penampil JSON interaktif) dan pretty. --transform menarik field dengan sintaks GJSON, dan jq menangani apa pun yang lebih rumit. Selalu periksa status keluar sebelum mempercayai file hasil pengalihan: permintaan yang gagal dapat meninggalkan file yang tidak lengkap.

Ketika sebuah panggilan berperilaku tidak semestinya, --debug menambahkan waktu HTTP per percobaan; bersihkan lognya sebelum dibagikan. Jika Anda terkena 429, panduan batas laju OpenAI kami menjelaskan tingkatannya.

OpenAI CLI vs Codex CLI vs perintah openai lama

Tiga alat berbagi vendor dan dua berbagi nama. Ini versi singkatnya:

	OpenAI CLI	Codex CLI	Legacy Python `openai`
Command	`openai`	`codex`	`openai`
What it is	Klien untuk REST API	Agen coding yang membaca, mengedit, dan menjalankan kode di proyek Anda	CLI yang dibundel dengan paket Python `openai`
Install	Binary, Homebrew atau Go	`npm install -g @openai/codex` atau `brew install --cask codex`	`pip install openai`
Auth	`OPENAI_API_KEY`	Menangani proses masuk sendiri	API key
Use it when	Anda menginginkan satu panggilan API tertentu, atau langkah API dalam sebuah skrip	Anda menginginkan agen untuk mengimplementasikan atau men-debug suatu perubahan	Anda memelihara skrip lama yang dibangun di atasnya

Jalankan openai codex dan OpenAI CLI akan mencetak perintah instalasi Codex sendiri, dan mencatat bahwa itu adalah alat terpisah dengan proses masuknya sendiri. Panduan Codex CLI kami membahas sisi agennya, dan sumbernya ada di github.com/openai/codex.

Waspadai benturan PATH

Paket Python openai juga menginstal biner bernama openai. Jika Anda pernah menjalankan pip install openai, Anda mungkin memiliki dua:

Di Mac ini, yang Python melaporkan openai 2.30.0 dan menawarkan subperintah api, tools, migrate dan grit; yang Go melaporkan openai version 1.44.1. Direktori mana pun yang muncul lebih dulu di PATH Anda yang menang. Jalankan which -a openai dan openai --version setelah Anda menginstal. Jika keluarannya menyebut openai version 1.44.1 (atau lebih baru), Anda memiliki yang benar. Jika hanya mencetak nomor versi seperti openai 2.30.0, urutkan ulang PATH Anda atau panggil biner baru dengan path lengkapnya.

Di mana Apidog CLI cocok bersanding dengan OpenAI CLI

OpenAI CLI melakukan panggilan ke OpenAI. Ia tidak tahu tentang API Anda sendiri: endpoint yang diekspos aplikasi Anda di atas OpenAI, lingkungan tempat Anda men-deploy, atau assertion yang membuktikan suatu rilis tidak merusak apa pun. Itu pekerjaan yang berbeda, dan di sinilah Apidog CLI berperan. Anda tidak memilih salah satu daripada yang lain; sebagian besar tim yang merilis fitur AI menginginkan keduanya.

Lebih baik lagi, biarkan agen coding Anda menjalankan keduanya. Siapkan Apidog CLI sekali:

npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com   # pick your agent when prompted

Lalu berikan agen Anda satu prompt:

Use the openai CLI to confirm my key works with one responses create call on gpt-5.5.
Then import ./openapi.yaml into Apidog project <id>, create a test case for
POST /v1/summarize that asserts a 200 and a non-empty "summary" field, run it
against the staging environment and summarize any failures.

Agen memeriksa kunci dengan openai, lalu bekerja melalui Apidog CLI. Ia membaca skema sebelum menulis payload apa pun, memvalidasi file, dan baru setelah itu membuat serta menjalankan test case:

apidog import --project <id> --format openapi --file ./openapi.yaml
apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project <id> --file case.json
apidog run --test-case <caseId> --project <id> -e <envId> -r cli,json

Dua detail dari apidog test-case create --help menghemat satu putaran: test case memerlukan categoryId yang valid (daftarkan dengan apidog test-case category --project <id>), dan payload harus berasal dari cli-schema, bukan dari ingatan. Baris apidog run yang sama dengan -r junit dapat langsung dipakai di CI, seperti yang ditunjukkan panduan CI/CD Apidog CLI kami. Jika Codex adalah agen Anda, mulailah dengan Apidog CLI di Codex.

Paket Free Apidog mencakup hingga 4 pengguna, sehingga tim kecil dapat mencobanya tanpa keputusan pembelian.

FAQ

Apakah OpenAI CLI gratis? Alat ini gratis dan sumber terbuka di bawah Apache 2.0. Panggilan API yang dilakukannya ditagih ke akun OpenAI Anda dengan tarif API normal. Perintah lokal seperti openai tokenizer dan setiap halaman --help tidak memakan biaya dan tidak memerlukan kunci.

Apakah OpenAI CLI sama dengan Codex CLI? Tidak. openai mengirim permintaan API langsung, satu per perintah. codex adalah agen coding yang membaca dan mengedit proyek Anda serta menjalankan perintah. Keduanya diinstal secara terpisah dan diautentikasi secara terpisah.

Bagaimana cara menginstal OpenAI CLI di Mac? Jalankan brew install openai/tools/openai, atau unduh zip macos_arm64 (Apple Silicon) atau macos_amd64 (Intel) dari GitHub Releases dan letakkan binernya di PATH Anda. Lalu jalankan openai --version untuk memastikan Anda tidak mengenai perintah openai Python yang lebih lama.

Apakah OpenAI CLI berfungsi di skrip shell dan CI? Ya, itu tujuan desain utamanya. Gunakan --format json atau jsonl untuk keluaran yang dapat diurai, periksa status keluar, simpan kunci di OPENAI_API_KEY dari manajer rahasia Anda, dan atur OPENAI_CLI_NO_AUTO_UPDATE=1 untuk menjaga versi tetap dipatok.

Kapan OpenAI CLI dirilis? Versi 1.0.0 diterbitkan di GitHub pada 5 Mei 2026. Per 28 Oktober 2026, rilis terbaru adalah 1.44.1, dari 27 Oktober.

DEV Community: Walse

Cara Menggunakan NVIDIA Nemotron 3.5 Transcribe Secara Gratis (Model Speech-to-Text Open Source Nomor 1)

Cara Menggunakan NVIDIA Nemotron 3.5 Transcribe Secara Gratis (Model Speech-to-Text Open Source Nomor 1)

Apakah Nemotron 3.5 Transcribe gratis?

Mengapa orang menginginkannya: angkanya

Perbandingan semua jalur gratis dan berbayar

Jalur gratis 1: Space demo NVIDIA

Jalur gratis 2: jalankan sendiri bobot terbukanya

Jalur gratis 3: Space komunitas

Prompt yang menghasilkan hasil gratis lebih baik

Ketika gratis tidak cukup: jalur berbayar termurah

Biarkan coding agent Anda menguji endpoint dengan Apidog CLI

Batasan yang perlu diketahui sebelum Anda mengandalkannya

FAQ

Kesimpulan

Model Speech-to-Text Open Source Terbaik di 2026

Model Speech-to-Text Open Source Terbaik di 2026

Bagaimana kami memberi peringkat

Peringkat sekilas

1. NVIDIA Nemotron 3.5 Transcribe: terbaik secara keseluruhan

2. Qwen3-ASR-1.7B: akurasi terbaik per dolar GPU

3. IBM Granite Speech 5.0 2B: terbaik untuk audio rapat pada ukurannya

4. Cohere Transcribe: cepat dan akurat

5. TheStage AI Whisper large-v3 turbo: tercepat di tier teratas

6. NVIDIA Canary-Qwen 2.5B: flagship NVIDIA sebelumnya

7. NVIDIA Parakeet TDT 0.6B: opsi serius terkecil

8. Mistral Voxtral Small 24B: ucapan plus LLM yang kuat

9. OpenAI Whisper large-v3: baseline

Mana yang harus Anda pilih?

Benchmark kandidat dengan agen coding Anda dan Apidog CLI

Cara Menjalankan Nemotron 3.5 Transcribe Secara Lokal: Satu GPU, File 1 Jam, Tanpa Tagihan API

Cara Menjalankan Nemotron 3.5 Transcribe Secara Lokal: Satu GPU, File 1 Jam, Tanpa Tagihan API

Mengapa menjalankannya secara lokal

Perangkat keras: apa yang bisa menjalankannya

Opsi 1: server vLLM (direkomendasikan)

Instalasi

Jalankan server

Kirim file

Opsi 2: SGLang-Omni untuk transkripsi biasa

Opsi 3: Transformers dalam skrip

Seberapa cepat di GPU Anda sendiri?

Masalah umum dan solusinya

Biarkan agen coding Anda menguji server lokal dengan Apidog CLI

FAQ

Jalankan

Cara Migrasi dari Redocly ke Apidog Tanpa Kehilangan Alur Kerja Docs-as-Code

Cara Migrasi dari Redocly ke Apidog Tanpa Kehilangan Alur Kerja Docs-as-Code

Apa yang ikut dan apa yang tidak

Mengapa field description Anda tidak dirender dengan cara yang sama

Tata letak repositori target

Migrasi langkah demi langkah

1. Audit apa yang ada di dalam field description Anda

2. Pisahkan info.description menjadi file Markdown

3. Hubungkan repositori di Mode Spec-first

4. Terbitkan situs dokumentasi dan atur navigasi

5. Tambahkan domain kustom Anda

Biarkan coding agent Anda memigrasikan deskripsi tag dengan Apidog CLI

Apa yang tetap di luar Git

Paket dan harga

Redocly vs. Apidog setelah migrasi

FAQ

Lakukan migrasi dalam satu sore

Genie 4 API: Cara Mendapatkan Akses Awal di Gemini API dan AI Studio

Apakah ada API Genie 4?

Apa yang Google katakan tentang akses API Genie 4, kata per kata

Cara mendapatkan akses awal Genie 4 hari ini

Apa yang dapat Anda bangun hari ini dengan Gemini API

Uji permintaan pengawas dengan Apidog CLI

Apa Itu Google Genie 4?

Apa Itu Google Genie 4?

Apa itu Google Genie 4?

Fakta singkat Google Genie 4

Apa yang bisa dilakukan Genie 4? Empat kemampuannya

1. Arahkan dunia secara real-time dengan teks

2. Fisika dan orang yang realistis

3. Suara native dan dialog langsung

4. Peristiwa kompleks multi-langkah dengan Gemini

Bagaimana Gemini berjalan di dalam loop

Genie 3 vs Genie 4: apa yang berubah

Batasan Genie 4, dalam kata-kata Google

2. Pisahkan `info.description` menjadi file Markdown