Kemampuan model AI dalam membantu pekerjaan pemrograman terus berkembang pesat dari waktu ke waktu. Reasoning yang lebih tajam, pemahaman konteks yang lebih luas, hingga akurasi penyelesaian tugas koding kini semakin bisa diandalkan. Namun di balik semua peningkatan tersebut, ada harga yang harus dibayar, baik secara harfiah maupun dari sisi aksesibilitas. Model-model dengan performa tertinggi biasanya hadir dengan tarif penggunaan yang semakin mahal, terutama saat digunakan secara intensif untuk pekerjaan rutin seperti refactoring kode dalam skala besar.
Kondisi ini membuat banyak developer, termasuk saya sendiri, mulai mencari alternatif yang lebih terjangkau tanpa harus mengorbankan kualitas hasil kerja. Bukan berarti model mahal itu tidak sepadan dengan harganya, tapi untuk tugas-tugas tertentu seperti modularisasi kode yang sifatnya repetitif dan butuh dijalankan berkali-kali, biaya bisa membengkak dengan cepat jika terus mengandalkan model kelas atas. Di sinilah pencarian model gratis namun tetap capable jadi relevan.
Dalam pencarian tersebut, Step 3.7 Flash dari StepFun jadi salah satu kandidat yang menarik untuk dicoba. Model berbasis Mixture-of-Experts (MoE) ini punya 198 miliar parameter total dengan hanya sekitar 11 miliar parameter yang aktif per token, sehingga seefisien model dense berukuran 11B namun tetap membawa kapasitas pengetahuan dari model yang jauh lebih besar.
Menariknya, performa Step 3.7 Flash di berbagai benchmark ternyata sejalan dengan pengalaman langsung penggunaannya di lapangan, khususnya untuk kebutuhan modularisasi kode. Artikel ini akan membahas data benchmarknya, lalu membandingkannya dengan pengalaman nyata penggunaan model ini dibanding kompetitor sekelas seperti Gemini 3.5 Flash dan DeepSeek V4 Flash, sekaligus melihat apakah model ini layak jadi pilihan gratis untuk kebutuhan refactoring.
Mengenal Arsitektur Step 3.7 Flash
Sebelum masuk ke perbandingan performa, ada baiknya memahami dulu arsitektur di balik model ini, karena hal ini juga yang menjelaskan kenapa model ini bisa efisien meski punya kapasitas pengetahuan yang besar.
-
Arsitektur MoE dengan efisiensi tinggi
Model ini memadukan backbone bahasa berukuran 196 miliar parameter dengan encoder visual 1.8 miliar parameter untuk pemahaman gambar secara native. Meski total parameternya besar, hanya sekitar 11 miliar yang aktif per token sehingga komputasinya jauh lebih ringan dibanding ukuran totalnya.
-
Context window luas
Mendukung context window hingga 262.144 token, cukup lega untuk menangani basis kode yang besar sekaligus.
-
Harga kompetitif
Dibanderol $0.20 per juta token input dan $1.15 per juta token output, menjadikannya salah satu opsi paling terjangkau di kelasnya.
-
Tiga level reasoning
Pengguna bisa memilih level reasoning rendah, sedang, atau tinggi sesuai kebutuhan, sehingga bisa menyeimbangkan antara kecepatan, biaya, dan kedalaman analisis.
Performa di Berbagai Benchmark
Step 3.7 Flash menunjukkan hasil yang cukup mengesankan ketika dibandingkan dengan model sekelasnya maupun model kelas atas.
Dibanding Sesama Model Flash
Pada benchmark ClawEval-1.1 yang mengukur keandalan agent, Step 3.7 Flash memimpin dengan skor 67.1, jauh mengungguli kompetitor terdekat yang hanya mencapai 59.8. Pada SWE-Bench PRO, model ini juga mengalahkan DeepSeek V4 Flash dengan skor 56.3 berbanding 55.6, sekaligus unggul telak di ClawEval-1.1 dengan skor 67.1 berbanding 43.6. Semua ini dicapai dengan biaya yang sedikit lebih murah per token dibanding DeepSeek V4 Flash.
Untuk tugas yang melibatkan pencarian dan tools, skornya di HLE with Tools mencapai 47,20 persen, naik signifikan dari versi sebelumnya (Step 3.5 Flash) yang hanya 35,68 persen, sekaligus mengungguli model Flash dari DeepSeek V4 dan Gemini 3.5.
Dibanding Model Kelas Atas
Yang lebih menarik, Step 3.7 Flash juga mampu bersaing dengan model-model frontier yang jauh lebih besar dan mahal.
Di SWE-Bench PRO, model ini meraih skor 56.3 dan menempati posisi kedua secara keseluruhan, hanya kalah dari Claude 4 Opus yang meraih 64.3. Di BrowseComp, skornya mencapai 75,82 persen, mendekati performa Claude Opus 4.7 dan GLM 5.1. Sementara di DeepSearchQA, model ini mencatat skor F1 92,82 persen, sebanding dengan Kimi K2.6 yang notabene merupakan model raksasa berukuran 1 triliun parameter.
Di ResearchRubrics, Step 3.7 Flash bahkan mengungguli GPT 5.5 (71,68 persen berbanding 61,50 persen) dan mendekati skor Claude Opus 4.7 di angka 73,92 persen.
Sisi yang Masih Perlu Ditingkatkan
Meski unggul di banyak area, salah satu titik lemah yang tercatat ada pada reasoning murni di luar konteks tool use. Model ini hanya mencapai akurasi sekitar 50 persen di area tersebut, menempatkannya di persentil ke-27 saja. Artinya kekuatan utama Step 3.7 Flash memang lebih condong ke tugas agentic dan eksekusi, bukan penalaran abstrak yang berdiri sendiri.
Hal ini kemungkinan juga yang membuat skornya di Artificial Analysis Intelligence Index terkesan biasa saja, karena indeks tersebut mengukur gabungan reasoning, pengetahuan umum, matematika, dan coding, bukan murni kemampuan coding atau agentic saja.
Pengalaman Langsung, Perbandingan dengan Gemini 3.5 Flash dan DeepSeek V4 Flash
Data benchmark memang penting, tapi pengalaman penggunaan nyata sering kali memberi gambaran yang lebih jujur. Ketiga model ini dicoba langsung untuk tugas yang sama, yaitu memindahkan kode JavaScript monolitik menjadi modul-modul kecil terpisah, dengan harapan bisa menemukan karakter asli masing-masing model di luar angka-angka benchmark.
Gemini 3.5 Flash, Pintar Namun Kaku dalam Percakapan
Gemini 3.5 Flash bisa diibaratkan seperti seseorang dengan tingkat kecerdasan tinggi, namun justru karena terlalu pintar, ia jadi kesulitan memahami percakapan biasa maupun permintaan yang sifatnya kontekstual. Beberapa hal yang terasa saat menggunakannya untuk refactoring adalah sebagai berikut.
- Pengetahuan umumnya memang luas dan solusi yang diberikan sering kali secara teknis benar.
- Sering salah menangkap maksud instruksi, terutama jika permintaannya tidak dijelaskan secara sangat detail dan eksplisit.
- Terlalu cepat menyimpulkan akar masalah atau solusi padahal analisisnya belum tentu pasti, sehingga saran yang diberikan kadang meleset dari konteks yang sebenarnya.
- Penggunaan tool use terasa kurang stabil, kadang gagal memanggil fungsi yang seharusnya dipakai atau salah memilih parameter.
- Percakapan multi-turn terasa kaku, seolah setiap giliran harus dijelaskan ulang dari awal agar model benar-benar paham konteks yang sedang dikerjakan.
- Karena kekurangan di atas, proses refactoring jadi lebih banyak memakan waktu untuk koreksi ketimbang benar-benar menyelesaikan pekerjaan.
DeepSeek V4 Flash, Cepat Namun Boros Token
DeepSeek V4 Flash punya pemahaman yang baik terhadap permintaan pengguna dan kemampuan tool use yang solid. Berikut beberapa catatan dari penggunaannya.
- Responsnya tergolong gercep alias cepat dalam setiap giliran percakapan, sehingga proses kerja terasa lebih lancar dan tidak banyak jeda.
- Pemahaman terhadap instruksi cukup baik, sehingga jarang terjadi kesalahpahaman soal apa yang diminta.
- Kemampuan tool use tergolong solid dan jarang gagal saat memanggil fungsi yang dibutuhkan.
- Cenderung terburu-buru menyimpulkan diagnosis masalah padahal belum dipastikan kebenarannya, yang berisiko mengarahkan perbaikan ke jalur yang salah.
- Sayangnya model ini sangat verbose, hasil dan penjelasannya cenderung panjang meski sebenarnya bisa diringkas.
- Karena verbose, context window cepat terpakai habis, yang jadi masalah tersendiri saat menangani basis kode yang besar atau sesi kerja yang panjang.
Step 3.7 Flash, Sedikit Lebih Lambat Tapi Sangat To The Point
Dibanding DeepSeek V4 Flash, Step 3.7 Flash memang terasa sedikit lebih lambat dalam setiap giliran percakapannya. Namun begitu diperhatikan lebih jauh, ada beberapa karakter yang membuatnya justru lebih nyaman dipakai untuk refactoring.
- Jawaban dan hasil kerjanya sangat to the point, tanpa banyak basa-basi atau penjelasan yang tidak diperlukan.
- Penggunaan token jauh lebih efisien, diperkirakan hanya menghabiskan sekitar setengah dari token yang dipakai DeepSeek V4 Flash untuk tugas serupa.
- Meski responsnya tidak secepat DeepSeek V4 Flash, hasil akhirnya lebih jarang butuh koreksi tambahan sehingga secara keseluruhan proses kerja tetap efisien.
- Struktur modul yang dihasilkan terasa rapi dan konsisten, cocok untuk kebutuhan refactoring yang butuh ketelitian dalam memecah kode.
- Hanya mengubah bagian yang benar-benar terpengaruh oleh refactoring, tanpa ikut menyentuh atau menulis ulang bagian kode lain yang sebenarnya tidak perlu diubah.
- Komentar pada kode yang dihasilkan juga minim, sehingga hasil akhirnya terasa bersih dan tidak dipenuhi penjelasan yang sebenarnya tidak diperlukan.
- Karena efisien dalam token, model ini bisa menangani basis kode yang lebih besar dalam satu sesi tanpa cepat kehabisan context window.
Secara keseluruhan, karakter Step 3.7 Flash yang fokus dan efisien inilah yang membuatnya terasa paling nyaman dipakai khusus untuk kebutuhan modularisasi kode dibanding dua kompetitornya.
Cocok untuk Refactoring, Belum Tentu untuk Fitur Baru
Berdasarkan pengalaman penggunaan tersebut, Step 3.7 Flash terbukti unggul untuk tugas memecah kode monolitik menjadi modul-modul terpisah. Efisiensi token dan gaya kerjanya yang fokus membuat proses refactoring terasa lebih terarah.
Namun untuk implementasi fitur baru yang membutuhkan pengetahuan umum lebih luas dan kreativitas dalam merancang solusi, model dengan basis pengetahuan yang lebih general seperti Gemini, GPT, atau Claude kemungkinan masih lebih unggul. Ini masuk akal mengingat kelemahan utama Step 3.7 Flash memang ada di reasoning murni, sesuatu yang lebih dibutuhkan saat merancang fitur baru dibanding saat merapikan struktur kode yang sudah ada.
Akses Gratis Lewat Kilocode dan Catatan Privasi
Salah satu alasan utama Step 3.7 Flash dari StepFun sangat menarik dilirik untuk refactoring adalah ketersediaannya secara gratis melalui Kilocode untuk waktu terbatas. Jika murni melihat tarif resmi via API, harga Step 3.7 Flash sebenarnya tidaklah semurah DeepSeek V4 Flash. Namun, hadirnya akses gratis di Kilocode menjadikannya opsi tanpa biaya yang sangat menguntungkan untuk kebutuhan modularisasi kode.
Tentu ada catatan yang perlu diperhatikan saat memanfaatkan akses gratis ini. Pengguna tetap perlu berhati-hati karena layanan gratis di Kilocode kemungkinan akan mencatat dan menggunakan sesi percakapan serta koding sebagai bahan pelatihan model di kemudian hari. Praktik pengumpulan data ini sebenarnya merupakan hal yang lumrah di ekosistem AI saat ini. Oleh karena itu, kompromi privasi ini relatif sepadan jika digunakan untuk proyek open-source atau basis kode yang tidak bersifat rahasia, namun pengguna sebaiknya tetap menghindari memasukkan kode sensitif saat menggunakan tier gratis.
Selain Kilocode, Step 3.7 Flash juga tetap dapat diakses melalui jalur API resmi seperti StepFun Open Platform, OpenRouter, dan NVIDIA NIM bagi pengguna yang membutuhkan jaminan privasi khusus atau integrasi kustom.
Kesimpulan
Bagi yang sedang mencari model AI gratis dan capable untuk kebutuhan refactoring atau modularisasi kode, Step 3.7 Flash layak masuk daftar percobaan. Data benchmark yang menunjukkan keunggulan di ClawEval-1.1 dan SWE-Bench PRO ternyata sejalan dengan pengalaman nyata pengguna yang merasakan efisiensi token tinggi dan hasil kerja yang to the point, khususnya untuk tugas merapikan struktur kode yang sudah ada.
Meski tarif API resminya tidak semurah DeepSeek V4 Flash, ketersediaan akses gratis di Kilocode menjadikannya solusi nol biaya yang sangat menarik. Kendati ada catatan terkait pencatatan data percakapan untuk pelatihan model, Step 3.7 Flash via Kilocode tetap menjadi pilihan yang sangat kuat untuk merapikan kode tanpa harus mengeluarkan biaya berlangganan.
