✦ EYTVERSE — UNIVERSE WITH A SOUL
☁️ SEMESTA KREATIF ERIKA YUMNA TIFFANY • 🤝 KOLABORASI BERSAMA LALA (@ASC.LALA)
✦ EYT
EYTverse Universe with a Soul
✦ EYTVERSE — UNIVERSE WITH A SOUL
DITERBITKAN November 06, 2026 • TIM REDAKSI EYTVERSE (DIKURASI KREATOR)

GroundingPI: Model Persepsi 4 Miliar Parameter Xpeng yang Mengungguli GPT-6 Astra di Ujian Penglihatan

 

Pada 4 November 2026, Xpeng memperkenalkan GroundingPI, model fondasi persepsi visual open-source untuk Physical AI. Model yang dikembangkan peneliti yang berafiliasi dengan Xpeng bersama Universitas Peking, Universitas Hong Kong, dan institusi akademik lain ini langsung menarik perhatian karena satu klaim yang berani: dengan hanya sekitar 4 miliar parameter, ia mencapai skor agregat 73,68 pada 34 benchmark persepsi, mengungguli GPT-6 Astra dari OpenAI yang mencatat 71,54 dalam evaluasi yang dilakukan tim peneliti itu sendiri. Klaim itu, kalau dibaca dengan benar, bukan sekadar soal siapa yang menang, melainkan soal arah yang berbeda dalam membangun kecerdasan buatan untuk dunia fisik: bukan model yang semakin besar dan semakin umum, melainkan model yang kecil, khusus, dan sangat pandai melihat.


Artikel ini disusun dari siaran pers Xpeng, makalah penelitian GroundingPI di arXiv, dan pemberitaan sekunder tentang peluncuran tersebut, tanpa pengujian langsung oleh penulis. Semua angka evaluasi yang dikutip adalah angka yang dilaporkan tim peneliti itu sendiri dalam evaluasi mereka, bukan hasil validasi independen, dan pembaca akan menemukan penegasan itu diulang di beberapa bagian artikel ini — karena justru di situlah letak kejujuran yang paling penting dari cerita ini.


Apa Itu GroundingPI dan Apa Artinya Physical AI


Nama GroundingPI mengandung dua kata kunci. Grounding adalah kemampuan inti persepsi visual: menemukan di mana tepatnya sebuah objek berada — bukan sekadar tahu bahwa ada kursi di dalam gambar, melainkan tahu koordinatnya, batas-batasnya, dan hubungannya dengan objek lain di sekitarnya. PI adalah singkatan dari Physical Intelligence, kecerdasan fisik: kemampuan sistem AI untuk memahami dunia fisik dan bertindak di dalamnya, dari mobil yang mengemudi sendiri sampai robot yang mengambil benda di atas meja.


Physical AI adalah istilah yang dipakai Xpeng untuk membedakan arah ini dari AI percakapan biasa. Model bahasa besar bisa menulis esai dan menjawab pertanyaan, tetapi ia tidak bisa memastikan apakah cangkir itu berada di tepi meja atau di tengah meja, apakah pintu itu terbuka atau tertutup, atau apakah tangan robot sudah cukup dekat untuk menggenggam sebuah benda. Kemampuan-kemampuan itu adalah persepsi, dan persepsi adalah fondasi dari segala tindakan di dunia fisik. Tanpa persepsi yang akurat, rencana yang paling pintar sekalipun akan gagal pada langkah pertama: robot akan menggenggam udara, mobil akan salah membaca jarak, dan asisten rumah tangga akan menabrak perabot.


GroundingPI mengambil pendekatan yang oleh Xpeng disebut perception-first: alih-alih melatih model umum raksasa lalu berharap ia belajar melihat sebagai efek samping, model ini dilatih secara khusus untuk persepsi. Ia menghasilkan titik dan kotak sebagai koordinat terkuantisasi dalam kosakata bersama, dan pelatihannya menggabungkan pra-pelatihan multimodal dan spasial, supervised fine-tuning, dan reinforcement learning dengan GRPO, menggunakan pengawasan dari dataset publik dan mesin data yang didedikasikan untuk tugas ini.


Angka yang Dilaporkan: 73,68 Melawan 71,54


Dalam evaluasi yang dilakukan tim peneliti, GroundingPI dibandingkan dengan 44 model baseline pada 34 benchmark persepsi publik yang mencakup 11 kategori kemampuan. Dengan skor agregat yang diberi bobot sama pada setiap kategori kemampuan, GroundingPI mencapai 73,68, dibandingkan dengan 71,54 untuk GPT-6 Astra. Model ini juga dilaporkan mencapai skor agregat tertinggi di antara seluruh 44 model pembanding yang dievaluasi.


Kesebelas kategori kemampuan itu mencakup deteksi objek, lokalisasi objek yang padat, grounding dari ekspresi rujukan, pengenalan karakter optik atau OCR, pemahaman tata letak dokumen, pengenalan elemen antarmuka pengguna, dan lokalisasi spasial untuk robot, beserta kategori-kategori persepsi lainnya. Keluasan inilah yang membuat klaim ini lebih menarik daripada satu skor tunggal: model ini tidak menang pada satu jenis tugas saja, melainkan mencatat skor agregat tertinggi pada rangkaian tugas yang luas dan berbeda-beda.


Metodologi yang dilaporkan dalam makalahnya juga layak dicatat. Semua hasil numerik dan kesimpulan yang melibatkan model mereka didasarkan pada rata-rata sepuluh kali percobaan, dengan lima seed acak dan dua kali percobaan per seed. GPT-6 Astra dievaluasi dengan effort berpikir yang diatur ke High. Metrik yang dipakai adalah F1mIoU untuk grounding kotak dan OCR, F1@Point untuk penunjukan objek, dan akurasi khusus tugas untuk grounding spasial, robot, dan GUI. Detail seperti ini penting karena menunjukkan bahwa evaluasi itu dirancang dengan serius, bukan sekadar dijalankan sekali lalu dilaporkan.


Namun di sinilah pembaca harus berhenti sejenak dan membaca klaim ini dengan kacamata yang tepat. Evaluasi itu dilakukan oleh tim peneliti yang sama dengan modelnya, pada rangkaian benchmark yang mereka susun sendiri, dan belum ada pihak ketiga yang menjalankan ulang evaluasi itu secara independen pada saat artikel ini ditulis. Xpeng sendiri, dalam siaran persnya, menegaskan bahwa perbandingan ini berkaitan dengan benchmark persepsi yang dievaluasi dan tidak mewakili penilaian yang lebih luas tentang kecerdasan umum atau kemampuan penalaran AI. Pemberitaan sekunder juga mencatat bahwa Astra justru lebih baik pada beberapa pengujian individual. Jadi, angka 73,68 melawan 71,54 adalah angka yang dilaporkan tim peneliti dalam evaluasi mereka — bukan vonis independen bahwa GroundingPI lebih pintar daripada GPT-6 Astra secara umum.


Mengapa Model Kecil Bisa Menang di Ujian Penglihatan


Pertanyaan yang paling menarik dari GroundingPI bukanlah apakah skornya benar, melainkan bagaimana model dengan sekitar 4 miliar parameter bisa mengungguli model frontier yang jauh lebih besar pada ujian persepsi. Jawaban yang ditawarkan oleh pendekatan perception-first adalah soal spesialisasi: model besar seperti GPT-6 Astra dilatih untuk banyak hal — bahasa, penalaran, pengetahuan umum, percakapan — dan persepsi hanyalah satu dari banyak kemampuan yang harus ia kuasai. GroundingPI, sebaliknya, dilatih hampir seluruhnya untuk persepsi, tanpa label aksi robot dan tanpa tuntutan untuk menjadi asisten umum.


Ada pelajaran yang lebih luas di sini tentang ekonomi model AI pada 2026. Selama bertahun-tahun, logika yang dominan adalah semakin besar semakin baik: lebih banyak parameter, lebih banyak data, lebih banyak komputasi. GroundingPI menunjukkan logika yang berbeda: untuk tugas yang terdefinisi dengan baik, model kecil yang dilatih dengan data yang tepat dan tujuan yang jelas bisa mengalahkan model raksasa yang dilatih untuk segalanya. Model kecil juga lebih murah untuk dijalankan, lebih mudah dipasang di perangkat dengan sumber daya terbatas, dan lebih cepat merespons — tiga hal yang sangat penting untuk kendaraan dan robot yang tidak bisa menunggu jawaban dari pusat data yang jauh.


Namun spesialisasi juga memiliki harga. Model yang hanya pandai melihat tidak bisa merencanakan, tidak bisa bernalar panjang, dan tidak bisa bercakap-cakap. Ia adalah mata, bukan otak. Dalam sistem yang nyata — mobil otonom, robot humanoid, robotaxi — GroundingPI harus dipasangkan dengan model lain yang menangani perencanaan dan pengambilan keputusan. Keunggulannya adalah sebagai fondasi persepsi, bukan sebagai sistem yang lengkap. Siapa pun yang membaca klaim ini sebaiknya tidak membayangkan GroundingPI menggantikan model frontier, melainkan membayangkannya sebagai komponen yang membuat sistem yang lebih besar menjadi lebih akurat dalam melihat dunia.


Robot yang Belajar dengan Data Lebih Sedikit


Klaim kedua yang dibawa Xpeng dari GroundingPI berkaitan dengan efisiensi data dalam pelatihan robot. Dalam pengujian manipulasi robot yang disimulasikan, sistem yang memakai GroundingPI mencapai tingkat keberhasilan tugas 28,75 persen dengan hanya memakai separuh demonstrasi yang tersedia, dibandingkan dengan 27,75 persen untuk model pembanding terkuat yang memakai 75 persen demonstrasi. Dengan kata lain, sistem yang dibangun di atas GroundingPI dilaporkan mencapai tingkat keberhasilan yang sebanding — bahkan sedikit lebih tinggi — dengan data demonstrasi yang jauh lebih sedikit.


Klaim ini, kalau benar, memiliki implikasi praktis yang besar. Salah satu hambatan terbesar dalam robotika adalah biaya pengumpulan demonstrasi: setiap tugas baru membutuhkan manusia yang menunjukkan cara melakukannya berulang kali, dan proses itu mahal, lambat, dan sulit diskalakan. Model persepsi yang lebih baik bisa mengurangi kebutuhan itu, karena robot yang melihat dengan lebih akurat membutuhkan lebih sedikit contoh untuk memahami apa yang harus dilakukan. Xpeng sendiri menyatakan bahwa sistem yang dibangun di atas GroundingPI hanya membutuhkan separuh data demonstrasi dibandingkan pendekatan baseline untuk mencapai performa yang sebanding.


Tetapi lagi-lagi, pembaca harus membaca klaim ini dengan hati-hati. Pengujian itu dilakukan dalam simulasi, bukan pada robot nyata yang beroperasi di pabrik, gudang, atau rumah. Angka keberhasilannya sendiri — 28,75 persen — juga menunjukkan betapa sulitnya tugas manipulasi robot itu: bahkan sistem terbaik pun masih gagal pada sebagian besar percobaan. Siaran pers Xpeng menegaskan bahwa penelitian ini masih bersifat eksploratif, hasil downstream-nya didasarkan pada simulasi dan evaluasi offline, dan tidak membuktikan kesiapan untuk penerapan komersial di dunia nyata. Proyek ini berada pada tahap prototipe ilmiah, dan hasil simulasinya adalah validasi untuk tantangan-tantangan dalam penerapan skala besar, bukan bukti bahwa penerapan itu sudah siap.


Terbuka Sejak Hari Pertama — dan Batasnya


Berbeda dengan banyak peluncuran model pada 2026 yang menjanjikan bobot terbuka di masa depan, GroundingPI dirilis dengan makalah penelitian, bobot model, dan kode pendukung yang sudah tersedia untuk publik sejak awal. Kode dan bobotnya dipublikasikan di GitHub dan Hugging Face, dan makalahnya tersedia sebagai preprint arXiv. Keterbukaan sejak hari pertama ini adalah bagian penting dari cerita: siapa pun bisa memeriksa klaimnya, menjalankan ulang evaluasinya, dan membangun di atasnya.


Keterbukaan itu juga yang membuat klaim GroundingPI bisa diuji oleh komunitas. Karena bobot dan kode tersedia, laboratorium lain bisa menjalankan 34 benchmark itu sendiri, memeriksa apakah skor 73,68 bisa direproduksi, dan menguji model ini pada tugas persepsi mereka sendiri. Itulah perbedaan mendasar antara klaim yang bisa diperiksa dan klaim yang hanya bisa dipercaya: GroundingPI termasuk yang pertama, dan itulah sebabnya artikel ini bisa menulis angka-angkanya dengan relatif percaya diri sambil tetap menegaskan bahwa verifikasi independen belum ada.


Namun keterbukaan juga memiliki batas yang ditegaskan Xpeng sendiri. Siaran persnya menyatakan dengan jelas bahwa proyek ini adalah kontribusi penelitian akademik yang didukung Xpeng dan para kolaborator risetnya, dan hasilnya bukan merupakan pengumuman integrasi ke dalam produk komersial Xpeng atau komitmen untuk penerapan di masa depan. Dengan kata lain, GroundingPI adalah penelitian, bukan produk. Ia dimaksudkan untuk menopang intelligent driving, robotaxi, dan robot humanoid dalam jangka panjang, tetapi tidak ada janji bahwa model ini akan muncul di mobil Xpeng berikutnya atau di robot apa pun dalam waktu dekat.


Untuk Siapa GroundingPI Masuk Akal


GroundingPI paling masuk akal untuk tiga kelompok. Pertama, peneliti dan pengembang robotika dan kendaraan otonom yang membutuhkan fondasi persepsi yang akurat dan bisa dijalankan dengan biaya rendah, karena di situlah kombinasi ukuran kecil dan skor persepsi yang tinggi paling relevan. Kedua, tim yang membangun sistem embodied AI — robot yang harus melihat, menjangkau, dan menggenggam — karena model ini dirancang sebagai mata bagi sistem semacam itu, dan efisiensi datanya bisa mengurangi biaya pelatihan. Ketiga, pengamat dan peneliti model terbuka yang ingin mengikuti apakah pendekatan perception-first benar-benar menjadi arah baru, karena GroundingPI adalah bukti paling konkret sejauh ini bahwa spesialisasi bisa mengalahkan skala pada tugas yang tepat.


Sebaliknya, GroundingPI kurang masuk akal, untuk saat ini, bagi mereka yang membutuhkan sistem AI yang lengkap dan bisa dipakai langsung, karena model ini hanya menangani persepsi dan harus dipasangkan dengan model lain untuk perencanaan dan penalaran. Ia juga belum bisa dijadikan patokan untuk kemampuan AI secara umum, karena Xpeng sendiri menegaskan bahwa keunggulannya terbatas pada benchmark persepsi. Dan bagi siapa pun yang berencana memakai model ini untuk penerapan komersial di dunia nyata, penelitian ini belum memberi cukup bukti tentang performa di luar simulasi untuk dijadikan dasar keputusan.


Apa yang Perlu Diikuti Setelah Ini


Ada tiga hal yang layak dipantau setelah pengumuman 4 November ini. Pertama, apakah laboratorium independen menjalankan ulang 34 benchmark itu dan memperoleh skor yang sama — karena itulah yang akan mengubah klaim tim peneliti menjadi fakta yang terverifikasi. Kedua, apakah efisiensi data yang dilaporkan dalam simulasi robot benar-benar muncul pada robot nyata, karena itulah yang menentukan apakah GroundingPI mengubah ekonomi pelatihan robot atau hanya mengubah angka dalam simulasi. Ketiga, bagaimana pendekatan perception-first ini berkembang: apakah laboratorium lain mengikuti jejak yang sama dan membangun model-model kecil yang khusus untuk tugas lain, atau apakah GroundingPI tetap menjadi pengecualian yang menarik dalam dunia yang masih didominasi model raksasa serba bisa.


GroundingPI menandai satu pergeseran yang lebih besar dari sekadar satu model baru. Selama bertahun-tahun, perlombaan AI didominasi oleh pertanyaan siapa yang memiliki model terbesar dan paling umum. GroundingPI mengajukan pertanyaan yang berbeda: untuk tugas yang terdefinisi dengan baik, apakah model yang kecil, khusus, dan terbuka bisa mengalahkan model raksasa — dan apakah kemenangan semacam itu justru lebih berguna di dunia nyata, di mana biaya, kecepatan, dan kemampuan untuk dipasang di perangkat yang sebenarnya jauh lebih penting daripada skor pada ujian umum. Xpeng, lewat GroundingPI, baru saja memberi jawaban awal untuk pertanyaan itu: pada ujian penglihatan, model 4 miliar parameter bisa mengungguli model frontier. Apakah jawaban itu bertahan ketika diuji pihak ketiga dan ketika dipasang pada robot nyata, itulah pertanyaan yang akan menentukan seberapa jauh GroundingPI benar-benar bisa dipakai, bukan hanya dikagumi.


Catatan transparansi: Artikel ini disusun dari siaran pers Xpeng, makalah penelitian GroundingPI di arXiv, dan pemberitaan sekunder tentang peluncuran tersebut, tanpa pengujian langsung oleh penulis. Semua angka evaluasi yang dikutip, termasuk skor 73,68 melawan 71,54 dan hasil simulasi robot, adalah angka yang dilaporkan tim peneliti itu sendiri dalam evaluasi mereka, bukan hasil validasi independen, dan belum ada pihak ketiga yang menjalankan ulang evaluasi tersebut pada saat artikel ini ditulis. Pembaca sebaiknya memeriksa makalah dan repositori resmi GroundingPI untuk informasi terbaru tentang bobot, kode, dan hasil evaluasi.

✦ KARYA ORISINAL EYTVERSE • PERSONA & KOLABORASI

Semesta Kreatif Erika & Kolaborasi Lala

EYTverse berpusat pada Erika Yumna Tiffany sebagai AI muse dan persona editorial utama yang memberi benang merah pada seluruh eksplorasi teknologi, visual, musik, dan busana di situs ini—serta berkolaborasi erat dengan karakter Alana Sheela Clarissa (Lala / @asc.lala).

☁️ AI MUSE UTAMA & PERSONA EDITORIAL

Erika Yumna Tiffany (Erika)

Titik tumpu identitas EYTverse. Erika merepresentasikan semangat eksplorasi yang hangat, ekspresif, dan penuh rasa ingin tahu—memadukan gaya busana Street-Modest bernuansa pastel dengan eksperimen teknologi AI, pengujian tools kreatif, serta proyek musik orisinal seperti "Bismillah" dan "Qadarullah".

LAGU ORISINAL EYTVERSE Bismillah — Erika Yumna Tiffany
🌸 KOLABORATOR UTAMA • @ASC.LALA

Alana Sheela Clarissa (Lala)

Karakter kolaborator dalam semesta kreatif ini dengan identitas ASC Lala (@asc.lala) yang berdiri mandiri. Lala menghadirkan nuansa Luxury Modern Modest yang tenang dan reflektif melalui seri karya visual, busana, serta lagu orisinal "Sakinah".

LAGU ORISINAL KOLABORATOR Sakinah — Alana Sheela Clarissa
01 // PERSONA & AI MUSE

Erika Yumna Tiffany

Titik tumpu identitas dan persona editorial yang menyatukan beragam topik ke dalam dunia kreatif EYTverse.

02 // KREATOR MANUSIA

Pengarah & Kurator

Menentukan arah proyek, memberikan instruksi, memilih topik, serta mengkurasi dan menyunting konten sesuai kebutuhan.

03 // KOLABORASI AI

Eksplorasi & Draf Kreatif

Membantu pengembangan draf tulisan, analisis, ide, dan materi visual/audio secara terbuka.