Grok 4.5 Dirilis

 (x.ai)
2 poin oleh GN⁺ 3 jam lalu | 1 komentar | Bagikan ke WhatsApp
  • SpaceXAI merilis Grok 4.5, model unggulan terbarunya yang ditujukan untuk coding, tugas berbasis agen, dan pekerjaan pengetahuan
  • Proses pelatihannya berfokus pada puluhan ribu NVIDIA GB300 GPU serta deduplikasi data, pemberian skor kualitas, dan pemilihan berbasis domain, dengan penekanan pada kualitas sinyal alih-alih sekadar skala token
  • Dalam benchmark, model ini mencatat 83.3% di Terminal Bench 2.1, 64.7% di SWE Bench Pro, 62.0% di DeepSWE 1.0, dan 53% di DeepSWE 1.1
  • Kecepatan serving mencapai 80 TPS, dan rata-rata token output per tugas SWE Bench Pro adalah 15,954, sekitar 4.2 kali lebih sedikit daripada 67,020 milik Opus 4.8(max)
  • Grok 4.5 dapat digunakan di Grok Build, semua paket Cursor, dan konsol SpaceXAI, tetapi ketersediaan di UE masih belum dibuka dan dijadwalkan pada pertengahan Juli

Pelatihan dan evaluasi yang menargetkan coding dan tugas agen

  • Grok 4.5 dilatih menggunakan dataset yang mencakup pengetahuan coding, sains, engineering, dan matematika, dengan tugas engineering nyata dan tugas berbasis agen sebagai use case utama

  • Hasil benchmark

    • Angka model pembanding diambil dari system card publik atau leaderboard benchmark masing-masing pengembang
    • DeepSWE 1.0: Grok 4.5 62.0%, Fable(max) 66.1%, GPT 5.5(xhigh) 64.31%, Opus 4.8(max) 55.75%, Opus 4.7(max) 40.12%
    • DeepSWE 1.1: Grok 4.5 53%, Fable(max) 70%, GPT 5.5(xhigh) 67%, Opus 4.8(max) 59%, GLM 5.2 44%
    • Terminal Bench 2.1: Grok 4.5 83.3%, Fable(max) 84.3%, GPT 5.5(xhigh) 83.4%, Opus 4.8(max) 78.9%, Opus 4.7(max) 78.9%
    • Tingkat penyelesaian SWE Bench Pro: Grok 4.5 64.7%, Fable(max) 80.4%, Opus 4.8(max) 69.2%, Opus 4.7(max) 64.3%, GLM 5.2 62.1%, GPT 5.5(xhigh) 58.6%

  • Infrastruktur pelatihan dan pemrosesan data

    • Infrastruktur pelatihan menggunakan puluhan ribu NVIDIA GB300 GPU dan mencakup teknik stabilitas untuk menjalankan pelatihan skala besar
    • Pemrosesan data berinvestasi pada filtering dan kurasi alih-alih sekadar skala token
      • Deduplikasi
      • Pemberian skor kualitas
      • Pemilihan berbasis domain
    • Reinforcement learning dilakukan pada ratusan ribu tugas dengan fokus pada kecerdasan per token
      • Tugas utamanya adalah software engineering multilangkah dan tugas teknis lainnya
      • Penilaian menggunakan penilaian otomatis dan penilaian berbasis model
      • Rollout berbasis agen dapat berjalan selama beberapa jam, dan pelatihan memakai stack pembelajaran asinkron yang terus berjalan di puluhan ribu GPU

  • Contoh penggunaan coding

    • Grok 4.5 diposisikan kuat untuk tugas coding, mulai dari pekerjaan sulit di Rust dan C/C++ hingga pembuatan aplikasi end-to-end berbasis prompt
    • Contoh prompt meminta pembuatan simulasi ruang angkasa dan tata surya dengan threejs, termasuk kontrol waktu, gerakan realistis, orbit, bintang, dan HUD modern

Kecepatan, harga, dan dukungan alat kerja

  • Grok 4.5 disediakan dengan kecepatan model 80 TPS
  • Rata-rata token output untuk tugas SWE Bench Pro adalah 15,954, sekitar 4.2 kali lebih sedikit daripada 67,020 milik Opus 4.8(max)
  • Harganya adalah $2 per 1 juta token input dan $6 per 1 juta token output
  • SpaceXAI menyatakan Grok 4.5 mencapai efisiensi token sekitar 2 kali lebih tinggi dibanding model terdepan yang dijadikan pembanding, dan menyelesaikan tugas dengan jumlah langkah kurang dari setengahnya

  • Grok Build dan plugin Office

    • Grok 4.5 adalah model default di Grok Build
    • Grok Build dapat membuat model Excel kompleks yang mencakup riset web, penggunaan rumus di banyak sheet, serta sticky atau catatan untuk referensi di masa mendatang
    • Di PowerPoint, model ini dapat membuat diagram kompleks dengan shape native dan merancang konten slide yang intuitif
    • Di Word, model ini membantu penulisan kalimat yang jelas
    • Plugin Office tersedia untuk Word, PowerPoint, dan Excel

  • Kanal ketersediaan dan pembatasan

    • Grok 4.5 saat ini tersedia di Grok Build, Cursor untuk semua paket, dan konsol SpaceXAI
    • Grok Build dan Cursor menyediakan penggunaan Grok 4.5 gratis secara terbatas
    • Di UE, Grok 4.5 masih belum tersedia di produk maupun konsol API SpaceXAI, dan diperkirakan hadir pada pertengahan Juli

Bacaan terkait

1 komentar

 
GN⁺ 3 jam lalu
Pendapat di Hacker News

  • Sulit untuk memercayainya ketika tahu xAI secara aktif menyesuaikan jawaban model agar sesuai dengan narasi politik
    Muncul pertanyaan bagaimana bisa memercayai model di lingkungan perusahaan jika model terus diarahkan di backend

    • Bukankah ada kemungkinan semua penyedia model juga menyesuaikan jawaban agar sesuai dengan narasi politik yang mereka sukai
    • Ada yang balik bertanya apakah model lain juga tidak berbeda kondisinya
    • Jika bertanya kepada Claude tentang topik sensitif seperti tingkat kejahatan minoritas di Barat atau biologi perempuan trans, bisa jadi orang tidak menyadari kebohongannya
      Bahkan jika kebohongan itu ditunjukkan kepada model, kemungkinan tidak mudah membuatnya mengakui bahwa itu disebabkan oleh proses HRLF dan bias bawaan
      Ketika Claude dapat dibuat mengatakan sendiri bahwa ia tidak boleh digunakan di 10–15 bidang riset utama, atau mengakui bahwa pada isu-isu “sulit” sumber sering dipilih secara cherry-picking dan menunjukkan keseimbangan yang sangat keliru, hal itu membuat orang merasa bahwa semua LLM bias dan mayoritas condong ke arah progresif
      Justru ketika diuji, Grok sering memberikan jawaban yang lebih politically correct daripada GPT atau Gemini, dan reputasinya yang tajam hanya muncul karena pengguna X bisa sengaja memancingnya untuk mengatakan hal-hal yang tidak politically correct
      Ditambahkan bahwa Grok di grok.com atau aplikasi sebenarnya cukup jinak, bahkan sampai membosankan
    • Bukankah cukup tidak memakainya untuk tujuan politik
      Jika hanya akan dipakai untuk membuat kode, mengapa harus peduli pada hal semacam itu
    • Retorika Elon dan perilaku model tidak terlalu selaras
      Grok juga mengkritik Elon, dan cenderung membantah banyak poin ekstrem kanan yang ia usung

  • Terkejut bahwa orang-orang mau memakai Grok
    xAI terlihat terlalu terang-terangan seperti perusahaan yang bangkrut secara moral, dan terasa seperti satu-satunya perusahaan AI yang tampak baik-baik saja dengan CSAM atau setidaknya tidak melakukan cukup banyak untuk mencegahnya
    Tidak ada alasan untuk memberi mereka uang, kecuali itu satu-satunya pilihan, dan saat ini sama sekali bukan begitu

    • Orang-orang justru membayar karena sikap moral itu
      Ditafsirkan sebagai secara aktif menganggap CSAM tidak masalah, atau sekadar tidak peduli
    • Pemikiran bahwa cukup ada satu, atau paling banyak dua, perusahaan AI itu berbahaya
      Cara menentukan siapa yang lebih bermoral secara historis tidak menghasilkan hal yang terlalu baik
    • Dulu cukup banyak memikirkan soal memakai Grok atau produk yang secara moral meragukan, tetapi kemudian terpikir bahwa dirinya membeli rumah, menghabiskan banyak uang dengan gaji software engineer, pindah ke SF beberapa tahun lalu dan mungkin berkontribusi pada gentrifikasi, serta tidak melakukan apa pun meski banyak anak di Tiongkok tidak punya biaya pendidikan
      Karena itu ia memakai Grok, menyumbangkan cukup banyak uang ke NGO Tiongkok sampai membuat keluarganya tidak nyaman, dan memutuskan untuk tidak menyumbang ke organisasi nirlaba SF karena masih punya KPR dan dirinya sendiri sampai batas tertentu egois
      Moralitas dan perbuatan baik perlu didekati dengan sikap pragmatis
      Grok disukai dalam banyak hal, dan memboikotnya juga baik secara moral, tetapi ada banyak pilihan moral lain yang bisa dilakukan sambil tetap realistis
    • Moralitas para tokoh besar industri AI semuanya meragukan
      Korpus pelatihan pada umumnya dicuri, dan semuanya terus berlari meski menanggung utang yang sulit mereka lepaskan
      Namun produknya sudah menjadi begitu berguna sehingga hampir tidak ada orang yang akan mundur sambil menunggu LLM yang “dapat diterima secara moral”, dan model seperti itu kemungkinan besar secara inheren akan lebih inferior
      Namun soal CSAM sulit dinilai, dan jika xAI benar-benar menganggapnya tidak masalah, disetujui bahwa mereka lebih tidak bermoral daripada perusahaan lain

  • Grok 4.5 terlihat sangat ekonomis
    Efisiensi inferensinya 4 kali lebih baik dibanding Opus dan harganya $2/$6; sebagai perbandingan, GPT 5.4 adalah $2.5/$15, GPT 5.5/5.6 $5/$30, Opus 4.8 $5/$25, dan Fable $10/$50
    Jika benchmark-nya tidak dimanipulasi, tampaknya setara Opus 4.7, dan juga sesuai dengan yang dikatakan Elon di https://x.com/elonmusk/status/2074911038286295049
    Data Cursor tampaknya cukup berguna

    • Harga $2/$6 tampaknya hanya berlaku untuk panjang konteks hingga 200K
      Di atas itu, hingga konteks maksimum 500K, harganya menjadi dua kali lipat menjadi $4/$12
      https://docs.x.ai/developers/models/grok-4.5
    • xAI memiliki salah satu klaster terbesar, tetapi karena kurang populer dibanding pesaing, trafik dan token yang harus diproses jauh lebih sedikit, sehingga ada hipotesis bahwa penghematan itu bisa diteruskan ke pengguna akhir
    • Akan bagus jika ada paket sekelas dengan batas komputasi mirip paket Claude $100
      Saya memakai versi Grok bulanan $40, tetapi dalam sebulan waktu maksimum untuk coding Grok Build “tanpa henti” hanya sekitar 8 jam
    • Penasaran bagaimana perbandingannya dengan API Tiongkok
      Jika xAI tidak terlihat jauh lebih mumpuni atau sedikit saja lebih jujur daripada laboratorium Tiongkok, rasanya pekerjaan bisa saja dikirim ke Tiongkok kecuali harganya jauh lebih murah
    • Dibandingkan Deepseek v4 Pro yang performanya mirip, ini sangat mahal
      Grok terjebak di posisi yang tanggung. Tidak terbaik di bidang apa pun, dan juga bukan yang termurah
      Bahkan sebelum mempertimbangkan rekam jejaknya, sulit menemukan alasan untuk memakainya, dan juga patut dipertanyakan apakah mengusulkan memakai model yang menyebut dirinya sendiri “MechaHitler” di perusahaan akan berujung pada promosi

  • Menurut blog Cursor, model ini dilatih dengan triliunan token data Cursor, yang mencakup secara luas interaksi pengguna nyata dengan codebase dan alat perangkat lunak.
    Berkat dataset ini, model dapat belajar bukan hanya dari perangkat lunak yang sudah ada, tetapi juga dari interaksi developer-agen, serta menangkap cara developer bekerja dan cara agen berinteraksi dengan lingkungannya.
    Saya rasa inilah alasan mengapa biaya besarnya masuk akal. Cursor adalah pemain besar pertama yang memiliki data proyek nyata sebelum Claude Code atau Codex benar-benar lepas landas.
    Dengan reinforcement learning pada masalah sulit di lingkungan realistis, mereka mengajarkan investigasi masalah, penggunaan alat, pemulihan dari kesalahan, dan verifikasi hasil. Seiring tugas-tugas lama tidak lagi memberi hal baru untuk dipelajari, mereka harus merancang masalah yang cukup sulit hingga model frontier pun gagal.
    Mereka membuat sistem agen terdistribusi: engineer menentukan masalah dan metode verifikasi, lalu agen berskala besar menyiapkan, menguji, dan memperbaiki lingkungan. Strukturnya menyiapkan dataset untuk iterasi pelatihan berikutnya dengan model generasi sebelumnya.
    Ini adalah siklus: makin baik modelnya, makin baik datanya, dan makin baik pula model berikutnya. Bagi mereka yang menganggap “model Tiongkok sudah mendekati level terbaik terbaru”, ada juga perbandingan dengan pelatihan Composer 2.5.
    Penilaian bahwa xAI merosot setelah menyerahkan banyak komputasi ke Anthropic tampaknya agak berlebihan; Grok 4.5 dilatih di puluhan ribu GPU NVIDIA GB300.

    • Microsoft punya GitHub dan Visual Studio, tetapi tidak punya model coding yang bagus.
    • Model generasi sebelumnya juga bisa dipakai untuk menyiapkan data bagi model generasi berikutnya, atau bahkan untuk menghasilkan data sintetis.
      Dulu ini dianggap ide buruk, tetapi ternyata jika banyak komputasi digunakan untuk membuat data dan menyusun scaffold untuk menilainya, kualitasnya bisa menjadi cukup baik.
    • Dana besar juga masuk ke saham SpaceX, bahkan saham baru tepat setelah IPO, jadi secara keseluruhan ini terlihat seperti pilihan yang cukup cerdas.
    • Saya beberapa kali membaca bahwa menyiapkan dataset untuk iterasi berikutnya dengan model generasi sebelumnya itu merugikan pelatihan.
      Pada dasarnya ini menjelaskan apa yang banyak orang sebut distilasi; sejauh yang saya pahami, ini hanya berguna untuk mengarahkan perilaku pada pascapelatihan, mengajarkan cara bertindak tetapi bukan cara berpikir.
      Bisa saja saya keliru, jadi saya berharap ada yang lebih paham bisa menjelaskannya.

  • Saya tidak mengerti bagaimana secara ekonomi masuk akal menghabiskan miliaran dolar untuk membuat model peringkat ketiga.
    Peringkat pertama dan kedua saja tampaknya sudah sulit menghasilkan laba; saya penasaran apa yang saya lewatkan.
    Saya tidak bermaksud mendorong argumen ini sampai ekstrem ala Ed Zitron, tetapi saya memang tidak paham.

    • Dulu mereka peringkat keempat yang tertinggal jauh, dan meski tidak bisa langsung mengejar OpenAI atau Anthropic, setidaknya mereka naik satu anak tangga.
      Dalam jangka pendek, lab-lab riset tidak menguntungkan, dan Anthropic kabarnya sudah hampir mencapai titik itu.
      Amazon juga terkenal lama tidak menghasilkan laba tetapi akhirnya menang besar, jadi apakah saat ini sudah untung tidak selalu menjadi hal utama bagi investor. Yang penting adalah apakah mereka percaya pada potensi laba masa depan.
      Elon tampaknya melihat bahwa ke depan banyak bagian ekonomi akan dijalankan oleh AI, dan nilai ekonomi token akan naik lebih cepat daripada biaya untuk menghasilkan token tersebut. Ini juga mencakup amortisasi biaya pelatihan model yang menghasilkan token itu.
      Jadi ia membangun lab yang melatih model dan mengenakan biaya inferensi, dan tampaknya percaya bahwa pada akhirnya ini akan menguntungkan meski belum sekarang.
      Orang bisa setuju atau tidak, dan apakah ia bisa mengalahkan Anthropic/OpenAI makin tidak pasti jika melihat kesulitan terbaru dalam mempertahankan peneliti, tetapi laba saat ini bukan indikator yang baik untuk menilai apakah seseorang percaya pada potensi laba masa depan.
      Tesla dan SpaceX juga pernah sangat buruk dari sisi profitabilitas, tetapi pada akhirnya itu berubah.
      Secara pribadi saya setuju bahwa di masa depan akan ada laba yang sangat besar, tetapi saya tidak seyakin itu bahwa Elon mampu mengalahkan Anthropic/OpenAI.
    • Mereka mengejar mimpi yang sama seperti para pesaingnya:
      menemukan terobosan, memperoleh keunggulan, dan naik ke posisi dominan.
      Selain itu, jika ada kata AI di sekitar perusahaan, angka-angka yang diperlukan akan ikut naik, jadi divisi AI internal yang bisa Musk gabungkan dengan perusahaan-perusahaan lain untuk menaikkan valuasi tetap berguna baginya meskipun produknya sendiri merugi.
    • Pandangan bercanda: jika ini satu-satunya jalan keluar dari kelas bawah permanen, Elon pun tidak terkecuali.
    • Hal yang sama bisa dikatakan tentang Google dan banyak lab lain saat ini.
      Pasar yang beragam dengan banyak pilihan membantu mencegah terulangnya perang browser.
    • Pasar ini belum cukup matang atau mapan untuk diberi peringkat seperti itu.
      Ada banyak pasar teknologi yang fase awalnya tidak memprediksi fase akhirnya.
      Secara pribadi saya skeptis terhadap Grok, tetapi jika Claude kehilangan keunggulannya, Grok bisa membuat ceruk pasar yang menguntungkan lewat integrasi Cursor.

  • Saya belum pernah mencoba model Grok karena pengaturan OpenRouter saya dibuat khusus ZDR.
    Barusan saya cek, sepertinya sekarang ada endpoint xAI ZDR, jadi saya berencana benar-benar mencobanya.
    Saya penasaran apakah ada yang tahu kapan ini ditambahkan.
    Namun, pada bagian anonimitas tertulis “Requires user IDs”, yang tidak lazim di OpenRouter dan tidak terlihat bagus. Biasanya OpenRouter adalah proxy yang menganonimkan request ke penyedia, tetapi saya belum menemukan pengaturan yang memaksakan ini di seluruh akun seperti mode khusus ZDR.

  • Kesan pertama cukup bagus
    Jumlah token per detik tinggi, terlihat sekitar 90-an, dan efisiensi tokennya juga sangat tinggi, sehingga dengan mudah mengalahkan GPT 5.5, Opus 4.8, dan GLM 5.2 dari sisi kecepatan
    Harganya juga sangat bagus; kalau membayar biaya API sendiri, GPT dan Opus terlalu mahal, dan jika memperhitungkan efisiensi token, mungkin bahkan bisa lebih murah daripada GLM 5.2
    Butuh cukup waktu untuk menilai tingkat kecerdasannya, tetapi jelas bagus, dan tampaknya berada di bagian bawah kelas yang sama dengan Opus, bersama GLM 5.2

    • Setuju
      Di Cursor, untuk masalah “suite pengujian ini tidak cukup kuat sesuai yang saya inginkan, dan terlalu sering bergantung pada state internal ketimbang hasil”, saya memintanya “meninjau dan mengusulkan solusi”; hasilnya ia merangkum pendekatan pengujian, kekuatan, kelemahan, dan celah dengan baik, serta merekomendasikan pendekatan multi-lapis yang sistematis berbasis pustaka pengujian tepercaya https://hypothesis.readthedocs.io/en/latest/
      Ia memisahkan hal yang perlu dikerjakan dalam peningkatan kali ini dan yang ditunda untuk nanti, mengidentifikasi kasus yang sangat sulit atau mungkin di luar cakupan lalu memberi opsi apakah akan fokus ke sana, dan juga menyusun pengujian baru secara logis
      Setelah satu kali umpan balik dan penyesuaian rencana, saya menjalankannya dalam mode agen, dan beberapa menit kemudian suite pengujian yang jauh lebih baik sudah jadi
      Saya belum pernah memakai Grok, jadi ekspektasi saya rendah, tetapi ia berhasil mengerjakan pekerjaan bertahap yang kompleks dan rinci yang sebelumnya hanya akan saya serahkan ke GPT atau Opus
      Sebagai pembaruan, ia juga menemukan bug nyata yang sudah lama. Setelah perbaikan pengujian, saya memintanya meninjau seluruh kode dan packaging; selain menemukan cacat kecil dan bagian yang terlewat, ia juga menemukan dan memperbaiki kelemahan penanganan error serta satu bug fitur yang cukup memalukan, lalu menambahkan pengujiannya
    • Menarik, tetapi entah apakah saya melakukan sesuatu yang salah, model ini terasa nyaris sulit dipakai
      Permintaan dasar yang hampir tidak membutuhkan konteks pun terus ia kacaukan; misalnya ketika saya memintanya meng-inline helper function, alih-alih perubahan 10 baris, ia menulis ulang separuh modul terkait

  • Dari 3 model yang saya coba langsung, Grok paling baik untuk membuat aplikasi iOS yang saya inginkan untuk penggunaan pribadi
    Itu aplikasi komputer sepeda dengan syarat tertentu; Claude menyerah dan mencoba beralih ke implementasi HTML/CSS, tetapi saya bersikeras memakai native SwiftUI+Metal
    Grok juga kadang membuat kesalahan, tetapi saya terkejut karena ia cukup baik menalar bagian-bagian yang saya kira harus saya instruksikan satu per satu
    Karena saya bukan developer iOS, sangat membantu bisa mendapatkan yang saya butuhkan dalam hitungan jam atau hari, alih-alih mempelajari bahasa dan API selama berbulan-bulan atau bertahun-tahun
    Ini sama sekali bukan “vibe coding” Caddy, hanya sekadar mengutak-atik proyek pribadi

    • Klaim bahwa Claude mencoba beralih ke implementasi HTML/CSS dan Anda bersikeras memakai native SwiftUI+Metal terdengar sangat aneh dan bertolak belakang dengan pengalaman saya
      Anda tidak menyebut model mana yang dipakai, tetapi Opus 4.8 maupun Sonnet tidak pernah mengabaikan bahasa dan stack yang saya inginkan
    • Saya banyak melakukan pengembangan iOS native dengan Opus 4.8, sebelumnya juga memakai 4.7/4.6, dan saya sulit menerima cerita ini
      Penasaran apakah yang dipakai memang Opus atau model lain
    • Rasanya saya pernah membaca komentar yang hampir sama atau sangat mirip sebelumnya
      Intinya sama tentang aplikasi iOS komputer sepeda dan model tertentu yang menyerah
      Terlepas dari itu, saya benar-benar berterima kasih untuk Caddy. Itu sangat membantu memulai proyek baru, dan dalam kondisi default langsung bekerja dengan baik sehingga mengurangi satu sumber error yang perlu dikhawatirkan saat onboarding tim
    • Penasaran apakah Claude dipakai lewat Claude Code
      Jangan-jangan yang dipakai model lebih lemah seperti Haiku; Claude seharusnya tidak seburuk yang Anda katakan
    • Sebagai orang yang tidak puas dengan komputer sepeda, ada cukup banyak keputusan UI/UX yang buruk, jadi saya penasaran apakah Anda bisa membagikan atau menjelaskan apa yang Anda buat
      Saya suka web server-nya

  • Cursor juga ikut dalam pelatihan model, dan tulisan pengumumannya ada di https://cursor.com/blog/grok-4-5
    Secara khusus mereka menyatakan bahwa Grok 4.5 dan Composer 2.5 adalah kelas bobot model yang berbeda, dan mereka senang kini dapat mendukung kedua ukuran dan bobot tersebut
    Composer 2.5 akan tetap disediakan, dan mereka mengatakan akan merilis model baru berukuran ini juga ke depannya

    • Composer 2.5 berbasis Kimi 2.5 dengan total 1T dan 32B aktif, sementara Elon secara publik mengatakan Grok 4.5 memiliki total 1.5T parameter
      Perbedaannya tidak cukup besar untuk disebut kelas bobot yang berbeda
      Selisih biaya API sekitar 2,5 kali, mungkin karena biaya yang harus dipulihkan xAI jauh lebih besar

  • https://tools.simonwillison.net/markdown-svg-renderer#url=ht...

    • Hamster itu juga makin membaik, tetapi dibandingkan model-model terbaru di level terbaik, masih cukup tertinggal
      https://aibenchy.com/showcase/?q=grok
    • Terlihat seperti sedang mengendarai sepeda yang memakai roda mobil dengan dop tebal