Setelah Wix membeli Base44, Base1 menggunakan data UI nyata untuk menantang LLM terdepan

Semua orang menginginkan model terbesar sampai model besar itu merancang alur onboarding Anda seperti formulir pajak yang memakai sepatu sneakers. Base1 baru dari Base44 menarik karena tidak mencoba mengalahkan setiap lab frontier dalam segala hal. Model ini menargetkan satu masalah yang berantakan tetapi bernilai: menghasilkan UI aplikasi yang lebih baik di dalam alur kerja vibe-coding. Ini bukan opera fiksi ilmiah, melainkan lebih seperti pemanggang roti yang sangat berpendirian, dan sering kali di situlah perangkat lunak yang berguna benar-benar berada.

Apa yang sebenarnya diluncurkan Base44 Menurut Let’s Data Science, Base44,

platform vibe-coding milik Wix, telah mulai meluncurkan Base1, model proprietary yang di-fine-tune dari model fondasi open-source menggunakan data dari sesi pembuatan aplikasi para penggunanya sendiri. Laporan tersebut mengaitkan waktunya dengan posting blog pendiri Maor Shlomo pada 29 Juni 2026 dan mengatakan Base44 diakuisisi oleh Wix setidaknya senilai $80 juta pada 2025. Base1 kini muncul di pemilih model Base44 bersama GPT-5.5 dan Claude Opus 4.8, yang merupakan padanan menu model dari menaruh chili rumahan Anda di sebelah chef Michelin dan berkata, sebenarnya, punya kami lebih mengenal lingkungan sekitar. The Next Web melaporkan bahwa Base1 sudah digunakan di produksi dan melayani pengguna, serta bahwa Base44 mengklaim ini adalah platform pembuatan aplikasi pertama yang merilis model proprietary miliknya sendiri alih-alih hanya menyewa dari OpenAI atau Anthropic. Klaim itu kurang penting sebagai trofi dan lebih penting sebagai strategi: jika semua orang memiliki akses ke model umum yang sama, lapisan produk mulai terlihat seperti kotak sereal identik dengan maskot berbeda. Base44 bertaruh bahwa data khusus alur kerja dapat menjadi pembeda.

Mengapa data produk adalah parit pertahanan yang diinginkan Base44

The Next Web mengatakan Base44 melatih Base1 pada dataset yang diambil dari “puluhan juta interaksi pengguna nyata” di platformnya. Itulah bagian yang menarik. Model frontier generalis dilatih agar kompeten secara luas, dan itu luar biasa sampai Anda membutuhkan mereka membuat layar login yang tidak terlihat seperti dirakit oleh komite dropdown berhantu. Let’s Data Science melaporkan bahwa Shlomo menggambarkan tujuannya sebagai model yang lebih kecil dan terspesialisasi yang dapat mengungguli model frontier umum pada satu tugas, yaitu membangun aplikasi, sambil berjalan lebih murah dan lebih cepat. Itu tesis teknis yang masuk akal, bukan bubuk ajaib. Model yang lebih sempit dapat menang ketika distribusi tugasnya terbatas, loop umpan baliknya rapat, dan produk dapat mengamati apa yang benar-benar diterima, direvisi, ditinggalkan, atau dirilis oleh pengguna. Dalam istilah ML, Base44 mencoba mengubah sisa aktivitas produk menjadi supervisi; dalam istilah manusia, ia belajar dari semua momen ketika seseorang berteriak, bukan, tombolnya di sana.

Pelajaran untuk builder yang tersembunyi di balik konfeti hype Let’s Data

Science juga mencatat bahwa Base44 mengatakan telah tumbuh menjadi 2 juta pengguna dan run rate pendapatan berulang tahunan sebesar $150 juta. Angka-angka itu penting karena model terspesialisasi membutuhkan data terspesialisasi, dan data terspesialisasi hanya terkumpul jika orang cukup banyak menggunakan produk untuk menghasilkan sinyal yang berguna. Model alur kerja kecil tanpa data penggunaan hanyalah model frontier bonsai, menggemaskan, mahal, dan mungkin terlalu banyak disiram. Bagi para builder, kesimpulannya bukan bahwa setiap produk membutuhkan LLM sendiri pada hari Selasa. Pelajarannya adalah menanyakan apakah alur kerja Anda memiliki struktur yang berulang, hasil yang dapat diukur, dan data interaksi yang cukup untuk mengajarkan sesuatu kepada model yang terus terlewat oleh LLM umum. Pembuatan UI adalah kandidat yang bagus karena pengguna mengungkapkan preferensi melalui edit, rerun, tata letak yang diterima, dan percobaan yang ditinggalkan. Jika produk Anda memiliki loop seperti itu, spesialisasi dapat meningkatkan kualitas, latensi, dan biaya tanpa berpura-pura menyelesaikan pelipatan protein saat rehat kopi.

Yang perlu diperhatikan berikutnya

The Next Web membingkai langkah Base44 sebagai taruhan bahwa memiliki model sendiri, alih-alih menyewa dari OpenAI atau Anthropic, dapat menjadi parit pertahanan dalam pembuatan aplikasi. Let’s Data Science menambahkan sisi geopolitik, melaporkan bahwa Base44 melihat model kecil yang terspesialisasi sebagian sebagai lindung nilai terhadap meningkatnya pembatasan AS atas akses ke model frontier. Itu tidak berarti model frontier tiba-tiba menjadi sisa makanan kemarin. Artinya, stack menjadi lebih beragam: model umum untuk keluasan, model terspesialisasi untuk pekerjaan produk yang berulang, dan logika routing untuk memutuskan otak mana yang memegang kemudi. Bagi pembaca yang membangun produk AI, perhatikan apakah Base1 secara nyata meningkatkan kualitas UI yang dihasilkan, mengurangi waktu tunggu, atau mengubah tekanan harga di dalam alur kerja Base44. Perhatikan juga apakah kompetitor merespons dengan model vertikal mereka sendiri atau hanya menambahkan tab API frontier lain dan landing page motivasional. Model frontier masih seperti pisau Swiss Army, tetapi Base44 berargumen bahwa terkadang Anda membutuhkan obeng, bukan sendok dengan pendanaan ventura.