Skip to main content

Apa itu model bahasa besar (LLM)

Catatan: Dokumen ini adalah terjemahan otomatis dari versi asli bahasa Inggris.

Apa itu model bahasa besar (LLM)

Model bahasa besar (large language model, LLM) adalah jenis jaringan saraf yang dilatih pada teks dalam jumlah masif sehingga ia dapat memahami dan menghasilkan bahasa manusia. Bayangkan seorang asisten yang sangat banyak membaca, yang telah menyerap miliaran halaman buku, artikel, kode, dan percakapan. Ia tidak "mengetahui" hal-hal seperti manusia; sebaliknya, ia telah mempelajari pola statistik — kata dan gagasan mana yang cenderung mengikuti mana — dengan cukup baik untuk menulis paragraf yang koheren, menjawab pertanyaan, menerjemahkan antarbahasa, merangkum dokumen, dan bahkan menalar melalui masalah multi-langkah.

Sifat yang mendefinisikan (sekaligus keterbatasan) LLM adalah bahwa ia bekerja dengan prediksi. Diberi awal sebuah kalimat, model menghitung kata berikutnya yang paling mungkin, lalu berikutnya lagi, dan seterusnya, satu token demi satu. Token kira-kira adalah sebuah kata atau sub-kata. Dengan merangkai ribuan prediksi kecil ini, LLM dapat menghasilkan esai, kode, puisi, atau analisis teknis — semuanya tanpa diprogram secara eksplisit untuk setiap tugas. LLM yang terkenal meliputi GPT, Claude, Gemini, dan Mistral. Sebagian besar proyek AI kripto yang menyebut "AI" dalam pemasarannya entah menggunakan LLM secara internal, mengklaim menggunakannya, atau membungkus LLM pihak ketiga di balik antarmuka mereka sendiri. Memahami apa sebenarnya LLM — dan apa yang bukan LLM — sangat penting untuk mengevaluasi klaim-klaim ini.

Singkatnya: LLM adalah mesin di balik sebagian besar AI berbasis teks modern. Di AI kripto, pertanyaan kritisnya bukan apakah sebuah proyek "menggunakan LLM", melainkan bagaimana ia menggunakannya dan nilai proprietary apa yang ditambahkannya di atas itu.

Cara kerjanya

Membangun dan menggunakan LLM melibatkan beberapa tahap yang berbeda. Setiap tahap membutuhkan sumber daya, keahlian, dan data yang berbeda — dan masing-masing merepresentasikan tingkat kedalaman AI yang berbeda saat mengevaluasi proyek AI kripto.

Tahap 1: Pre-training

Pre-training adalah tempat model mempelajari dasar-dasar bahasa. Selama fase ini, LLM membaca miliaran token — kata dan sub-kata yang diambil dari buku, situs web, repositori kode, makalah ilmiah, dan sumber teks lainnya. Model menyesuaikan parameter internalnya (bobot) agar semakin akurat dalam memprediksi token berikutnya dalam sebuah urutan.

Tahap ini mahal. Melatih LLM garis depan dari nol dapat memerlukan ribuan GPU khusus yang berjalan berminggu-minggu atau berbulan-bulan, dan model yang dihasilkan bisa memiliki puluhan atau ratusan miliar parameter. Hanya segelintir organisasi — laboratorium AI dengan sumber daya besar — yang secara rutin melakukan pre-training LLM dari nol.

Tahap 2: Fine-tuning

Model pra-terlatih itu kuat tetapi generik. Fine-tuning mempersempit perilaku model dengan melatihnya lebih lanjut pada dataset yang lebih kecil dan terkurasi yang relevan dengan tugas atau domain tertentu. Misalnya, LLM medis bisa di-fine-tune pada catatan klinis; model berorientasi DeFi bisa di-fine-tune pada dokumentasi smart contract dan data on-chain.

Fine-tuning memerlukan komputasi yang jauh lebih sedikit daripada pre-training tetapi tetap menuntut keahlian dalam pemilihan data, metrik evaluasi, dan menghindari catastrophic forgetting (ketika model kehilangan kemampuan umum saat berspesialisasi).

Tahap 3: Alignment dan RLHF

LLM modern biasanya menjalani fase alignment setelah fine-tuning. Reinforcement learning from human feedback (RLHF) adalah pendekatan yang paling umum: evaluator manusia memeringkat keluaran model, dan model dilatih untuk lebih menyukai respons yang dinilai lebih tinggi oleh manusia. Alignment adalah hal yang membuat model mengikuti instruksi, menolak permintaan berbahaya, dan menghasilkan jawaban yang benar-benar berguna alih-alih omong kosong yang terdengar masuk akal.

Tahap 4: Inferensi

Inferensi adalah fase produksi — ketika LLM terlatih menerima prompt dan menghasilkan keluaran. Setiap kali pengguna mengirim pesan ke chatbot, LLM yang mendasarinya menjalankan inferensi: ia membaca prompt, memprosesnya melalui lapisan-lapisan parameternya, dan menghasilkan respons token demi token.

Inferensi memakan komputasi (waktu GPU) tetapi jauh lebih murah per kueri daripada pelatihan. Sebagian besar proyek yang "menggunakan LLM" hanya melakukan inferensi — sering dengan memanggil API penyedia eksternal alih-alih menjalankan perangkat keras sendiri.

Alurnya secara sekilas

Tahap Apa yang terjadi Siapa yang biasanya melakukannya Biaya komputasi
Pre-training Mempelajari bahasa dari miliaran token Laboratorium AI besar Sangat tinggi
Fine-tuning Mengadaptasi model ke domain atau tugas Laboratorium AI, startup berdana besar Sedang
Alignment (RLHF) Membuat model aman dan patuh instruksi Laboratorium AI Sedang
Inferensi Menghasilkan respons atas prompt pengguna Siapa pun dengan kunci API atau GPU Rendah per kueri

Karakteristik kunci sebuah LLM

Beberapa sifat menentukan seberapa mampu sebuah LLM:

  • Jumlah parameter — jumlah bobot yang dapat dilatih dalam model. Model yang lebih besar umumnya menangkap lebih banyak nuansa tetapi lebih mahal untuk dilatih dan dijalankan. Jumlah parameter berkisar dari beberapa miliar (model open-source kecil) hingga lebih dari satu triliun (model garis depan).
  • Jendela konteks — jumlah maksimum token yang dapat diproses model dalam satu interaksi. Jendela konteks yang pendek berarti model "melupakan" awal percakapan yang panjang. LLM modern menawarkan jendela konteks dari beberapa ribu token hingga lebih dari seratus ribu.
  • Arsitektur — sebagian besar LLM modern dibangun di atas arsitektur Transformer, yang diperkenalkan pada 2017. Transformer menggunakan mekanisme bernama self-attention untuk menimbang hubungan antara semua token dalam masukan, itulah yang memungkinkannya menangani ketergantungan jarak jauh dalam teks.
  • Data pelatihan — kualitas, keragaman, dan kebaruan data yang digunakan selama pre-training membentuk apa yang diketahui model. Model yang hanya dilatih pada teks bahasa Inggris akan berkinerja buruk di bahasa lain; model dengan batas pengetahuan pada tahun tertentu tidak akan mengetahui peristiwa setelahnya.

Contoh nyata dari industri

Beberapa LLM terkenal menggambarkan rentang pendekatan di bidang ini:

  • GPT (OpenAI) — LLM closed-source multimodal yang tersedia melalui API. Banyak proyek AI kripto memanggil API GPT untuk menambahkan fitur percakapan atau analitik ke produknya.
  • Claude (Anthropic) — LLM closed-source dengan penekanan kuat pada keamanan dan alignment. Seperti GPT, biasanya diakses melalui API.
  • DeepSeek-R1 (DeepSeek) — LLM open-weight yang dirilis di bawah lisensi MIT. Kemampuan penalarannya yang kuat dan ketersediaannya yang terbuka menjadikannya model dasar yang populer untuk fine-tuning dan bagi proyek AI kripto yang ingin menjalankan model secara lokal atau mengklaim integrasi AI yang lebih dalam.
  • Mistral (Mistral AI) — keluarga model open-weight yang dikenal berkinerja kuat pada jumlah parameter yang lebih kecil, menjadikannya praktis bagi proyek dengan anggaran GPU terbatas.

Nama-nama ini sering muncul dalam deskripsi proyek AI kripto. Ketika sebuah proyek berkata ia "menggunakan GPT", hampir selalu artinya ia memanggil API OpenAI. Ketika ia berkata "melakukan fine-tuning DeepSeek", itu menyiratkan keterlibatan teknis yang lebih dalam — meskipun klaim itu tetap membutuhkan bukti yang dapat diverifikasi.

LLM open-source vs closed-source

Aspek Open-source / open-weight Closed-source
Bobot model Tersedia publik untuk diunduh Tersembunyi di balik API
Inspeksi Siapa pun dapat mempelajari, mengaudit, atau melakukan fine-tuning Audit eksternal atas internal tidak mungkin
Kustomisasi Dapat di-fine-tune pada data kustom, dijalankan secara lokal Terbatas pada parameter API (temperature, system prompt)
Struktur biaya Memerlukan perangkat keras GPU sendiri atau hosting Harga API bayar-per-token
Contoh DeepSeek, Qwen, Mistral GPT, Claude, Gemini

Bagi proyek AI kripto, perbedaan ini penting: proyek yang melakukan fine-tuning model open-weight dan mempublikasikan detail pelatihannya mendemonstrasikan kedalaman AI yang lebih besar daripada yang memanggil API tertutup tanpa modifikasi.

Mengapa LLM penting di AI kripto

Banyak proyek AI kripto merujuk LLM dalam whitepaper, pitch deck, atau deskripsi produknya. Klaimnya sangat beragam:

  • "Kami membangun LLM kami sendiri" — menyiratkan pre-training atau fine-tuning yang signifikan, yang membutuhkan komputasi dan keahlian yang besar. Ini adalah tingkat keterlibatan yang terdalam.
  • "Kami melakukan fine-tuning LLM untuk DeFi" — menyiratkan adaptasi spesifik domain atas model dasar yang ada. Lebih kredibel daripada panggilan API mentah, tetapi detailnya menentukan.
  • "Kami menggunakan LLM" — sering berarti memanggil API eksternal (seperti API OpenAI atau Anthropic) dengan prompt spesifik proyek. Ini adalah tingkat integrasi AI yang paling dangkal.

Ketiga skenario ini merepresentasikan tingkat kedalaman AI yang secara fundamental berbeda, dan DecAIHub mengevaluasinya sebagaimana mestinya melalui metodologi berbasis buktinya.

Menggunakan API vs membangun sendiri

Pendekatan Apa artinya Kedalaman AI
Panggilan API Proyek mengirim prompt ke LLM pihak ketiga (mis. API OpenAI) dan mengembalikan responsnya Rendah — AI-nya milik penyedia
Prompt engineering Proyek merancang prompt khusus, rantai, atau alur retrieval di atas LLM pihak ketiga Rendah-sedang — logika proprietary ada tetapi modelnya eksternal
Fine-tuning Proyek mengadaptasi model dasar open-source (DeepSeek, Mistral, Qwen) pada dataset-nya sendiri Sedang-tinggi — proyek memiliki model yang dimodifikasi
Pre-training Proyek melatih model dari nol dengan data dan komputasinya sendiri Tinggi — kepemilikan penuh atas model

API wrapper yang meneruskan prompt pengguna ke LLM komersial dan mengembalikan responsnya tidak sama dengan proyek yang melakukan fine-tuning DeepSeek pada data transaksi on-chain. DecAIHub membedakan keduanya di kolom AI component pada kartu proyek.

Di mana ini muncul dalam kartu proyek DecAIHub

Saat meninjau kartu proyek di DecAIHub, beberapa kolom berkaitan langsung dengan penggunaan LLM:

  • AI component dapat menyebut "LLM", "fine-tuned model", "prompt engineering", atau nama model tertentu. Kolom ini menggambarkan jenis AI apa yang benar-benar dimiliki proyek, sebagaimana diverifikasi oleh peninjau DecAIHub.
  • AI use case menggambarkan untuk apa LLM digunakan: generasi, klasifikasi, perangkuman, penalaran agen, dan seterusnya. Sebuah proyek dapat menggunakan LLM untuk tugas yang sempit (mis. penguraian intent) atau sebagai mesin inti seluruh produk.
  • ai_score (bagian dari DecAI Fit) mencerminkan seberapa baik penggunaan LLM terdokumentasi dengan bukti Tier-1, Tier-2, atau Tier-3. Proyek yang mengklaim menggunakan LLM tetapi tidak menyediakan artefak yang dapat diverifikasi akan mendapat skor rendah pada dimensi ini.
  • Flag AI reality (AI_0 hingga AI_4) menunjukkan kedalaman keseluruhan AI yang dapat diverifikasi, yang di banyak proyek berjangkar pada integrasi LLM-nya.

Tujuannya tidak pernah untuk menghukum proyek karena menggunakan LLM pihak ketiga — banyak produk yang sah melakukan hal itu. Tujuannya adalah membedakan antara proyek yang secara transparan memanggil API dan yang menyajikan penggunaan API sebagai riset AI proprietary.

Apa yang tidak dibuktikan oleh LLM semata

  • Memiliki kunci API LLM tidak berarti proyek "memiliki AI". Itu berarti proyek dapat memanggil AI milik orang lain.
  • Menyebut "GPT" atau "Claude" dalam pemasaran tidak membuktikan pekerjaan AI proprietary. Ribuan aplikasi menggunakan API yang sama.
  • Bahkan model hasil fine-tuning pun membutuhkan artefak yang dapat diverifikasi: deskripsi data pelatihan, metrik evaluasi, pengidentifikasi versi model, dan bukti deployment.
  • Jumlah parameter yang besar tidak menjamin model yang lebih baik. Kualitas pelatihan, kurasi data, dan alignment sama pentingnya dengan ukuran mentah.

Jangan bingung dengan

  • Inferensi — menjalankan LLM terlatih untuk menghasilkan keluaran. Inferensi adalah satu langkah dalam penggunaan LLM, bukan sinonim untuk LLM itu sendiri.
  • Pelatihan — proses membangun atau mengadaptasi LLM. Pelatihan menghasilkan model; inferensi menggunakannya.
  • Agen AI — sistem otonom yang mungkin menggunakan LLM sebagai inti penalarannya, tetapi menambahkan persepsi, memori, penggunaan tool, dan aksi. LLM semata bukanlah agen.
  • Natural Language Processing (NLP) — bidang ilmu komputer yang lebih luas. LLM adalah satu pendekatan NLP (yang sangat berhasil), tetapi NLP juga mencakup teknik yang lebih lama seperti ekstraksi kata kunci, penguraian berbasis aturan, dan pengklasifikasi statistik.
  • Foundation model — istilah yang lebih umum yang mencakup LLM tetapi juga meliputi model besar yang dilatih pada gambar, audio, video, atau data multimodal. Setiap LLM adalah foundation model, tetapi tidak setiap foundation model adalah LLM.

Pertanyaan yang sering diajukan

Apa perbedaan antara LLM dan chatbot?

LLM adalah model — sekumpulan parameter terlatih yang dapat memproses dan menghasilkan teks. Chatbot adalah produk yang dibangun di atas sebuah model. LLM adalah mesinnya; chatbot adalah mobilnya. Satu LLM dapat menenagai ribuan chatbot berbeda, masing-masing dengan prompt, antarmuka, dan kepribadiannya sendiri. Sebaliknya, chatbot tidak selalu menggunakan LLM — chatbot yang lebih lama bertumpu pada aturan terskrip atau pencocokan pola sederhana.

Apakah semua proyek AI menggunakan LLM?

Tidak. Banyak proyek AI kripto menggunakan jenis machine learning lain: model computer vision untuk generasi NFT, reinforcement learning untuk strategi trading, graph neural network untuk analitik blockchain, atau ML tradisional untuk deteksi anomali. LLM dominan di aplikasi berbasis teks, tetapi ia bukan satu-satunya jenis AI.

Apa artinya melakukan fine-tuning sebuah LLM?

Fine-tuning mengambil LLM pra-terlatih dan melanjutkan pelatihannya pada dataset yang lebih kecil dan terkurasi yang relevan dengan tugas tertentu. Tujuannya adalah menspesialisasikan model — misalnya, mengajarinya memahami terminologi DeFi, mengurai smart contract, atau menghasilkan respons dengan gaya tertentu. Fine-tuning lebih hemat biaya daripada pre-training dari nol tetapi tetap memerlukan keterampilan teknis, data yang sesuai, dan sumber daya komputasi.

Bagaimana cara mengetahui apakah proyek kripto membangun LLM-nya sendiri vs menggunakan API?

Cari bukti konkret: bobot model atau model card yang dipublikasikan, data pelatihan yang terdokumentasi, benchmark evaluasi, dan deskripsi proses fine-tuning. Jika proyek hanya merujuk nama model terkenal (GPT, Claude) tanpa mendeskripsikan modifikasi apa pun, kemungkinan besar ia menggunakan API. DecAIHub menangkap perbedaan ini di kolom AI component dan tier bukti.

Apa itu LLM open-source?

LLM open-source (atau open-weight) adalah model yang parameter terlatihnya tersedia untuk publik untuk diunduh, dipelajari, dan dimodifikasi. Contohnya meliputi DeepSeek, Qwen, dan Mistral. Mereka memungkinkan siapa pun melakukan fine-tuning, mendeploy, dan memeriksa model, yang meningkatkan transparansi dan memungkinkan verifikasi independen — dua kualitas yang berharga di ranah AI kripto.

Mengapa ukuran LLM (parameter) penting?

Lebih banyak parameter umumnya memungkinkan model menangkap pola bahasa yang lebih kompleks, yang dapat meningkatkan kinerja pada tugas yang sulit. Namun, ukuran semata tidak menentukan. Model yang lebih kecil tetapi terlatih dengan baik dapat mengungguli model yang lebih besar tetapi terlatih dengan buruk. Yang paling penting adalah kombinasi jumlah parameter, kualitas data, metodologi pelatihan, dan penyetelan alignment.

Lihat juga

Referensi eksternal

No comments to display

Back to top