Pendiri Ayam Goreng Suharti Tutup Usia di 86 Tahun

Hj. Suharti, pendiri Ayam Goreng Suharti, meninggal dunia di usia 86 tahun. Kegigihannya membuat usaha Ayam Goreng Suharti tetap populer hingga hari ini.

Pendiri Ayam Goreng Suharti Tutup Usia di 86 Tahun

DeepSeek V4.1 Flash adalah model sparse mixture-of-experts dari DeepSeek, dan yang pertama dibangun di atas arsitektur Causal Encoder-Decoder (CED) milik perusahaan tersebut. Model ini mengaktifkan 8 miliar parameter pada input dan 16 miliar parameter pada output dari tulang punggung berukuran 552 miliar parameter. Pembagian asimetris semacam ini menjaga komputasi per token tetap rendah dibandingkan dengan ukuran total model. Pemahaman gambar merupakan fitur bawaan arsitektur, dengan embedding visual dan teks dilatih secara bersama sejak awal pra-pelatihan, bukan ditambahkan setelahnya seperti pada versi eksperimental sebelumnya, V4 Flash Vision Exp.

Model ini dirancang untuk kebutuhan coding, terminal, dan agen computer-use, serta tugas-tugas berjangka panjang yang harus berjalan hingga tuntas melintasi banyak langkah dan analisis konteks panjang. Kompresi KV caching memangkas memori cache menjadi sekitar seperempat dari generasi Flash sebelumnya, sehingga secara signifikan menurunkan biaya pada beban kerja agentic. DeepSeek memposisikannya sebagai tier hemat biaya dalam keluarga V4.1 dan melaporkan bahwa model ini melampaui V4 Pro dalam hal performa, kecepatan, dan waktu penyelesaian tugas.

Arsitektur Causal Encoder-Decoder yang mendasari V4.1 Flash merupakan pendekatan yang membedakannya dari model-model sebelumnya. Dengan memisahkan proses encoder dan decoder secara kausal, model dapat memproses input dan menghasilkan output melalui jalur komputasi yang berbeda, memungkinkan alokasi sumber daya yang lebih efisien. Pembagian aktivasi parameter yang asimetris—8 miliar untuk input dan 16 miliar untuk output—mencerminkan karakteristik beban kerja yang berbeda antara pemahaman input dan generasi output. Generasi output umumnya membutuhkan kapasitas parameter yang lebih besar karena harus menghasilkan token secara berurutan dengan konsistensi dan kualitas yang tinggi, sementara pemrosesan input dapat dicapai dengan jumlah parameter yang lebih sedikit.

Pendekatan sparse mixture-of-experts sendiri memungkinkan model dengan total parameter sangat besar untuk tetap efisien secara komputasi. Dari 552 miliar parameter yang dimiliki tulang punggung model, hanya sebagian kecil yang diaktifkan pada setiap langkah inferensi. Mekanisme ini memungkinkan model menyimpan pengetahuan yang luas tanpa harus menjalankan seluruh parameter pada setiap token yang diproses. Hasilnya adalah model yang mampu bersaing dengan model yang jauh lebih besar dalam hal kapasitas, namun dengan biaya inferensi yang jauh lebih rendah.

Kemampuan pemahaman gambar yang native menjadi pembeda penting lainnya. Pada banyak model multimodal, kemampuan visual ditambahkan melalui tahap adaptasi setelah model bahasa dasar selesai dilatih. Pendekatan ini sering kali menghasilkan integrasi yang kurang mulus antara modalitas visual dan teks. V4.1 Flash mengambil pendekatan berbeda dengan melatih embedding visual dan teks secara bersama sejak awal pra-pelatihan. Konsekuensinya, model memiliki pemahaman yang lebih terintegrasi terhadap hubungan antara konten visual dan teks, yang bermanfaat untuk tugas-tugas seperti analisis dokumen, pemahaman antarmuka pengguna, dan interaksi dengan lingkungan komputer.

Kompresi KV caching menjadi faktor penting dalam efisiensi biaya model ini. KV cache adalah komponen memori yang menyimpan representasi key dan value dari token-token sebelumnya selama proses generasi, sehingga model tidak perlu menghitung ulang seluruh konteks pada setiap langkah. Pada tugas-tugas agentic yang melibatkan percakapan panjang atau banyak langkah eksekusi, ukuran KV cache dapat tumbuh dengan cepat dan menjadi hambatan utama dalam hal memori dan biaya. Dengan memangkas memori cache menjadi sekitar seperempat dari generasi Flash sebelumnya, V4.1 Flash secara signifikan mengurangi biaya operasional pada beban kerja tersebut.

Target penggunaan model ini mencakup tiga area utama. Pertama, coding dan terminal, di mana model harus mampu memahami kode, menjalankan perintah, dan menavigasi lingkungan pengembangan. Kedua, agen computer-use, di mana model berinteraksi dengan antarmuka grafis dan menjalankan tugas-tugas yang biasanya dilakukan manusia. Ketiga, tugas berjangka panjang yang memerlukan eksekusi berkelanjutan melintasi banyak langkah, seperti riset otomatis, pemrosesan dokumen berskala besar, atau alur kerja yang melibatkan banyak alat dan sumber daya. Untuk kategori tugas terakhir, kemampuan model mempertahankan konteks dan konsistensi sepanjang banyak langkah menjadi faktor penentu keberhasilan.

DeepSeek memposisikan V4.1 Flash sebagai tier hemat biaya dalam keluarga V4.1. Posisi ini menunjukkan bahwa model ditujukan untuk penggunaan berskala besar dengan biaya per token yang rendah, tanpa mengorbankan kemampuan yang dibutuhkan untuk tugas-tugas kompleks. Klaim bahwa model ini melampaui V4 Pro dalam hal performa, kecepatan, dan waktu penyelesaian tugas menunjukkan bahwa efisiensi arsitektur CED dan pembagian aktivasi parameter yang asimetris memberikan keunggulan nyata, bukan sekadar penghematan biaya. Jika klaim tersebut terverifikasi dalam pengujian independen, V4.1 Flash berpotensi menjadi pilihan menarik bagi organisasi yang membutuhkan model berperforma tinggi dengan biaya operasional yang terkendali.

Dari perspektif pengembangan model bahasa, V4.1 Flash mencerminkan tren menuju arsitektur yang semakin terspesialisasi dan efisien. Alih-alih menambah parameter secara membabi buta, pengembang model semakin fokus pada bagaimana parameter tersebut diorganisasi dan diaktifkan. Pembagian asimetris antara input dan output, integrasi multimodal sejak awal pelatihan, serta optimasi memori cache merupakan contoh bagaimana rekayasa arsitektur menjadi pembeda kompetitif di samping skala data dan komputasi pelatihan.

Bagi pengembang yang membangun aplikasi di atas model ini, beberapa pertimbangan praktis perlu diperhatikan. Dukungan native terhadap pemahaman gambar membuka kemungkinan aplikasi yang menggabungkan analisis visual dan teks dalam satu alur kerja, seperti agen yang membaca tangkapan layar, menafsirkan dokumen, dan merespons dalam bahasa alami. Efisiensi KV cache membuat model lebih cocok untuk aplikasi dengan sesi panjang atau konteks besar, di mana biaya memori menjadi pertimbangan utama. Sementara itu, orientasi pada tugas agentic menunjukkan bahwa model dioptimalkan untuk skenario di mana ia harus bertindak, bukan sekadar menjawab pertanyaan tunggal.

Secara keseluruhan, DeepSeek V4.1 Flash menghadirkan kombinasi arsitektur CED, sparse mixture-of-experts, aktivasi parameter asimetris, pemahaman gambar native, dan kompresi KV cache yang agresif. Kombinasi ini ditujukan untuk memberikan performa tinggi pada beban kerja agentic dan analisis konteks panjang dengan biaya yang lebih rendah dibandingkan generasi sebelumnya, sekaligus memposisikan model sebagai pilihan ekonomis namun kompetitif dalam keluarga V4.1.

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *

A+ A-
Kuliner Jawa

Live Search