Lompat ke isi

Kecerdasan buatan sumber terbuka

Ensiklopedia Pengetahuan Universitas Islam Sultan Agung

Kecerdasan buatan sumber terbuka (open-source artificial intelligence) adalah sistem kecerdasan buatan yang tersedia secara bebas untuk digunakan, dipelajari, dimodifikasi, dan dibagikan oleh siapa pun.[1] Ciri tersebut berlaku pada setiap komponen sistem, termasuk himpunan data, kode sumber, dan parameter model, sehingga mendorong pendekatan yang kolaboratif dan transparan dalam pengembangan kecerdasan buatan.[2] Lisensi perangkat lunak bebas dan sumber terbuka (free and open-source software/ FOSS), seperti Lisensi Apache, Lisensi MIT, dan Lisensi Publik Umum GNU menetapkan ketentuan tentang cara kecerdasan buatan sumber terbuka dapat diakses, dimodifikasi, dan didistribusikan kembali.[3]

Model sumber terbuka (open-source) memberikan akses yang lebih luas terhadap teknologi kecerdasan buatan (artificial intelligence), sehingga memungkinkan lebih banyak individu dan organisasi untuk berpartisipasi dalam penelitian dan pengembangan kecerdasan buatan.[4][5] Sebaliknya, kecerdasan buatan bersumber tertutup (closed-source) bersifat hak milik dan membatasi akses terhadap kode sumber serta komponen internalnya.[6] Perusahaan sering kali mengembangkan produk tertutup untuk mempertahankan keunggulan kompetitif di pasar.[7] Namun, beberapa pakar menyatakan bahwa alat kecerdasan buatan sumber terbuka memiliki keunggulan dalam pengembangan dibandingkan produk tertutup dan berpotensi menyalipnya di pasar.[8][9]

Kategori proyek kecerdasan buatan sumber terbuka yang populer meliputi model bahasa besar, alat penerjemahan mesin, dan bot obrolan.[10] Untuk mengembangkan sumber daya kecerdasan buatan sumber terbuka, pengembang perangkat lunak perlu mempercayai berbagai komponen perangkat lunak sumber terbuka lain yang mereka gunakan selama proses pengembangan.[11]

Perangkat lunak kecerdasan buatan sumber terbuka diperkirakan memiliki potensi risiko yang lebih besar dibandingkan kecerdasan buatan bersumber tertutup karena pihak yang tidak bertanggung jawab dapat menghapus protokol keselamatan dari model publik sesuai keinginan mereka.[12] Sebaliknya, kecerdasan buatan bersumber tertutup juga diperkirakan memiliki risiko yang lebih tinggi dibandingkan kecerdasan buatan sumber terbuka karena masalah ketergantungan, privasi, algoritme yang tidak transparan, kendali perusahaan, serta ketersediaan yang terbatas yang berpotensi memperlambat inovasi yang bermanfaat.[13][14][15]

Selain itu, terdapat perdebatan mengenai tingkat keterbukaan sistem kecerdasan buatan karena konsep keterbukaan bersifat beragam.[16] Sebuah artikel di Nature menyebutkan bahwa beberapa sistem yang dipresentasikan sebagai terbuka, seperti Llama 3 dari Meta, “hanya menawarkan API atau kemampuan mengunduh model yang masih tunduk pada pembatasan penggunaan yang tidak sepenuhnya terbuka”.[17] Perangkat lunak semacam itu dikritik sebagai bentuk open-washing, yakni sistem yang sebenarnya lebih tepat dipahami sebagai bersumber tertutup.[18][19]

Beberapa penelitian dan kerangka kerja telah dikembangkan untuk menilai tingkat keterbukaan sistem kecerdasan buatan,[20][21] termasuk definisi baru yang diterbitkan oleh Open Source Initiative (OSI) mengenai kriteria yang menentukan apakah suatu sistem kecerdasan buatan dapat digolongkan sebagai sumber terbuka.[22][23] Selain itu, sejumlah model bahasa besar dirilis dengan status open-weight, yang berarti parameter hasil pelatihannya tersedia untuk publik, meskipun kode pelatihan dan data yang digunakan tidak dibuka.[24][25]

Sejarah

Sejarah kecerdasan buatan sumber terbuka berkaitan erat dengan perkembangan teknologi kecerdasan buatan dan pertumbuhan gerakan perangkat lunak sumber terbuka.[26] Kecerdasan buatan sumber terbuka berkembang pesat selama beberapa dekade terakhir melalui kontribusi berbagai lembaga akademik, laboratorium penelitian, perusahaan teknologi, dan pengembang independen.[27] Bagian ini membahas tonggak-tonggak penting dalam perkembangan kecerdasan buatan sumber terbuka, mulai dari masa awal hingga kondisi terkini.

1990-an: Awal perkembangan kecerdasan buatan dan perangkat lunak sumber terbuka

Konsep kecerdasan buatan bermula pada pertengahan abad ke-20, ketika ilmuwan komputer seperti Alan Turing dan John McCarthy meletakkan dasar bagi teori dan algoritme kecerdasan buatan modern.[28] Salah satu bentuk awal kecerdasan buatan adalah program pemrosesan bahasa alami bernama ELIZA, yang dibuat ulang dan dibagikan pada tahun 1977 oleh Jeff Shrager dalam bahasa pemrograman BASIC, lalu diterjemahkan ke berbagai bahasa lain. Penelitian awal kecerdasan buatan berfokus pada pengembangan sistem penalaran simbolik dan sistem pakar berbasis aturan.[29]

Pada periode yang sama, gagasan tentang perangkat lunak sumber terbuka mulai terbentuk, dengan tokoh seperti Richard Stallman yang memperjuangkan perangkat lunak bebas untuk mendorong kolaborasi dan inovasi dalam pemrograman.[30] Yayasan Perangkat Lunak Bebas, yang didirikan Stallman pada tahun 1985, menjadi salah satu organisasi pertama yang mempromosikan gagasan perangkat lunak yang dapat digunakan, dimodifikasi, dan didistribusikan secara bebas. Gagasan dari gerakan ini kemudian memengaruhi perkembangan kecerdasan buatan sumber terbuka, ketika semakin banyak pengembang melihat manfaat kolaborasi terbuka dalam pembuatan perangkat lunak, termasuk model dan algoritme kecerdasan buatan.[31][32]

Pada 1990-an, perangkat lunak sumber terbuka mulai mendapatkan perhatian yang lebih luas.[33] Bersamaan dengan itu, kemunculan metode pembelajaran mesin dan pendekatan statistik memicu pengembangan alat kecerdasan buatan yang lebih praktis. Pada tahun 1993, CMU Artificial Intelligence Repository diluncurkan sebagai repositori perangkat lunak kecerdasan buatan yang dapat diakses publik.[34]

2000-an: Munculnya kecerdasan buatan sumber terbuka

Pada awal 2000-an, kecerdasan buatan sumber terbuka mulai berkembang pesat dengan hadirnya pustaka dan kerangka kerja dasar yang lebih mudah digunakan serta terbuka bagi siapapun untuk berkontribusi.[35]

OpenCV dirilis pada tahun 2000[36] dan menyediakan berbagai algoritme kecerdasan buatan tradisional seperti decision tree, k-Nearest Neighbors (kNN), Naive Bayes, dan Mesin Vektor Pendukung (Support Vector Machine - SVM).[37]

Pada tahun 2007, Scikit-learn dirilis[38] dan menjadi salah satu pustaka paling populer untuk pembelajaran mesin umum karena kemudahan penggunaan serta fungsionalitasnya yang luas, mencakup algoritme seperti regresi, klasifikasi, dan klasterisasi.[39][40] Pada tahun yang sama, Theano juga diperkenalkan sebagai pustaka pembelajaran mendalam.[41]

2010-an: Munculnya kerangka kerja kecerdasan buatan sumber terbuka

Kerangka kerja pembelajaran mendalam sumber terbuka seperti Torch pertama kali dirilis pada tahun 2002 dan menjadi terbuka penuh melalui Torch7 pada tahun 2011, yang kemudian dikembangkan menjadi PyTorch dan TensorFlow.[42][43] Kerangka kerja ini memungkinkan peneliti dan pengembang membangun serta melatih jaringan saraf untuk berbagai tugas seperti pengenalan gambar, pengolahan bahasa alami (NLP), dan kendaraan otonom.[44][45]

Model AlexNet diluncurkan pada tahun 2012,[46] diikuti oleh Word2Vec milik Google pada tahun 2013 untuk pemrosesan bahasa alami.[47][48]

Pada tahun 2014, GloVe,[49] pesaing Word2Vec, dirilis di bawah lisensi Apache 2.0 dengan dokumentasi set-data dan bobot model yang dibagikan ke domain publik.[50]

2020-an–kini: Kecerdasan buatan generatif sumber terbuka

Ketika OpenAI mengumumkan GPT-2, perusahaan awalnya berencana untuk tidak membuka kode sumber karena alasan keamanan dan potensi penyalahgunaan.[51] Namun, setelah muncul kritik publik, OpenAI merilis kode sumber GPT-2 di GitHub tiga bulan kemudian.[52] Meskipun begitu, OpenAI tidak membuka kode sumber atau bobot pra-latih untuk GPT-3 dan GPT-4, tetapi menyediakan akses melalui API.[53][54]

Kemunculan model bahasa besar (LLM) dan kecerdasan buatan generatif seperti GPT-3 (2020) mendorong meningkatnya permintaan terhadap kerangka kerja kecerdasan buatan sumber terbuka.[55][56] Model-model tersebut digunakan dalam berbagai aplikasi seperti bot obrolan, pembuatan konten, dan generasi kode, yang menunjukkan luasnya kemampuan sistem kecerdasan buatan.[57] Pada saat GPT-3 dirilis, GPT-2 masih menjadi model bahasa sumber terbuka paling kuat, yang kemudian memicu kelompok EleutherAI untuk melatih dan merilis GPT-Neo[58] serta GPT-J[59][60] pada tahun 2021.

Pada Februari 2022, EleutherAI merilis GPT-NeoX-20B, merebut kembali posisi sebagai model bahasa sumber terbuka paling kuat di dunia dari model FairSeq Dense 13B milik Meta. Tahun 2022 juga ditandai dengan munculnya model-model besar lainnya, baik dengan lisensi non-terbuka seperti OPT[[61] dan Galactica[62] milik Meta, maupun model sumber terbuka seperti BLOOM BigScience Research Workshop[63][64] dan GLM Universitas Tsinghua.

Selama pembahasan peraturan kecerdasan buatan di Eropa pada 2021–2022, muncul usulan agar kecerdasan buatan sumber terbuka tidak diatur secara berlebihan.[65] Pada tahun 2022, Open Source Initiative (OSI) mulai menyusun definisi baru tentang "kecerdasan buatan sumber terbuka" yang sesuai dengan karakteristik perangkat lunak dan model kecerdasan buatan, dengan isu paling kontroversial terkait akses data pelatihan. Pada tahun 2024, OSI merilis Open Source AI Definition 1.0 (OSAID 1.0) yang didukung lebih dari 20 organisasi.[66] Definisi tersebut mewajibkan keterbukaan penuh atas perangkat lunak untuk pemrosesan data, pelatihan, dan inferensi model, serta penyediaan informasi data pelatihan yang cukup agar sistem serupa dapat direplikasi. Pada tahun 2023, model Llama 1 dan Llama 2, MosaicML MPT,[67][68] serta Mistral dan Mixtral dari Mistral AI dirilis.

Pada tahun 2024, Meta meluncurkan kumpulan model kecerdasan buatan besar termasuk Llama 3.1 405B, yang setara dengan model tertutup paling canggih.[69] Meta menyatakan pendekatannya bersifat sumber terbuka, berbeda dari perusahaan teknologi besar lain.[70] Namun, Open Source Initiative dan beberapa pihak lain menyatakan bahwa Llama tidak sepenuhnya sumber terbuka karena lisensinya membatasi penggunaan untuk tujuan tertentu.[71][72][73] Pada Desember 2024, DeepSeek merilis V3 LLM, diikuti oleh R1 Reasoning Model pada 20 Januari 2025, keduanya sebagai model open-weight dengan lisensi MIT.[74][75]

Sejak peluncuran ChatGPT pada akhir 2022, hanya sedikit model bahasa besar yang benar-benar terbuka (termasuk bobot, data, dan kode). Di antaranya adalah seri OLMo yang dikembangkan oleh Allen Institute for AI.[76][77] Pada September 2025, konsorsium asal Swiss merilis model sepenuhnya terbuka bernama Apertus,[78][79] tersedia dalam dua ukuran: 8B dan 70B.[80] Selain itu, terdapat pula upaya regional seperti Latam-GPT, model terbuka yang berfokus pada Amerika Latin.[81]

Etika

Seiring dengan perkembangan model kecerdasan buatan, perhatian terhadap penerapan standar etika dalam pengembangannya juga semakin meningkat.[82] Upaya ini mencakup penanganan berbagai isu seperti bias, privasi, dan potensi penyalahgunaan sistem kecerdasan buatan.[83] Akibatnya, berbagai kerangka kerja untuk pengembangan kecerdasan buatan yang bertanggung jawab serta pedoman untuk mendokumentasikan pertimbangan etika mulai dikembangkan, termasuk konsep Model Card yang diperkenalkan oleh Google.[84] Meskipun konsep tersebut semakin populer, beberapa penelitian menunjukkan bahwa penerapannya masih perlu ditingkatkan untuk mencegah dampak negatif yang tidak diinginkan.[85][86]

Daftar pustaka

Referensi

  1. ↑ The Open Source AI Definition – 1.0. Open Source Initiative.
  2. ↑ The Open Source AI Definition – 1.0. Open Source Initiative.
  3. ↑ Licenses. Open Source Initiative.
  4. ↑ Myftahuddin Hazmi Hassri. The Impact of Open-Source Software on Artificial Intelligence. Journal of Mathematical Sciences and Informatics. 2023-12-07. Vol. 3 (2). doi:10.46754/jmsi.2023.12.006.
  5. ↑ Francisco Eiras. Risks and Opportunities of Open-Source Generative AI. 2024. doi:10.48550/ARXIV.2405.08597.
  6. ↑ Myftahuddin Hazmi Hassri. The Impact of Open-Source Software on Artificial Intelligence. Journal of Mathematical Sciences and Informatics. 2023-12-07. Vol. 3 (2). doi:10.46754/jmsi.2023.12.006.
  7. ↑ Condé Nast. Generative AI Systems Aren't Just Open or Closed Source. WIRED. 2023-05-24.
  8. ↑ Francisco Eiras. Risks and Opportunities of Open-Source Generative AI. 2024. doi:10.48550/ARXIV.2405.08597.
  9. ↑ Condé Nast. Generative AI Systems Aren't Just Open or Closed Source. WIRED. 2023-05-24.
  10. ↑ Davide Castelvecchi. Open-source AI chatbots are booming — what does this mean for researchers?. Nature. 2023-06-20. Vol. 618 (7967). hlm. 891–892. doi:10.1038/d41586-023-01970-6.
  11. ↑ Babu Veeresh Thummadi. Artificial Intelligence (AI) Capabilities, Trust and Open Source Software Team Performance. Responsible AI and Analytics for an Ethical and Inclusive Digitized Society. Springer International Publishing. 2021. hlm. 629–640. doi:10.1007/978-3-030-85447-8_52. ISBN 978-3-030-85447-8.
  12. ↑ Francisco Eiras. Risks and Opportunities of Open-Source Generative AI. 2024. doi:10.48550/ARXIV.2405.08597.
  13. ↑ Augustin Toma. Generative AI could revolutionize health care — but not if control is ceded to big tech. Nature. 2023-12. Vol. 624 (7990). hlm. 36–38. doi:10.1038/d41586-023-03803-y.
  14. ↑ David Gray Widder. Why ‘open’ AI systems are actually closed, and why this matters. Nature. 2024-11. Vol. 635 (8040). hlm. 827–833. doi:10.1038/s41586-024-08141-1.
  15. ↑ sumber. www.euronews.com.
  16. ↑ Andreas Liesenfeld. Opening up ChatGPT: Tracking openness, transparency, and accountability in instruction-tuned text generators. Proceedings of the 5th International Conference on Conversational User Interfaces. Association for Computing Machinery. 2023-07-19. hlm. 1–6. doi:10.1145/3571884.3604316. ISBN 979-8-4007-0014-9.
  17. ↑ Andreas Liesenfeld. Opening up ChatGPT: Tracking openness, transparency, and accountability in instruction-tuned text generators. Proceedings of the 5th International Conference on Conversational User Interfaces. Association for Computing Machinery. 2023-07-19. hlm. 1–6. doi:10.1145/3571884.3604316. ISBN 979-8-4007-0014-9.
  18. ↑ David Gray Widder. Why ‘open’ AI systems are actually closed, and why this matters. Nature. 2024-11. Vol. 635 (8040). hlm. 827–833. doi:10.1038/s41586-024-08141-1.
  19. ↑ Andreas Liesenfeld. Rethinking open source generative AI: open-washing and the EU AI Act. Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency. Association for Computing Machinery. 2024-06-05. hlm. 1774–1787. doi:10.1145/3630106.3659005. ISBN 979-8-4007-0450-5.
  20. ↑ Andreas Liesenfeld. Opening up ChatGPT: Tracking openness, transparency, and accountability in instruction-tuned text generators. Proceedings of the 5th International Conference on Conversational User Interfaces. Association for Computing Machinery. 2023-07-19. hlm. 1–6. doi:10.1145/3571884.3604316. ISBN 979-8-4007-0014-9.
  21. ↑ Matt White. The Model Openness Framework: Promoting Completeness and Openness for Reproducibility, Transparency, and Usability in Artificial Intelligence. 2024-10-18. doi:10.48550/arXiv.2403.13784.
  22. ↑ Rhiannon Williamsarchive page. We finally have a definition for open-source AI. MIT Technology Review.
  23. ↑ Kylie Robison. Open-source AI must reveal its training data, per new OSI definition. The Verge. 2024-10-28.
  24. ↑ Open Weights: not quite what you’ve been told. Open Source Initiative.
  25. ↑ Ashley Capoot,MacKenzie Sigalos. OpenAI releases lower-cost models to rival Meta, Mistral and DeepSeek. CNBC. 2025-08-05.
  26. ↑ The Evolution of Open Source: From Software to AI : Argano. argano.com.
  27. ↑ Kyle Daigle, GitHub Staff. Octoverse: The state of open source and rise of AI in 2023. The GitHub Blog. 2023-11-08.
  28. ↑ Appendix I: A Short History of AI One Hundred Year Study on Artificial Intelligence (AI100). ai100.stanford.edu.
  29. ↑ Henry A. Kautz. The third AI summer: AAAI Robert S. Engelmore Memorial Lecture. AI Magazine. 2022. Vol. 43 (1). hlm. 105–125. doi:10.1002/aaai.12036.
  30. ↑ Why Software Should Be Free - GNU Project - Free Software Foundation. www.gnu.org.
  31. ↑ Vijayasarathi Balasubramanian. The Power of Collaboration: How Open-Source Projects are Advancing AI. KDnuggets.
  32. ↑ Kyle Daigle, GitHub Staff. Octoverse: The state of open source and rise of AI in 2023. The GitHub Blog. 2023-11-08.
  33. ↑ Linux Code. A Brief History of Open Source – TheLinuxCode. TheLinuxCode. 2024-11-03.
  34. ↑ Topic: (/). www.cs.cmu.edu.
  35. ↑ Priya. The Evolution of Open Source AI Libraries: From Basement Brawls to AI All-Stars. TheGen.AI. 2024-03-28.
  36. ↑ Kari Pulli. Realtime Computer Vision with OpenCV. Queue. 2012-04-22. Vol. 10 (4). hlm. 40–56. doi:10.1145/2181796.2206309.
  37. ↑ Adrian Kaehler. Learning OpenCV 3: Computer Vision in C++ with the OpenCV Library. "O'Reilly Media, Inc.". 2016-12-14. ISBN 978-1-4919-3800-3.
  38. ↑ About us. scikit-learn.
  39. ↑ Testimonials. scikit-learn.
  40. ↑ Akashdeep Makkar. What Is Scikit-learn and why use it for machine learning?. Data Courses. 2021-06-09.
  41. ↑ James Bergstra. Theano: A CPU and GPU Math Compiler in Python. Proceedings of the Python in Science Conference. SciPy. 2010. hlm. 18–24. doi:10.25080/majora-92bf1922-003.
  42. ↑ Rahul Mewawalla. The democratization of AI: Shaping our collective future. Fast Company. 2024-10-31.
  43. ↑ Carlos J. Costa. The Democratization of Artificial Intelligence: Theoretical Framework. Applied Sciences. 2024-09-12. Vol. 14 (18). hlm. 8236. doi:10.3390/app14188236.
  44. ↑ Kanwar Bharat Singh. Deep Learning in the Automotive Industry: Recent Advances and Application Examples. 2019-06-24. doi:10.48550/arXiv.1906.08834.
  45. ↑ Aparna Sushumna. Deep Learning in NLP and Image Recognition. 5DataInc. 2024-06-10.
  46. ↑ Timothy B. Lee. How a stubborn computer scientist accidentally launched the deep learning boom. Ars Technica. 2024-11-11.
  47. ↑ Tomas Mikolov. Efficient Estimation of Word Representations in Vector Space. 2013-09-07. doi:10.48550/arXiv.1301.3781.
  48. ↑ Tomas Mikolov. Distributed Representations of Words and Phrases and their Compositionality. 2013-10-16. doi:10.48550/arXiv.1310.4546.
  49. ↑ Jeffrey Pennington. GloVe: Global Vectors for Word Representation. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP). Association for Computational Linguistics. 2014-10. hlm. 1532–1543. doi:10.3115/v1/D14-1162.
  50. ↑ stanfordnlp/GloVe. 2025-11-07.
  51. ↑ Chloe Xiang. OpenAI Is Now Everything It Promised Not to Be: Corporate, Closed-Source, and For-Profit. VICE. 2023-02-28.
  52. ↑ Chloe Xiang. OpenAI Is Now Everything It Promised Not to Be: Corporate, Closed-Source, and For-Profit. VICE. 2023-02-28.
  53. ↑ Karen Haoarchive page. OpenAI is giving Microsoft exclusive access to its GPT-3 language model. MIT Technology Review.
  54. ↑ Platform API. openai.com.
  55. ↑ Kyle Daigle, GitHub Staff. Octoverse: The state of open source and rise of AI in 2023. The GitHub Blog. 2023-11-08.
  56. ↑ GPT-3 powers the next generation of apps. openai.com. 2024-03-29.
  57. ↑ Generative AI vs. Large Language Models (LLMs): What's the Difference?. appian.com.
  58. ↑ Abhishek Iyer, FreeText AI. GPT-3’s free alternative GPT-Neo is something to be excited about. VentureBeat. 2021-05-15.
  59. ↑ Abhishek Iyer, FreeText AI. GPT-3’s free alternative GPT-Neo is something to be excited about. VentureBeat. 2021-05-15.
  60. ↑ Connor Leahy. Why Release a Large Language Model?. EleutherAI Blog. 2021-06-02.
  61. ↑ Will Douglas Heavenarchive page. Meta has built a massive new language AI—and it’s giving it away for free. MIT Technology Review.
  62. ↑ Will Douglas Heavenarchive page. Why Meta’s latest large language model survived only three days online. MIT Technology Review.
  63. ↑ Melissa Heikkiläarchive page. Inside a radical new project to democratize AI. MIT Technology Review.
  64. ↑ Release of largest trained open-science multilingual language model ever CNRS. www.cnrs.fr. 2022-07-12.
  65. ↑ AI Act and Open Source. Open Future.
  66. ↑ We have an official open-source AI definition now, but the fight is far from over. ZDNET.
  67. ↑ Michael Nuñez. MosaicML challenges OpenAI with its new open-source language model. VentureBeat. 2023-06-22.
  68. ↑ Victor Dey. MosaicML launches MPT-7B-8K, a 7B-parameter open-source LLM with 8k context length. VentureBeat. 2023-07-19.
  69. ↑ Seyedali Mirjalili. Meta just launched the largest ‘open’ AI model in history. Here’s why it matters. The Conversation. 2024-08-01.
  70. ↑ Seyedali Mirjalili. Meta just launched the largest ‘open’ AI model in history. Here’s why it matters. The Conversation. 2024-08-01.
  71. ↑ Client Challenge. www.ft.com.
  72. ↑ Benj Edwards. Meta launches Llama 2, a source-available AI model that allows commercial applications [Updated]. Ars Technica. 2023-07-18.
  73. ↑ Meta offers Llama AI to US government for national security. CIO.
  74. ↑ Caiwei Chenarchive page. How a top Chinese AI model overcame US sanctions. MIT Technology Review.
  75. ↑ Daya Guo. DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning. Nature. 2025-09. Vol. 645 (8081). hlm. 633–638. doi:10.1038/s41586-025-09422-z.
  76. ↑ Dirk Groeneveld. OLMo: Accelerating the Science of Language Models. 2024-06-07. doi:10.48550/arXiv.2402.00838.
  77. ↑ Team OLMo. 2 OLMo 2 Furious. 2025-10-08. doi:10.48550/arXiv.2501.00656.
  78. ↑ Elissa Welle. Switzerland releases an open-weight AI model. The Verge. 2025-09-03.
  79. ↑ Matthew Allen. Switzerland launches transparent ChatGPT alternative. SWI swissinfo.ch. 2025-09-02.
  80. ↑ Alejandro Hernández-Cano. Apertus: Democratizing Open and Compliant LLMs for Global Language Environments. 2025-09-17. doi:10.48550/arXiv.2509.14233.
  81. ↑ Anna Lagos. Latam-GPT: The Free, Open Source, and Collaborative AI of Latin America. Wired.
  82. ↑ Praveen Gujar. Building Trust In AI: How To Overcome Ethical Challenges. Forbes.
  83. ↑ Praveen Gujar. Building Trust In AI: How To Overcome Ethical Challenges. Forbes.
  84. ↑ Google Model Cards. modelcards.withgoogle.com.
  85. ↑ Margaret Mitchell. Model Cards for Model Reporting. Proceedings of the Conference on Fairness, Accountability, and Transparency. Association for Computing Machinery. 2019-01-29. hlm. 220–229. doi:10.1145/3287560.3287596. ISBN 978-1-4503-6125-5.
  86. ↑ Haoyu Gao. Documenting Ethical Considerations in Open Source AI Models. 2024-07-03. doi:10.48550/arXiv.2406.18071.

Sumber dan atribusi

Konten artikel ini diadaptasi dari Wikipedia bahasa Indonesia, revisi 29090979 (2026-03-31T15:47:29Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.


Diperoleh dari "https://wiki.unissula.ac.id/index.php?title=Kecerdasan_buatan_sumber_terbuka&oldid=1212"