Model bahasa besar: Perbedaan antara revisi
Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 28221447; atribusi sumber disertakan. |
Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi |
||
| Baris 1: | Baris 1: | ||
'''Model bahasa besar''' (, biasa disingkat '''LLM''') adalah model bahasa berskala besar yang terkenal karena kemampuannya untuk mencapai tujuan umum dalam pemahaman dan pembangkitan bahasa. LLM memperoleh kemampuan ini dengan menggunakan data dalam jumlah besar untuk mempelajari miliaran parameter selama pelatihan dan mengonsumsi sumber daya komputasi yang besar selama pelatihan dan pengoperasiannya. LLM merupakan [[jaringan syaraf tiruan]] (umumnya menggunakan [[Transformer (model pemelejaran mesin)|transformer]]) dan telah dilatih sebelumnya dengan menggunakan [[pemelajaran terawasi mandiri]] dan [[pemelajaran semi terawasi]]. | '''Model bahasa besar''' (, biasa disingkat '''LLM''') adalah model bahasa berskala besar yang terkenal karena kemampuannya untuk mencapai tujuan umum dalam pemahaman dan pembangkitan bahasa. LLM memperoleh kemampuan ini dengan menggunakan data dalam jumlah besar untuk mempelajari miliaran parameter selama pelatihan dan mengonsumsi sumber daya komputasi yang besar selama pelatihan dan pengoperasiannya.<ref>[https://openai.com/blog/better-language-models/ Better Language Models and Their Implications]. ''OpenAI''. 2019-02-14.</ref> LLM merupakan [[jaringan syaraf tiruan]] (umumnya menggunakan [[Transformer (model pemelejaran mesin)|transformer]]<ref>Rick Merritt. [https://blogs.nvidia.com/blog/2022/03/25/what-is-a-transformer-model/ What Is a Transformer Model?]. ''NVIDIA Blog''. 2022-03-25.</ref>) dan telah dilatih sebelumnya dengan menggunakan [[pemelajaran terawasi mandiri]] dan [[pemelajaran semi terawasi]]. | ||
Sebagai model bahasa yang bersifat autoregresif, LLM bekerja dengan menerima teks masukan dan memprediksi token atau kata selanjutnya secara berulang. Sampai tahun 2020, [[Fine-tuning (pemelajaran mesin)|fine tuning]] adalah satu-satunya cara suatu model bisa beradaptasi untuk bisa menyelesaikan tugas tertentu. Adapun model yang lebih besar, seperti [[GPT-3]], dapat di-''[[prompt engineering|prompt-engineer]]'' untuk mencapai hasil yang sama. | Sebagai model bahasa yang bersifat autoregresif, LLM bekerja dengan menerima teks masukan dan memprediksi token atau kata selanjutnya secara berulang.<ref>Samuel R. Bowman. ''Eight Things to Know about Large Language Models''. 2023.</ref> Sampai tahun 2020, [[Fine-tuning (pemelajaran mesin)|fine tuning]] adalah satu-satunya cara suatu model bisa beradaptasi untuk bisa menyelesaikan tugas tertentu. Adapun model yang lebih besar, seperti [[GPT-3]], dapat di-''[[prompt engineering|prompt-engineer]]'' untuk mencapai hasil yang sama. <ref>Tom B. Brown. [https://proceedings.neurips.cc/paper/2020/file/1457c0d6bfcb4967418bfb8ac142f64a-Paper.pdf Language Models are Few-Shot Learners]. ''Advances in Neural Information Processing Systems''. Curran Associates, Inc. Dec 2020. Vol. 33. hlm. 1877–1901.</ref> LLM dianggap memiliki pengetahuan terkait sintaksis, semantik, dan ontologi yang melekat pada korpora bahasa manusia, tetapi LLM juga memiliki semacam ketidakakuratan dan bias yang ada dalam korpora. <ref>Christopher D. Manning. [https://www.amacad.org/publication/human-language-understanding-reasoning Human Language Understanding & Reasoning]. ''Daedalus''. 2022. Vol. 151 (2). hlm. 127–138. doi:10.1162/daed_a_01905.</ref> | ||
Contoh terkenal, termasuk model [[Generative_pre-trained_transformer|GPT]] oleh [[OpenAI]] (seperti, [[GPT-3.5]] dan [[GPT-4]], yang digunakan dalam [[ChatGPT]]), [[PaLM]] milik [[Google]] (digunakan dalam [[Google Bard|Bard]]), dan [[LLaMA]] milik [[Meta Platforms|Meta]], serta [[BLOOM (model bahasa)|BLOOM]], [[Ernie Bot|Ernie 3. 0 Titan]], dan [[Antropic#Claude|Claude 2]]. | Contoh terkenal, termasuk model [[Generative_pre-trained_transformer|GPT]] oleh [[OpenAI]] (seperti, [[GPT-3.5]] dan [[GPT-4]], yang digunakan dalam [[ChatGPT]]), [[PaLM]] milik [[Google]] (digunakan dalam [[Google Bard|Bard]]), dan [[LLaMA]] milik [[Meta Platforms|Meta]], serta [[BLOOM (model bahasa)|BLOOM]], [[Ernie Bot|Ernie 3. 0 Titan]], dan [[Antropic#Claude|Claude 2]]. | ||
==Referensi== | == Referensi == | ||
<references /> | |||
== Sumber dan atribusi == | == Sumber dan atribusi == | ||
Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Model+bahasa+besar&oldid=28221447 Wikipedia bahasa Indonesia], revisi 28221447 (2025-10-29T09:29:43Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku. | Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Model+bahasa+besar&oldid=28221447 Wikipedia bahasa Indonesia], revisi 28221447 (2025-10-29T09:29:43Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku. | ||
<!-- WIKI_UNISSULA_PRESENTATION_V4 --> | |||
Revisi terkini sejak 23 Agustus 2026 10.29
Model bahasa besar (, biasa disingkat LLM) adalah model bahasa berskala besar yang terkenal karena kemampuannya untuk mencapai tujuan umum dalam pemahaman dan pembangkitan bahasa. LLM memperoleh kemampuan ini dengan menggunakan data dalam jumlah besar untuk mempelajari miliaran parameter selama pelatihan dan mengonsumsi sumber daya komputasi yang besar selama pelatihan dan pengoperasiannya.[1] LLM merupakan jaringan syaraf tiruan (umumnya menggunakan transformer[2]) dan telah dilatih sebelumnya dengan menggunakan pemelajaran terawasi mandiri dan pemelajaran semi terawasi.
Sebagai model bahasa yang bersifat autoregresif, LLM bekerja dengan menerima teks masukan dan memprediksi token atau kata selanjutnya secara berulang.[3] Sampai tahun 2020, fine tuning adalah satu-satunya cara suatu model bisa beradaptasi untuk bisa menyelesaikan tugas tertentu. Adapun model yang lebih besar, seperti GPT-3, dapat di-prompt-engineer untuk mencapai hasil yang sama. [4] LLM dianggap memiliki pengetahuan terkait sintaksis, semantik, dan ontologi yang melekat pada korpora bahasa manusia, tetapi LLM juga memiliki semacam ketidakakuratan dan bias yang ada dalam korpora. [5]
Contoh terkenal, termasuk model GPT oleh OpenAI (seperti, GPT-3.5 dan GPT-4, yang digunakan dalam ChatGPT), PaLM milik Google (digunakan dalam Bard), dan LLaMA milik Meta, serta BLOOM, Ernie 3. 0 Titan, dan Claude 2.
Referensi
- ↑ Better Language Models and Their Implications. OpenAI. 2019-02-14.
- ↑ Rick Merritt. What Is a Transformer Model?. NVIDIA Blog. 2022-03-25.
- ↑ Samuel R. Bowman. Eight Things to Know about Large Language Models. 2023.
- ↑ Tom B. Brown. Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems. Curran Associates, Inc. Dec 2020. Vol. 33. hlm. 1877–1901.
- ↑ Christopher D. Manning. Human Language Understanding & Reasoning. Daedalus. 2022. Vol. 151 (2). hlm. 127–138. doi:10.1162/daed_a_01905.
Sumber dan atribusi
Konten artikel ini diadaptasi dari Wikipedia bahasa Indonesia, revisi 28221447 (2025-10-29T09:29:43Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.