# Artikel Terkait Inferensi

Pusat Berita HTX menyediakan artikel terbaru dan analisis mendalam mengenai "Inferensi", mencakup tren pasar, pembaruan proyek, perkembangan teknologi, dan kebijakan regulasi di industri kripto.

Makalah Prompt Engineering Diterima di ICML 2026, Warganet Ribut Berdebat

Makalah rekayasa prompt telah diterima di konferensi ICML 2026, memicu perdebatan luas di komunitas. Makalah ini memperkenalkan metode "Verbalized Sampling" (VS) yang hanya dengan mengubah instruksi prompt, dapat meningkatkan keragaman output model bahasa besar (LLM) dan mengurangi masalah "Mode Collapse". Metode ini meminta model untuk menghasilkan beberapa jawaban sekaligus dan memberikan nilai probabilitas verbal untuk setiap opsi. Penulis berargumen bahwa akar masalah homogenitas output terletak pada bias tipikal dalam data preferensi manusia yang digunakan untuk melatih model, bukan semata-mata pada algoritma. Eksperimen menunjukkan peningkatan keragaman 1.6–2.1 kali dalam tugas kreatif tanpa mengorbankan akurasi atau keamanan. Reaksi di komunitas terbelah. Sebagian meragukan nilai inovasi metode yang "hanya" memodifikasi prompt dan mempertanyakan stabilitas serta generalisasinya. Mereka khawatir tren ini mencerminkan standar publikasi yang longgar. Di sisi lain, pendukung menekankan bahwa penelitian yang solid tidak harus kompleks, selama memiliki dasar teoretis, eksperimen ketat, dan hasil yang dapat direproduksi. Mereka menyamakannya dengan awal metode "Chain-of-Thought" (CoT), yang juga dimulai dari instruksi prompt sederhana namun membuka bidang penelitian baru. Makalah ini menandai pergeseran potensial dalam penelitian ML, di mana teknik pada fase inferensi mendapatkan perhatian setara dengan inovasi pelatihan model.

marsbit07/15 08:00

Makalah Prompt Engineering Diterima di ICML 2026, Warganet Ribut Berdebat

marsbit07/15 08:00

Pabrik Token AI Meletus, Tim Dosen dan Mahasiswa Tsinghua Raup Pendanaan 10 Miliar dalam Setengah Tahun

Pabrik AI Token Meletus, Tim Dosen dan Mahasiswa Tsinghua Raup Dana 10 Miliar dalam Setengah Tahun Siapa yang memproduksi "listrik, air, dan batu bara" di era AI? Perhatian tertuju pada pendanaan putaran Seri A untuk Qujing Technology pada 13 Juli, yang dipimpin oleh Henan Investment Group Huirong Fund. Ini adalah tim dari Tsinghua: pendiri dan CEO Ai Zhiyuan, CTO Chen Xianglin, penasihat ilmiah kepala akademisi Zheng Weimin, profesor Wu Yongwei, dan associate professor Zhang Mingxing. Tiga tahun lalu, ketika startup AI China kebanyakan fokus pada model besar (large models) atau pelatihan, Qujing memilih untuk memulai dari jalur *inferensi* model besar, membangun **pabrik AI Token berkualitas tinggi**. Kini, seiring permintaan AI Token yang meledak, jalur ini mulai populer. Mirip dengan Zhipu, Qujing telah menyelesaikan transfer teknologi dan investasi dari Tsinghua. Dalam waktu setengah tahun, Qujing telah mengumpulkan total pendanaan lebih dari 10 miliar yuan, dengan banyak pabrik AI Token berkualitas tinggi tingkat triliunan yang dibangun. **Fokus pada Inferensi dan Produksi Token Berkualitas Tinggi** Didirikan pada akhir Desember 2023 oleh Prof. Wu Yongwei dan pendiri Zhenzhi Capital Ren Xuyang, Qujing berfokus pada inferensi AI daripada pelatihan. "Pelatihan adalah biaya, inferensi menghasilkan uang," kata CEO Ai Zhiyuan. Mereka bertujuan menjadi mitra terbaik untuk membangun dan mengoperasikan pabrik Token di era AI, membuat proses penggunaan "otak" AI lebih efisien. Qujing membidik produksi AI Token berkualitas tinggi yang stabil, efisien, dan berbiaya rendah untuk bisnis nyata, memenuhi berbagai persyaratan seperti latensi rendah, konkurensi tinggi, dan output stabil pada model besar. Mereka menggunakan teknologi inovatif seperti **"kolaborasi heterogen sistem penuh," "komputasi dengan penyimpanan," dan "konstruksi virtual-fisik yang sama"** untuk mengoptimalkan setiap tahap produksi Token. Mereka juga memperkenalkan konsep **Token as a Service (TaaS)** dan platform inti ATaaS untuk menghasilkan AI Token secara stabil seperti jalur produksi standar. **Bisnis Meledak, Dana Lebih dari 10 Miliar dalam 6 Bulan** Investor berduyun-duyun. Setelah putaran angel++ pada Februari dan Pre-A pada Mei, putaran terbaru dipimpin oleh Henan Investment Group Huirong Fund dengan investasi tambahan dari investor lama. Total pendanaan melebihi 10 miliar yuan dalam setengah tahun, dan putaran berikutnya sudah dalam perjalanan. Dukungan investor semakin kuat karena visi awal Qujing terbukti: permintaan inferensi skala besar meledak dengan adopsi AI Coding dan OpenClaw. Inovasi teknologi mereka mulai mendatangkan nilai, tercermin dalam efisiensi produksi Token berkualitas tinggi. Strategi Qujing adalah **"sedikit model, optimasi mendalam"** – fokus pada pengoptimalan mendalam beberapa model kunci untuk skenario produksi nyata daripada mengejar jumlah model. "Seperti toko khusus barang mewah, bukan supermarket besar," kata Ai Zhiyuan. Mereka percaya pelanggan perusahaan membayar untuk hasil bisnis, bukan jumlah model. Data menunjukkan: sejak Tahun Baru Imlek 2026, efisiensi produksi AI Token per unit komputasi meningkat lebih dari 3 kali lipat, dan total output Token berkualitas tinggi meningkat lebih dari 30 kali lipat. Untuk model besar triliunan parameter tertentu, mereka mencapai kapasitas produksi harian triliunan Token. **Pendapatan bulan Juni 2026 saja telah melampaui seluruh pendapatan tahun 2025**, dan terus tumbuh cepat. **Token adalah Raja, Menyambut Dunia AI Baru** Inferensi AI sedang booming. Data pemerintah China menunjukkan volume panggilan Token harian melampaui 140 triliun pada Maret 2026, meningkat lebih dari seribu kali lipat dalam dua tahun. Saat Token menjadi "listrik dan air" era AI, bisnis infrastruktur dasar "Pabrik AI Token" yang tersembunyi dan tumbuh tinggi muncul. Qujing bercita-cita lebih dari sekadar pabrik Token; mereka ingin menjadi perancang, pembangun, produsen, dan operator pabrik AI Token. Mereka menawarkan dua model bisnis: 1) Mode operasi langsung: memproduksi dan memasok Token berkualitas tinggi langsung ke klien. 2) Mode operasi bersama: merencanakan, mengintegrasikan, membangun, dan mengoperasikan pabrik Token bersama klien yang memiliki atau berencana memiliki sumber daya komputasi. Banyak perusahaan yang terdaftar, BUMN, dan pusat kecerdasan komputasi ingin beralih dari sewa komputasi tradisional ke produksi AI Token bernilai tambah tinggi. Qujing menyediakan solusi lengkap untuk transisi ini. Ekonomi Token AI yang seharusnya melibatkan lebih banyak mitra industri membangun ekosistem bersama. Qujing telah menjadi penghubung kunci antara model, komputasi, dan aplikasi, mendorong inovasi industri AI dari titik tunggal menuju simbiosis ekosistem. Seperti era mesin uap membutuhkan kereta api, era internet membutuhkan serat optik dan pusat data, era AI membutuhkan infrastruktur baru untuk mengalirkan kecerdasan dengan stabil, efisien, dan murah ke semua industri.

marsbit07/13 03:46

Pabrik Token AI Meletus, Tim Dosen dan Mahasiswa Tsinghua Raup Pendanaan 10 Miliar dalam Setengah Tahun

marsbit07/13 03:46

Satu Megawatt Menopang 60 Ribu Agen Cerdas, GB300 NVIDIA Hancurkan Generasi Sebelumnya 20 Kali Lipat

Judul: "Satu Megawatt Menghidupi 60.000 Agen, NVIDIA GB300 Hancurkan Generasi Sebelumnya 20 Kali Lipat" Benchmark baru, AA-AgentPerf, telah diperkenalkan untuk mengukur kinerja sistem AI dalam menjalankan beban kerja agen AI yang kompleks, bukan hanya inferensi tunggal. Berbeda dengan benchmark lama yang mengukur token per detik, AA-AgentPerf fokus pada metrik utama "Jumlah Agen Bersamaan per Megawatt", yaitu berapa banyak agen AI yang dapat didukung secara bersamaan dengan daya 1 megawatt, sambil mempertahankan standar layanan tertentu (SLO) seperti kecepatan output token. NVIDIA GB300 NVL72, sebuah sistem tingkat rak yang menghubungkan 72 GPU melalui NVLink, menunjukkan kinerja luar biasa dalam benchmark ini. Pada standar layanan 20 dan 60 token per detik, sistem ini dapat menangani sekitar 61.400 agen bersamaan per megawatt. Ini sekitar 20 kali lipat lebih efisien dibandingkan generasi sebelumnya, H200, yang hanya menangani sekitar 2.600 agen per megawatt. Dari sisi kepadatan perangkat keras, setiap GPU GB300 dapat menangani rata-rata 57,5 agen, sekitar 40 kali lipat dari H200 (1,4 agen per GPU). Keunggulan ini dicapai melalui kemenangan di tingkat sistem, termasuk arsitektur GPU Blackwell, interkoneksi NVLink berbandwidth tinggi, dan optimisasi perangkat lunak seperti TensorRT-LLM yang memungkinkan pemrosesan paralel dan caching yang efisien untuk beban kerja agen yang melibatkan ratusan panggilan berantai, konteks yang membengkak, dan penggunaan alat. Penting untuk dicatat bahwa angka 61.400 agen adalah simulasi sesi bersamaan berdasarkan jejak agen yang telah direkam (saat ini fokus pada pengkodean), bukan menjalankan model lengkap secara independen. Hasilnya adalah potret kemampuan komputasi dan efisiensi, bukan jaminan kapasitas layanan produksi langsung. AA-AgentPerf masih merupakan proposal awal dari satu organisasi dan kinerja sistem diperkirakan akan terus meningkat dengan optimisasi perangkat lunak lebih lanjut.

marsbit07/06 01:05

Satu Megawatt Menopang 60 Ribu Agen Cerdas, GB300 NVIDIA Hancurkan Generasi Sebelumnya 20 Kali Lipat

marsbit07/06 01:05

OpenAI dan Anthropic Ingin "Mengembangkan Chip Sendiri", Selain Biaya, Lebih Penting adalah Kendali atas Daya Komputasi

Menurut laporan, Anthropic sedang bernegosiasi dengan Samsung mengenai chip AI khusus dan telah memulai pengembangan awal chip AI buatan sendiri, mengikuti langkah OpenAI. Kedua perusahaan bergerak menuju kompetisi terintegrasi perangkat lunak dan keras. Motif utama di balik pengembangan chip mandiri ini adalah kendali atas daya komputasi, bukan sekadar pengurangan biaya. Dengan kebutuhan komputasi yang terus meningkat, ketergantungan pada penyedia eksternal seperti GPU Nvidia menimbulkan risiko pasokan dan tekanan biaya. Chip khusus memungkinkan perusahaan mengoptimalkan perangkat keras sesuai dengan arsitektur model spesifik mereka, mencapai peningkatan efisiensi melalui sinergi perangkat lunak-perangkat keras. Meskipun demikian, chip buatan sendiri tidak akan segera menggantikan pemasok eksternal. Proses pengembangan membutuhkan waktu 18-24 bulan, dan chip mandiri kemungkinan akan digunakan untuk beban kerja yang stabil dan frekuensi tinggi (seperti inferensi), sambil tetap memanfaatkan GPU/TPU untuk skenario lainnya. Hal ini berfungsi sebagai opsi cadangan dan alat negosiasi jangka panjang. Tren ini mencerminkan perlombaan yang lebih luas menuju "kemandirian daya komputasi" di industri AI, seperti yang terlihat pada inisiatif serupa dari Google, Amazon, Meta, dan Microsoft. Bagi Samsung, mendapatkan pesanan dari Anthropic akan meningkatkan posisinya dalam persaingan foundry AI. Secara keseluruhan, persaingan model besar kini meluas dari algoritme ke penguasaan atas tumpukan perangkat keras dan daya komputasi.

marsbit07/03 13:41

OpenAI dan Anthropic Ingin "Mengembangkan Chip Sendiri", Selain Biaya, Lebih Penting adalah Kendali atas Daya Komputasi

marsbit07/03 13:41

Saham Semikonduktor Jatuh, Anthropic Justru Ingin Membuat Chip 2nm

Anthropic dilaporkan telah memulai pekerjaan awal untuk mengembangkan chip AI buatannya sendiri, dan berencana menggunakan teknologi manufaktur 2nm dan *advanced packaging* terdepan dari Samsung. Langkah ini bertujuan untuk mengoptimalkan efisiensi operasional model AI Claude, khususnya dalam tugas *inference*, guna mengurangi biaya komputasi yang sangat besar. Kemitraan ini tidak terlepas dari investasi strategis Samsung dalam putaran pendanaan Anthropic sebelumnya. Samsung, yang selama ini tertinggal dari TSMC di bisnis *foundry*, melihat peluang untuk merebut pelanggan besar seperti Anthropic di tengah permintaan chip AI yang tinggi dan keterbatasan kapasitas TSMC. Kerja sama ini merupakan bagian dari upaya besar Korea Selatan, termasuk investasi ratusan miliar dolar, untuk mendominasi industri semikonduktor. Meski merencanakan chip sendiri, Anthropic tetap sangat bergantung pada berbagai pemasok eksternal. Perusahaan ini memiliki komitmen jangka panjang dan investasi besar dengan Amazon Web Services (AWS) untuk akses ke chip Trainium dan dengan Google untuk akses ke Tensor Processing Unit (TPU). Mereka juga menyewa kapasitas besar dari kluster komputasi milik xAI yang menggunakan GPU Nvidia. Strategi multi-pemasok ini digunakan untuk mendiversifikasi risiko. Analis mencatat bahwa tren desain chip khusus justru mempererat interdependensi dalam rantai pasokan global, di mana lab AI AS, pabrikan chip Asia seperti Samsung, dan Nvidia saling terkait. Meski banyak perusahaan mencoba alternatif, Nvidia masih mendominasi pasar chip inferensi AI dengan pangsa sekitar 74%, dan posisinya tetap kuat dalam jangka pendek. Keputusan Anthropic untuk merancang chip sendiri masih dalam tahap sangat awal dan mungkin tidak dilanjutkan.

链捕手07/03 09:59

Saham Semikonduktor Jatuh, Anthropic Justru Ingin Membuat Chip 2nm

链捕手07/03 09:59

GPT Merancang GPT

OpenAI akhirnya merilis chip pertamanya, Jalapeño. Meski banyak yang menganggapnya sebagai tantangan bagi Nvidia, inti dari langkah ini justru adalah pengakuan terbuka OpenAI bahwa mereka tidak puas hanya menjadi perusahaan model AI. Mereka ingin mengontrol seluruh proses produksi kecerdasan, dari model, chip, hingga pusat data dan energi. Perbedaan kemampuan model semakin menyempit, namun kesenjangan dalam komputasi justru melebar. Dalam era AI, satuan biaya terpenting bukan lagi harga server atau GPU, melainkan biaya produksi setiap Token. Sebagai penyedia layanan seperti ChatGPT dan API, OpenAI menghadapi kenyataan bahwa semakin sukses produk mereka, semakin besar "pajak inferensi" yang harus dibayarkan ke penyedia hardware eksternal. Jalapeño adalah upaya membangun "pabrik Token" sendiri untuk mengurangi ketergantungan ini. Yang menarik, siklus pengembangan chip Jalapeño hanya sembilan bulan, jauh lebih cepat dari standar industri. Kunci percepatan ini adalah pengetahuan OpenAI tentang beban kerja model nyata. Mereka bahkan menggunakan model AI mereka sendiri untuk mempercepat bagian proses desain dan optimasi chip. Ini menciptakan siklus umpan balik: model yang lebih baik membantu mendesain chip yang lebih baik, yang kemudian menurunkan biaya menjalankan model generasi berikutnya. Jalapeño difokuskan untuk inferensi, bukan pelatihan. Inferensi adalah pengeluaran tunai harian yang masif, terutama dengan berkembangnya Agent dan tugas-tugas rantai panjang. Dengan mengurangi "pajak inferensi" ini, OpenAI dapat meningkatkan margin keuntungan layanannya. Strategi OpenAI semakin mirip dengan Apple: membangun ekosistem tertutup yang terintegrasi, dari model (perangkat lunak intelijen), antarmuka seperti ChatGPT, hingga chip dan infrastruktur fisik. Mereka tidak ingin menjual "sekop" (seperti Nvidia), tetapi memiliki "tambang" dan menjual "kecerdasan" yang dihasilkannya. Pada akhirnya, artikel ini menyimpulkan bahwa aset terpenting di era AI sedang bergeser. Model akan terus berubah seperti "aliran traffic," tetapi infrastruktur produksi—chip, jaringan, pusat data, energi—akan menjadi "tanah" yang dikuasai oleh sedikit pemain. Dengan Jalapeño, OpenAI menyatakan ambisinya: tidak hanya menjadi perusahaan paling cerdas, tetapi mengontrol produksi kecerdasan itu sendiri.

marsbit06/25 14:05

GPT Merancang GPT

marsbit06/25 14:05

CBRS Laporan Keuangan Pertama Setelah IPO: Pendapatan Meningkat Dua Kali Lipat Namun Panduan Margin Kotor Turun Drastis, Realisasi Kontrak OpenAI Membutuhkan Waktu Lama

**Laporan Keuangan Pertama Cerebras (CBRS): Pendapatan Naik 2x, Tapi Panduan Margin Kasar Turun Drastis** Cerebras Systems (CBRS) melaporkan laporan kuartal pertama setelah IPO. Pendapatan inti Q1 mencapai $191.3 juta, naik 92% (y/y) dan melampaui ekspektasi pasar. Namun, panduan margin kotor inti untuk Q2 turun drastis dari 46.5% menjadi kisaran 36%-38%, menyebabkan saham anjlok >10% setelah jam perdagangan. **Poin Kunci:** 1. **Pertumbuhan & Panduan Kuat:** Panduan pendapatan inti tahunan $855-$865 juta (naik 69%) lebih tinggi dari ekspektasi pasar. Pendapatan layanan cloud melonjak 178%. 2. **Transformasi Model Bisnis:** CBRS beralih dari "menjual chip" ke "menjual daya komputasi" (cloud). Untuk memenuhi kontrak komputasi inferensi besar dengan OpenAI (>$20 miliar) dan AWS, perusahaan lebih banyak menempatkan perangkat keras ke cloud miliknya sendiri, yang sementara mengurangi margin. 3. **Tantangan:** Konsentrasi pelanggan masih tinggi (86% pendapatan dari dua entitas terkait UEA). Realisasi pendapatan penuh dari kontrak OpenAI dan AWS membutuhkan waktu (2026/2027). Valuasi tetap tinggi (~50x P/S berdasarkan panduan 2026). 4. **Logika Bull vs Bear:** Para **bull** percaya keunggulan kecepatan chip Cerebras untuk inferensi AI akan merebut pangsa pasar, didukung kontrak besar. Para **bear** meragukan keunggulan tersebut bisa bertahan, khawatir dengan margin yang lebih rendah dari model cloud, konsentrasi pelanggan, dan risiko pelepasan saham insider jika kapitalisasi pasar tetap di atas $40 miliar.

marsbit06/24 12:23

CBRS Laporan Keuangan Pertama Setelah IPO: Pendapatan Meningkat Dua Kali Lipat Namun Panduan Margin Kotor Turun Drastis, Realisasi Kontrak OpenAI Membutuhkan Waktu Lama

marsbit06/24 12:23

Kendala Daya Komputasi dalam Pertarungan AI Tiongkok-AS

Dalam persaingan AI antara AS dan Tiongkok, kendala utama yang dihadapi Tiongkok adalah kesenjangan komputasi (computing power) yang sangat besar, terutama di sektor pelatihan AI berkinerja tinggi. Chip AI domestik Tiongkok saat ini sebagian besar masih berfokus pada sisi inferensi yang relatif lebih mudah, sedangkan di puncak piramida pelatihan model besar, kehadiran chip domestik masih terbatas dan hanya mengerjakan tugas-tugas tepi. AS menguasai lebih dari 70% GPU high-end global, dengan skala komputasi 2 kali lipat lebih besar daripada Tiongkok. Raksasa teknologi seperti Meta, Google, Amazon, dan Microsoft menginvestasikan dana besar untuk infrastruktur AI, memiliki kekuatan komputasi yang masing-masing melebihi total seluruh perusahaan AI Tiongkok. Kesenjangan ini berdampak langsung pada pengembangan model besar (large models). Model AS terdepan seperti Anthropic's Mythos telah mencapai 10 triliun parameter, sedangkan model Tiongkok terkuat, DeepSeek V4 Pro, memiliki 1,6 triliun parameter. Kekurangan chip pelatihan high-end membatasi kemampuan pra-pelatihan (pre-training) yang menentukan batas atas kecakapan model. Meski demikian, kebangkitan chip GPU domestik Tiongkok mulai terlihat. Perusahaan seperti Huawei (Ascend 910), Haiguang, Cambricon, Moore Thread, dan MetaX memanfaatkan kebijakan substitusi impor. Meski masih tertinggal dalam kinerja absolut dan ekosistem perangkat lunak (seperti CUDA milik Nvidia), chip domestik mulai menunjukkan peningkatan adaptabilitas, bergerak dari terobosan di sektor inferensi menuju adaptasi bertahap di sektor pelatihan. Kolaborasi antara perusahaan AI dan produsen chip domestik telah berhasil melatih model canggih seperti GLM-Image dan RoboBrain 2.5 sepenuhnya pada perangkat keras domestik. Dengan dukungan pasar yang besar, talenta AI, dan modal yang kuat, industri chip AI Tiongkok diharapkan dapat terus berkembang, meski perjalanan mengejar ketertinggalan membutuhkan kesabaran dan strategi jangka panjang dalam persaingan teknologi yang menentukan ini.

marsbit06/22 10:25

Kendala Daya Komputasi dalam Pertarungan AI Tiongkok-AS

marsbit06/22 10:25

Mac Mubazir Bisa Hasilkan Uang? Pelajari Jaringan Inferensi AI Terdesentralisasi Darkbloom dari Eigen Labs

Darkbloom, jaringan inferensi AI terdesentralisasi yang diluncurkan oleh Eigen Labs, memungkinkan pengguna memanfaatkan Mac yang menganggur untuk menghasilkan pendapatan. Dengan memanfaatkan chip Apple Silicon yang tidak terpakai, proyek ini menciptakan jaringan komputasi yang efisien dan mengutamakan privasi. Jaringan ini terdiri dari tiga bagian: pengguna yang mengirim permintaan inferensi, koordinator yang merutekan permintaan, dan penyedia (pemilik Mac) yang menjalankan model dan mengembalikan hasil tanpa dapat melihat konten permintaan. Darkbloom dibangun dengan model privasi terverifikasi menggunakan arsitektur keamanan perangkat keras Apple, memastikan perlindungan data. Dari segi model ekonomi, Darkbloom berbeda dengan banyak proyek lain. Penyedia (host Mac) mendapatkan 100% pendapatan dari inferensi, karena biaya utama hanya berasal dari listrik, bukan perangkat keras baru. Harga dasar Darkbloom sekitar 50% lebih murah dibandingkan penyedia API agregator utama saat ini. Namun, pada tahap awal ini, pendapatan masih relatif kecil. Data peringkat menunjukkan pendapatan harian teratas di bawah $6, dan peringkat kelima bahkan di bawah $2. Pendapatan dipengaruhi oleh faktor seperti konfigurasi memori, waktu aktif, dan permintaan jaringan, yang diharapkan meningkat seiring dengan adopsi model bahasa besar dan peningkatan penggunaan pengguna nyata. Untuk berpartisipasi, pengguna memerlukan Mac dengan chip Apple Silicon, menjalankan macOS 14 atau lebih tinggi, menginstal penyedia Darkbloom, dan menjaga perangkat tetap online dengan koneksi internet stabil. Proyek ini saat ini tersedia dalam versi alpha publik di platform OpenRouter, dengan model yang didukung termasuk Gemma 4 dari Google dan GPT-OSS dari OpenAI.

marsbit06/22 07:18

Mac Mubazir Bisa Hasilkan Uang? Pelajari Jaringan Inferensi AI Terdesentralisasi Darkbloom dari Eigen Labs

marsbit06/22 07:18

活动图片