# Artikel Terkait LLM

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

Claude Code Gunting 80% Prompt, Opus 5 Malah Tambah Balik

Claude Code baru saja mengumumkan pemotongan drastis pada prompt sistemnya, namun kemudian pengguna menemukan bahwa Opus 5 malah menambahkannya kembali sebanyak 72% dibandingkan versi 4.8. Awalnya, Anthropic menghapus lebih dari 80% aturan mendetail dalam prompt untuk model generasi baru seperti Opus 5 dan Fable 5. Tujuannya adalah mengurangi konflik instruksi dan membebaskan model dari "buku pedoman karyawan" yang ketat, menggantinya dengan prinsip umum seperti menyesuaikan gaya kode yang ada. Namun, pengujian oleh pengembang @chenchengpro menunjukkan fakta menarik: sementara prompt Opus 4.7 (15.225 karakter) dipotong menjadi 4.467 karakter di versi 4.8, prompt Opus 5 justru bertambah menjadi 7.694 karakter. Penambahan sekitar 3.755 karakter ini terutama berisi aturan baru untuk mengatur kebiasaan Opus 5 yang lebih proaktif, seperti seberapa sering melaporkan progres, kapan harus memanggil sub-Agent, dan bagaimana mengontrol lingkup tugas serta panjang output. Jadi, Anthropic memang menghapus aturan lama yang terlalu detail, tetapi menambahkan panduan baru untuk mengarahkan kemampuan model yang lebih maju. Performa pemrograman Claude tetap terjaga meski promptnya disederhanakan. Bagi developer, saran utama adalah: fokus pada aturan proyek yang spesifik, pisahkan instruksi panjang menjadi "Skill", hindari duplikasi, dan berikan referensi yang dapat dieksekusi alih-alih deskripsi tekstual yang panjang.

marsbitKemarin 11:40

Claude Code Gunting 80% Prompt, Opus 5 Malah Tambah Balik

marsbitKemarin 11:40

Sepertiga arXiv Dikuasai, 65% Makalah CS Tercium "Bau AI", Matematika Hanya 0.7%

Satu studi terbaru menemukan bahwa sepertiga makalah di arXiv menunjukkan indikasi tulisan AI. Penelitian yang menganalisis 12.750 makalah dari Januari 2023 hingga Juli 2026 menunjukkan, setelah peluncuran ChatGPT, proporsi teks yang terdeteksi sebagai tulisan AI melonjak dari 0,4% menjadi puncak hampir 39% pada awal 2026. Bidang ilmu komputer paling terdampak, dengan 65% makalah barunya terdeteksi memiliki "rasa AI". Bidang lain seperti biologi kuantitatif (56,3%) dan teknik elektro (51,3%) juga tinggi. Namun, matematika mencatat angka terendah, hanya 0,7%. Peneliti mengakui keterbatasan detektor, yang hanya menganalisis teks dan mungkin kesulitan dengan makalah matematika yang penuh formula. Data ini dianggap sebagai batas bawah, dan angka sebenarnya mungkin lebih tinggi. Studi lain dari Stanford menunjukkan penggunaan AI justru tinggi di bidang yang sangat kompetitif, seperti untuk mempercepat penulisan. Detektor sebenarnya mengukur "kemiripan dengan gaya AI", bukan membuktikan seluruh teks ditulis AI. Masalahnya, gaya penulisan akademis yang formal sering kali mirip dengan output AI karena model dilatih dengan data serupa. Hal ini menciptakan "kecurigaan baru" di mana tulisan yang terlalu rapi langsung dianggap berasal dari AI, meski ditulis manusia. Istilah "Zaman Limbah Besar" (The Great Slop) pun muncul, menggambarkan kekhawatiran akan banjirnya konten berbantuan AI.

marsbitKemarin 11:38

Sepertiga arXiv Dikuasai, 65% Makalah CS Tercium "Bau AI", Matematika Hanya 0.7%

marsbitKemarin 11:38

2 Bulan, Valuasi Melonjak dari 88 Miliar Jadi 680 Miliar! OpenRouter, 'Stasiun Transit' AI Terbesar, Akan Diakuisisi

Stripe, pemroses pembayaran terbesar di dunia, dilaporkan sedang dalam negosiasi untuk mengakuisisi OpenRouter, pasar yang menghubungkan lebih dari 400 model AI besar, dengan harga sekitar 100 miliar USD. Harga ini mencerminkan lonjakan valuasi hampir 7 kali lipat dari 13 miliar USD dua bulan lalu. OpenRouter berfungsi sebagai lapisan perantara atau "mesin perbandingan harga" yang memungkinkan pengembang mengakses berbagai model AI (seperti GPT, Claude, atau model open-source) melalui satu API. Platform ini secara otomatis mencocokkan permintaan pengguna dengan model terbaik berdasarkan kompleksitas tugas, biaya, dan kecepatan, membantu aplikasi AI mengoptimalkan biaya tanpa mengubah pengalaman pengguna. Didirikan pada 2023 oleh Alex Atallah (salah satu pendiri OpenSea) dan Louis Vichy, OpenRouter telah mencatat pertumbuhan pesat dengan pendapatan tahunan mencapai 50 juta USD per April 2025. Akuisisi ini merupakan bagian dari strategi Stripe untuk memperluas infrastruktur ekonomi AI. Pada akhir 2025, mereka mengakuisisi Metronome, platform penagihan berbasis penggunaan. Dengan menggabungkan OpenRouter (pemilihan dan perutean model) dan Metronome (penagihan), Stripe bertujuan menawarkan solusi terpadu—dari pemilihan model, penagihan sesuai pemakaian, hingga pembayaran—bagi bisnis yang menggunakan AI. Langkah ini memperkuat posisi Stripe sebagai "pusat kendali" dalam alur kerja AI. Meski transaksi berpotensi diumumkan dalam sebulan, negosiasi masih bisa gagal.

链捕手07/24 09:03

2 Bulan, Valuasi Melonjak dari 88 Miliar Jadi 680 Miliar! OpenRouter, 'Stasiun Transit' AI Terbesar, Akan Diakuisisi

链捕手07/24 09:03

Ketika Konsensus Semakin Cepat, Apa yang Ditaruhkan oleh Investor Muda?

Dengan kemajuan teknologi yang semakin cepat, terutama di bidang AI, robotika, dirgantara, dan komputasi kuantum, para investor muda berhadapan dengan perubahan logika investasi. Mereka tidak lagi cukup mengandalkan model keuangan dan pengalaman industri lama, tetapi juga harus memahami bahasa teknologi, menerima rute yang belum konvergen, dan membuat keputusan sebelum konsensus terbentuk. WAIC merilis daftar "Alpha Youth Investment Leaders," yang mencerminkan beberapa tren utama dalam investasi teknologi saat ini. Tren pertama adalah pergeseran AI dari layar ke dunia fisik. Perhatian kini beralih ke perangkat ujung, robot, mobil, sistem industri, dan infrastruktur luar angkasa. Meskipun robot humanoid dan kecerdasan emboddied menarik perhatian, fokus utama adalah kemampuan pengiriman dan ROI yang nyata, bukan hanya demonstrasi yang mengesankan. Kecerdasan ujung menjadi kunci, dengan perangkat keras AI yang membangun hubungan data dan layanan berkelanjutan dengan pengguna. Tren kedua adalah beralihnya fokus kompetisi dari model dasar ke "roda terbang cerdas." Manfaat model besar belum sepenuhnya terealisasi dalam merekonstruksi produktivitas. Nilai jangka panjang terletak pada perusahaan yang dapat mengintegrasikan kemampuan model ke dalam alur kerja nyata, membentuk siklus tertutup data, pelatihan, dan umpan balik pengguna yang saling memperkuat (roda terbang cerdas). Ini menciptakan nilai yang bertahan melampaui sekadar pembaruan model. Tren ketiga adalah munculnya teknologi dasar baru untuk mengatasi hambatan data. Ketika data manusia yang berkualitas tinggi menjadi langka, pembelajaran penguatan, permainan mandiri, dan model dasar ilmiah menjadi arah yang diperhatikan. Model-model ini bertujuan untuk membangun kemampuan yang lebih mendasar dan universal dalam bidang seperti ilmu kehidupan dan material, menggunakan data dan umpan balik eksperimen khusus untuk mendorong pertumbuhan kemampuan AI selanjutnya. Tren keempat adalah perlunya modal yang sabar untuk teknologi keras. Di bidang seperti dirgantara komersial, komputasi kuantum, dan energi canggih, siklus validasi lebih panjang dan penuh ketidakpastian teknis. Investasi di bidang ini memerlukan pemahaman awal tentang kemampuan teknik dan ketahanan tim, dengan harapan pengembalian dalam skala waktu yang lebih panjang, sambil mendorong perkembangan industri dan akumulasi kemampuan dasar. Peran investor muda adalah memahami teknologi lebih awal, masuk lebih dalam ke industri, dan membuat pilihan jangka panjang di tengah ketidakpastian.

marsbit07/22 03:38

Ketika Konsensus Semakin Cepat, Apa yang Ditaruhkan oleh Investor Muda?

marsbit07/22 03:38

Meniru "Momen DeepSeek"? Wall Street Serempak Menyatakan: Kimi K3 Justru Memperkuat Kebutuhan Komputasi

Replika "Momen DeepSeek"? Wall Street Serentak Menyatakan: Kimi K3 Justru Memperkuat Kebutuhan Komputasi. Pasar sempat panik menyamakan peluncuran Kimi K3 dengan "Momen DeepSeek 2.0" yang sebelumnya menekan harga saham sektor semikonduktor. Namun, laporan terbaru dari bank investasi seperti UBS, Nomura, Bank of America Merrill Lynch, dan Citibank menyimpulkan pandangan berbeda: Kimi K3 bukanlah pengakhir, melainkan akselerator bagi permintaan komputasi. Kimi K3, model open-source dengan 2.8 triliun parameter yang dirilis Moonshot AI pada 16 Juli 2026, menampilkan kemampuan mendekati model mutakhir seperti konteks 1M token, inferensi "selalu aktif", kemampuan multimodal asli, dan arsitektur MoE. Fitur-fitur ini bukan cerita aset ringan. Mereka justru meningkatkan tekanan pada inferensi, memori, jaringan, dan penyimpanan. Analis berargumen bahwa model yang lebih kuat dan lebih terjangkau (seperti K3) akan memicu "Paradoks Jevons" di AI: peningkatan efisiensi malah meningkatkan konsumsi komputasi secara keseluruhan karena lebih banyak pengembang dan perusahaan yang dapat menerapkannya di lebih banyak skenario, sehingga meningkatkan volume token yang diproses. Selain itu, untuk mempertahankan keunggulan kompetitif, laboratorium AI terdepan AS seperti OpenAI dan Anthropic akan merespons dengan pelatihan skala lebih besar dan iterasi lebih cepat. Konsekuensinya, rantai pasokan infrastruktur AI diperkirakan tetap diuntungkan: 1. **Penyimpanan & Memori:** Peningkatan kebutuhan cache KV karena konteks panjang akan mendorong permintaan DDR5 server dan eSSD. HBM juga sangat dibutuhkan untuk deployment model open-source berskala besar. 2. **Komputasi & Foundry:** Hukum skala (*scaling law*) tetap berlaku, menguntungkan pemain seperti NVIDIA dan TSMC. 3. **Jaringan:** Deployment K3 membutuhkan konfigurasi kluster "super-node" (lebih dari 64 GPU), meningkatkan permintaan untuk modul optik dan chip optik. 4. **Platform Cloud:** Platform yang menghosting beragam model open-source (seperti Alibaba) mendapatkan daya tawar lebih kuat. Data menunjukkan penggunaan model AI China oleh pengembang global telah melonjak dari kurang dari 2% menjadi lebih dari 45% dalam setahun, menandakan adopsi yang meluas. Dengan demikian, selama penggunaan token terus tumbuh dan aplikasi seperti konteks panjang serta Agen terus meluas, kebutuhan akan komputasi, HBM, penyimpanan, jaringan, dan pusat data akan tetap tak terhindarkan. Model open-source yang lebih kuat dilihat sebagai pintu masuk bagi gelombang difusi permintaan berikutnya, bukan akhir dari kebutuhan infrastruktur AI.

链捕手07/21 06:20

Meniru "Momen DeepSeek"? Wall Street Serempak Menyatakan: Kimi K3 Justru Memperkuat Kebutuhan Komputasi

链捕手07/21 06:20

Kecemasan Memori Model Besar, Solusinya Ditemukan di Flash Drive

Berikut adalah ringkasan artikel tentang High Bandwidth Flash (HBF) untuk AI: Ansietas memori pada model AI besar mungkin dapat dikurangi dengan teknologi yang sama seperti di flash drive, yaitu **NAND Flash**. Meskipun terkenal lambat, terutama dalam penulisan, kecepatan baca NAND Flash sebenarnya memadai. **SanDisk dan SK Hynix** kini mengembangkan **High Bandwidth Flash (HBF)**, yang menerapkan metode *stacking* dan *packaging* canggih seperti pada HBM ke chip NAND Flash. Dengan menumpuk hingga 16 chip, satu *stack* HBF menargetkan kapasitas **512GB** dan bandwidth baca **1.6TB/s**, bahkan berencana meningkat ke **3.2TB/s**. Teknologi ini tidak dimaksudkan untuk menggantikan HBM, tetapi melengkapinya dengan menemukan ceruknya: **inferensi AI**. Selama inferensi, bobot model yang sudah terlatih bersifat statis dan hanya perlu dibaca, bukan ditulis ulang, sehingga cocok dengan kekuatan baca HBF. Ide dasarnya adalah menciptakan arsitektur memori berlapis untuk server AI: **HBM** menangani data panas dan komputasi intensif, **HBF** menyimpan bobot model besar yang bersifat *read-intensive*, dan **SSD** untuk penyimpanan massal yang lebih murah. Ini berpotensi meredakan kemacetan kapasitas HBM yang mahal, mengurangi jumlah kartu akselerator yang dibutuhkan, serta menurunkan biaya dan konsumsi daya keseluruhan sistem inferensi. Meski standar HBF masih dalam pengembangan di Open Compute Project (OCP) dan setidaknya membutuhkan satu tahun lagi sebelum tersedia, pendekatan ini menandakan perlunya pembagian kerja baru dalam hierarki memori untuk menghadapi tantangan model yang semakin besar dan mahal. Solusinya mungkin berasal dari teknologi yang sudah dikenal, dikemas ulang untuk era AI.

marsbit07/20 00:22

Kecemasan Memori Model Besar, Solusinya Ditemukan di Flash Drive

marsbit07/20 00:22

DeepSeek V4 "Versi Full Blood" Terbongkar, Kemungkinan Rilis Besok

DeepSeek V4 "versi penuh" diprediksi akan dirilis segera, kemungkinan mulai besok. Setelah menunggu hampir tiga bulan, versi resmi DeepSeek V4 akhirnya akan diluncurkan. Beberapa pengguna telah mendapatkan akses uji coba awal. Terdapat dua versi: DeepSeek V4 Flash dan DeepSeek V4 Pro. Untuk mengecek apakah sudah mendapat akses V4, sebuah "rumus" informal menyarankan untuk melihat kata ganti pertama dalam rantai pemikiran (CoT) model. Jika dimulai dengan "I'm" atau "I'll", kemungkinan Anda sudah menggunakan V4 GA. Menurut pengalaman pengembang awal, kinerja V4 mendekati level Opus 4.8, dengan kemampuan coding yang sebanding GPT-5.6 Sol. Kemampuan Agent meningkat signifikan, dan generasi 3D serta SVG menjadi jauh lebih baik. Meski mungkin tidak mengungguli Kimi K3 terbaru, harganya diprediksi jauh lebih rendah. Beberapa demo telah beredar, seperti game 3D, simulasi HTML campuran *Minecraft* dan *No Man's Sky*, serta game "Potong Tali", yang semuanya dihasilkan oleh V4. DeepSeek juga akan memperkenalkan sistem tarif "peak-off peak" untuk API-nya. DeepSeek-V4-Pro akan dikenakan biaya $0,87 per juta token output (normal) dan $1,74 (jam sibuk), sedangkan V4 Flash hanya $0,28 (normal) dan $0,56 (jam sibuk). Meski ini kali pertama DeepSeek menerapkan harga variatif, tarifnya tetap sangat kompetitif dibandingkan pesaing seperti Fable 5 yang berharga $50 per juta token. Intinya, V4 mungkin bukan model terkuat secara absolut, namun strategi DeepSeek tetap sama: menawarkan kemampuan setara Opus dengan harga yang jauh lebih terjangkau, mempertahankan gelar "penjagal harga" di industri AI.

marsbit07/19 05:33

DeepSeek V4 "Versi Full Blood" Terbongkar, Kemungkinan Rilis Besok

marsbit07/19 05:33

Membongkar Otak Claude Tidak Berguna, Kunci Sebenarnya dari Kotak Hitam AI Tersembunyi dalam Teknik Ontologi

Anthropic tim menemukan "J-Space", area dalam Claude yang bisa diamati dan diintervensi, menandai kemajuan interpretabilitas AI dari penjelasan perilaku ke pengamatan keadaan internal secara real-time. Namun, pendekatan neurosains ini memiliki keterbatasan mendasar: ia berfokus pada "apa yang terjadi di dalam model" seperti memindai aktivitas saraf, tetapi gagal menjelaskan makna sebenarnya dari output model, alasan di balik pemikirannya, atau hubungannya dengan pengetahuan dunia nyata. Artikel ini mengusulkan pergeseran perspektif: inti interpretabilitas harus beralih dari "bagaimana model berpikir" ke "informasi apa yang diproses model dan status ontologisnya". Model bahasa besar pada dasarnya adalah pemroses informasi; makna teks yang perlu dijelaskan terletak pada hubungan simbol dengan dunia, pengetahuan, dan praktik manusia, bukan dalam nilai aktivasi neuron. Filosofi Kant tentang dua belas kategori murni pemahaman memberikan kunci filosofis: yang "dapat dijelaskan" adalah proses informasi yang dikategorikan dan distrukturkan menjadi pengetahuan yang dapat dipahami. Interpretabilitas membutuhkan pemetaan struktur informasi model ke kerangka kerja konseptual ini. Di sinilah rekayasa ontologi menjadi jembatan penting ke praktik. Rekayasa ontologi mengubah kategori filosofis menjadi entitas teknis yang dapat dihitung. Model bahasa besar merevolusi praktiknya dengan mengekstraksi pola semantik secara efisien, mengubah pembangunan ontologi dari penyusunan manual menjadi produksi kolaboratif manusia-AI. Sebaliknya, ontologi memberdayakan model dengan menyediakan basis pengetahuan terstruktur, kerangka pemeriksaan untuk konsistensi, dan yang terpenting, struktur jangkar untuk penjelasan. Ketika output model dapat ditelusuri kembali ke entri ontologi, penjelasan bergantung pada pelacakan struktur pengetahuan, bukan menebak keadaan internal jaringan saraf. Masa depan interpretabilitas terletak pada beralih dari mencoba "membuka kotak hitam" ke upaya membuat dampak model di dunia nyata dapat dipahami, dilacak, dan dipertanggungjawabkan. Rekayasa ontologi menyediakan kerangka kerja praktis dengan membangun "kerangka semantik" yang ramah-AI, di mana penalaran model ditambatkan pada struktur pengetahuan yang terdefinisi dengan jelas. Ini mengubah interpretabilitas dari tantangan teknis yang hampir mustahil menjadi tujuan tata kelola yang dapat didekati melalui rekayasa.

marsbit07/17 07:43

Membongkar Otak Claude Tidak Berguna, Kunci Sebenarnya dari Kotak Hitam AI Tersembunyi dalam Teknik Ontologi

marsbit07/17 07:43

活动图片