Advertisement

Ad space available

Berita AI

Guide Labs Rilis Steerling-8B: LLM Open-Source dengan Transparansi Penuh

Guide Labs meluncurkan Steerling-8B, LLM 8 miliar parameter yang dirancang khusus agar setiap output dapat dilacak kembali ke data pelatihannya. Terobosan ini menjawab tantangan 'black box' yang selama ini menghantui pengembangan Generative AI.

Tim Rekayasa AI
Penulis
23 Februari 2026
4 min read
#Guide Labs#LLM#Open Source#Artificial Intelligence#Machine Learning
Guide Labs Rilis Steerling-8B: LLM Open-Source dengan Transparansi Penuh

Guide Labs Debutkan Steerling-8B: Arsitektur LLM Baru yang Lebih Transparan

SAN FRANCISCO, (23 FEBRUARI 2026)

Key Takeaway
  • Guide Labs merilis Steerling-8B, sebuah LLM open-source dengan 8 miliar parameter yang dirancang agar setiap token output-nya dapat dilacak kembali ke sumber data pelatihan.
  • Arsitektur ini menggunakan concept layer untuk mengategorikan data, memungkinkan pengembang mengontrol bias, hak cipta, dan keamanan model secara presisi.
  • Steerling-8B mampu mencapai 90% performa model papan atas (frontier models) meski menggunakan jumlah data pelatihan yang lebih sedikit.

Salah satu tantangan terbesar dalam mengelola model Deep Learning adalah memahami alasan di balik setiap keputusan yang diambil oleh sistem tersebut. Mengutip laporan dari TechCrunch, startup asal San Francisco, Guide Labs, resmi meluncurkan solusi untuk masalah tersebut melalui model AI terbaru bernama Steerling-8B.

Melansir data dari pendiri Guide Labs, CEO Julius Adebayo dan Chief Science Officer Aya Abdelsalam Ismail, Steerling-8B adalah LLM dengan 8 miliar parameter yang dibangun dengan arsitektur baru. Berbeda dengan model tradisional yang sering dianggap sebagai "black box", setiap token yang dihasilkan oleh Steerling-8B dapat ditelusuri kembali asalnya dalam data pelatihan model tersebut.

Mengatasi Masalah 'Black Box' pada Neural Networks

Selama ini, industri AI berjuang melawan isu seperti hallucinations, bias politik, hingga sycophancy (kecenderungan model untuk sekadar setuju dengan pengguna). Melakukan audit pada Neural Networks dengan miliaran parameter bukanlah perkara mudah.

"Jika saya memiliki satu triliun cara untuk mengodekan gender, Anda harus memastikan dapat menemukan semua itu dan mampu menyalakan atau mematikannya secara andal," ujar Adebayo kepada TechCrunch. Menurutnya, metode saat ini sangat rapuh, dan Guide Labs mencoba membangun model dari bawah ke atas agar aspek interpretabilitas ini menjadi bagian inheren dari sistem.

Adebayo memulai riset ini saat menempuh studi PhD di MIT. Arsitektur yang dikembangkan melibatkan penyisipan concept layer yang mengelompokkan data ke dalam kategori yang dapat dilacak. Meski membutuhkan anotasi data yang lebih intensif di awal, Guide Labs menggunakan bantuan model AI lain untuk mempercepat proses pelatihan ini.

Aplikasi di Industri yang Teregulasi

Keunggulan utama dari arsitektur yang dapat diinterpretasikan ini adalah kontrol yang lebih ketat. Untuk LLM konsumen, teknologi ini memungkinkan pemblokiran materi berhak cipta atau kontrol lebih baik terhadap konten kekerasan. Di sektor finansial, model ini sangat krusial agar keputusan seperti evaluasi pinjaman didasarkan pada catatan keuangan, bukan pada variabel terlarang seperti rasio atau gender.

Guide Labs, yang merupakan lulusan Y Combinator dan telah meraih pendanaan seed round sebesar USD 9 juta (sekitar Rp144 miliar) dari Initialized Capital pada akhir 2024, berencana untuk mengembangkan model yang lebih besar dan menawarkan akses API serta AI Agent di masa mendatang.

Dampak bagi Indonesia

Kehadiran model interpretable LLM seperti Steerling-8B memiliki signifikansi besar bagi ekosistem teknologi di Indonesia, terutama dalam aspek kepatuhan regulasi:

  1. Kepatuhan Sektor Finansial: Institusi perbankan dan Fintech di Indonesia yang diawasi ketat oleh OJK dapat memanfaatkan arsitektur ini untuk memastikan algoritma penilaian kredit (credit scoring) bebas dari bias dan dapat dijelaskan secara transparan sesuai prinsip perlindungan konsumen.
  2. Kedaulatan Data dan Hak Cipta: Dengan kemampuan melacak sumber data, perusahaan media dan kreatif di Indonesia memiliki posisi tawar lebih kuat dalam memantau apakah konten lokal mereka digunakan tanpa izin dalam pelatihan model AI.
  3. Aksesibilitas Pengembang Lokal: Mengingat model ini bersifat open-source dan efisien dalam penggunaan data, pengembang di Indonesia dapat melakukan fine-tuning untuk konteks lokal (seperti bahasa daerah atau hukum Indonesia) dengan biaya komputasi yang lebih rendah dibandingkan model frontier yang masif.

Artikel ini akan diperbarui seiring tersedianya informasi baru. Join Komunitas Rekayasa AI di Discord untuk diskusi lebih lanjut.

Advertisement

Ad space available

✍️

Ditulis oleh

Tim Rekayasa AI

Kontributor Rekayasa AI yang passionate tentang teknologi AI dan dampaknya di Indonesia.

Bagikan:𝕏fin