Model AI GoTo: enam bahasa, VRAM hingga 60 GB

PT GoTo Gojek Tokopedia Tbk merilis model bahasa berisi 27 miliar parameter di Bali Tech Week pada 19 Oktober 2026. Bobot model instruksi tersebut tersedia di repositori resmi GoTo di Hugging Face. Bagi pengembang Indonesia, rilis ini membuka peluang menjalankan model pada infrastruktur sendiri, tetapi kemampuan mengunduhnya belum berarti model siap beroperasi pada komputer biasa.

Model bernama GoTo-AI-Gemma-3-27B-IT itu, menurut kartu model GoTo, mencakup enam bahasa—Inggris, Indonesia, Jawa, Sunda, Batak Toba, dan Bali—dengan konteks hingga 128 ribu token; untuk memuatnya dalam FP16 atau BF16, GoTo memperkirakan kebutuhan VRAM sekitar 54–60 GB. Repositori yang sama mencantumkan lisensi Gemma. Jadi, akses bobotnya terbuka, sedangkan izin penggunaan dan biaya menjalankannya tetap perlu dipisahkan dari klaim bahwa model ini tersedia gratis.

Dalam laporan Suara.com dari peluncuran di Sanur, CEO Grup GoTo Hans Patuwo mengatakan, “Namun, kita juga perlu mengembangkan AI buatan sendiri untuk menjawab tantangan dan kebutuhan lokal.” Teks dari mitra media dan situs sektor publik disebut sebagai bahan pengembangan, bersama data bahasa Batak yang dikumpulkan melalui kerja sama dengan Universitas Sumatera Utara. Rincian data tersebut menjelaskan sasaran lokal proyek, tanpa memberi ukuran langsung tentang mutu jawaban model yang dirilis.

Cakupan bahasa daerah yang disebut secara spesifik

Daya tarik rilis GoTo terletak pada cakupan bahasa Indonesia dan bahasa daerah yang disebut secara spesifik. Penyebutan Batak Toba penting: itu nama bahasa yang tercantum untuk model, bukan jaminan kemampuan yang sama untuk seluruh bahasa Batak. Jawa, Sunda, dan Bali juga hadir sebagai bahasa tersendiri, sementara Indonesia dan Inggris melengkapi cakupan bagi percakapan yang berpindah bahasa.

Model ini memakai arsitektur Gemma dan melalui penyetelan agar dapat mengikuti instruksi. GoTo menjadi pemrakarsa proyek ini, sedangkan GoTo dan AI Singapore tercantum sebagai pengembang. Hubungan itu memberi konteks teknis pada rilisnya, tetapi daftar bahasa tetap menunjukkan cakupan yang dituju, bukan skor ketepatan setiap dialek atau jenis tugas.

Jendela konteks yang panjang memungkinkan masukan dokumen atau percakapan lebih besar dalam satu permintaan. Namun, angka kapasitas konteks mengukur batas masukan, bukan ketelitian model mengingat setiap rincian di sepanjang masukan itu. Perbedaan tersebut terasa penting untuk bahasa daerah: model dapat mengenali bahasa dalam daftar dukungan sambil tetap keliru pada istilah lokal, ejaan, atau rujukan budaya tertentu.

Bobot publik dan batas lisensi Gemma

Pengembang dapat mengambil bobot dari repositori GoTo dan menjalankan model instruksi dengan perangkat lunak seperti Transformers atau vLLM. Jalur ini memberi kendali atas tempat model dijalankan dan cara aplikasi dihubungkan ke model. Akses ke bobot tidak otomatis menyediakan layanan percakapan yang dioperasikan GoTo, GPU untuk melayani pengguna, ataupun jaminan biaya pengoperasian.

Label “gratis” dalam pengumuman peluncuran paling tepat dibaca sebagai ketiadaan biaya untuk mengunduh bobot. Lisensi Gemma memiliki ketentuan tersendiri mengenai penggunaan serta distribusi model dan turunannya; karena itu, izin memakai bobot tidak bisa disamakan dengan lisensi tanpa syarat. Ketika bobot dipasang ke sebuah layanan, beban GPU, penyimpanan, dan pemeliharaan layanan tetap muncul meskipun berkas model diperoleh tanpa pembayaran.

Pembedaan ini juga mengubah arti “terbuka” dalam praktik. Pihak yang ingin mengadaptasi model dapat mengerjakan penyetelan lanjutan pada bobot yang tersedia, sedangkan pihak yang ingin membagikan hasil adaptasinya harus memperhatikan persyaratan lisensi yang ikut melekat. Bagi institusi yang bermaksud menyimpan proses inferensi di infrastrukturnya sendiri, keuntungan kendali tersebut datang bersama tanggung jawab menyediakan komputasi dan pengamanan keluaran.

Memori untuk presisi penuh dan ruang bagi kuantisasi

Perkiraan memori GoTo berlaku untuk memuat bobot pada presisi FP16 atau BF16. Itu menjelaskan rekomendasi perangkat berupa GPU bermemori tinggi atau beberapa GPU sekaligus: kapasitas grafis perlu menampung bobot sebelum model memproses permintaan. Angka tersebut bukan ukuran universal bagi setiap perangkat dan setiap beban kerja, karena inferensi juga membutuhkan ruang untuk konteks, keluaran, dan komponen perangkat lunak.

Kuantisasi menawarkan jalan untuk menyimpan bobot dengan presisi lebih rendah sehingga kebutuhan memori dapat turun. Versi delapan bit atau empat bit, misalnya, secara konsep lebih ringkas daripada bobot presisi penuh, tetapi hasil akhirnya bergantung pada format kuantisasi dan mesin inferensi yang dipakai. Pengurangan ukuran bobot juga dapat memengaruhi mutu jawaban; estimasi presisi penuh tidak menjamin bahwa varian tertentu akan muat pada satu GPU tertentu atau mempertahankan akurasi semula.

Dengan begitu, pilihan perangkat keras tidak hanya soal apakah berkas berhasil dimuat. Panjang masukan yang digunakan, banyaknya permintaan bersamaan, dan kecepatan keluaran ikut menentukan kebutuhan nyata sebuah layanan. Perkiraan memori yang dipublikasikan memberi titik awal untuk memahami skala rilis ini, sementara kapasitas operasional tetap bergantung pada konfigurasi yang akhirnya dipilih pengembang.

Klaim kemampuan masih bergantung pada pengujian

Uraian evaluasinya mencakup IndoMMLU untuk tugas berkonteks Indonesia dan SEA-HELM untuk kemampuan bahasa Asia Tenggara. Ada pula pengujian kepatuhan terhadap instruksi dan percakapan bertahap. Daftar metode itu menunjukkan apa yang dinilai oleh pengembang, tetapi belum menggantikan hasil pembandingan independen atas bobot yang kini tersedia, terutama untuk bahasa daerah yang menjadi daya tarik rilis.

Model juga dapat menghasilkan isi rekaan, jawaban yang tidak relevan, atau penalaran yang berubah-ubah. Karena itu, pernyataan bahwa sebuah bahasa didukung perlu dibaca sebagai cakupan rancangan, bukan jaminan hasil pada semua pertanyaan. Pengukuran terpisah per bahasa dan per tugas akan lebih menentukan apakah rilis ini cukup andal untuk kebutuhan nyata dibanding daftar bahasa atau ukuran parameternya saja.