Model 3 Miliar Parameter Ini Menyamai Raksasa 333 Kali Lebih Besar — dan Itu Mengubah Hitung-hitungan AI Anda

Ada angka yang bikin orang AI mengernyit minggu ini: 333.

Itu perkiraan kasar berapa kali lebih besar model-model seperti DeepSeek V3.2 dan Kimi K2.5 dibanding sebuah pendatang baru bernama VibeThinker-3B. Tiga miliar parameter, titik. Dan menurut tim risetnya, model mungil itu menyamai sang raksasa pada deretan soal matematika dan koding. Bukan "lumayan dekat untuk ukurannya". Menyamai.

VibeThinker-3B datang dari Sina — ya, perusahaan di balik Weibo, jejaring sosial raksasa Tiongkok yang biasanya tidak Anda kaitkan dengan riset model penalaran. Mereka merilisnya sebagai model terbuka, dan laporan The Decoder merangkum klaim utamanya dengan rapi. Tapi yang menarik buat saya bukan papan peringkatnya. Yang menarik adalah hipotesis yang mereka tinggalkan di belakangnya.

Rahasianya bukan ukuran, tapi cara dilatih

Selama dua tahun terakhir, narasi industri AI hampir selalu satu arah: lebih besar lebih pintar. Tambah parameter, tambah data, tambah GPU. Skala adalah jawaban untuk hampir semua pertanyaan.

VibeThinker-3B mengusik narasi itu dari sisi yang berbeda. Timnya tidak bilang "model kecil sama bagusnya dengan model besar untuk segalanya". Mereka jauh lebih spesifik. Kuncinya, kata mereka, ada pada post-training multi-tahap — proses pelatihan lanjutan setelah model dasar selesai, yang menajamkan kemampuan menalar secara bertahap alih-alih sekadar menjejalkan lebih banyak bobot.

Bayangkan dua atlet. Yang satu badannya dua kali lipat lebih besar. Yang satu lagi badannya biasa saja tapi pelatihnya brilian, programnya terstruktur, setiap sesi punya tujuan. Di lintasan lari yang sangat spesifik, atlet kedua bisa menang. Bukan karena ototnya lebih banyak, tapi karena geraknya lebih efisien.

Itulah klaim VibeThinker. Untuk jenis tugas tertentu, bagaimana model dilatih ternyata lebih menentukan daripada seberapa besar dia.

Hipotesis yang lebih penting dari benchmark-nya

Di sinilah ceritanya jadi benar-benar berguna buat Anda yang menjalankan bisnis, bukan lab riset.

Dari temuan mereka, tim Sina mengajukan satu dugaan yang elegan: penalaran logis bisa dipadatkan ke dalam model kecil, tapi pengetahuan dunia yang luas tidak.

Pikirkan baik-baik perbedaan keduanya.

Penalaran adalah proses. Memecah soal matematika langkah demi langkah. Melacak alur logika sebuah fungsi kode. Menyimpulkan bahwa kalau A maka B maka C. Proses semacam ini relatif "kecil" — ia tentang aturan dan pola berpikir, dan pola bisa diringkas. Anda tidak perlu menghafal sejuta fakta untuk tahu cara membagi pecahan.

Pengetahuan dunia adalah isi. Siapa CEO perusahaan X tahun 2019. Apa regulasi pajak terbaru di Jakarta. Nama produk pesaing Anda dan harga rilisnya. Ini bukan pola yang bisa diturunkan dari prinsip — ini fakta mentah, masing-masing harus disimpan satu per satu. Dan menyimpan jutaan fakta memang butuh "ruang". Butuh parameter. Butuh ukuran.

Kalau hipotesis ini benar — dan ini masih hipotesis, bukan hukum fisika — maka ada garis pemisah yang sangat praktis. Model kecil bisa jadi jago berpikir, tapi tetap payah mengingat. Mereka pandai mengolah, lemah menghafal.

Kenapa garis pemisah itu penting buat dompet Anda

Sekarang mari turunkan ini ke level keputusan nyata. Anggap Anda menjalankan bisnis dan mempertimbangkan memakai AI untuk operasional atau marketing.

Model besar itu mahal. Bukan cuma biaya langganan API per token, tapi juga latensi (lebih lambat), ketergantungan ke server pihak ketiga, dan data Anda yang harus keluar dari kandang sendiri. Model kecil seperti VibeThinker-3B punya profil yang berbeda total: cukup ringan untuk berpotensi jalan di server Anda sendiri, jauh lebih murah dioperasikan, dan responsnya kilat.

Pertanyaannya bukan "model mana yang terbaik". Pertanyaannya adalah: tugas Anda ini condong ke menalar, atau ke mengingat?

Mari pisahkan dengan contoh konkret.

Tugas yang condong ke menalar — kandidat kuat untuk model kecil:

• Mengubah aturan bisnis berbelit ("kalau pelanggan beli di atas X dan dari kota Y, kasih diskon Z, kecuali...") jadi logika yang bisa dijalankan.
• Memvalidasi struktur sebuah dokumen: apakah invoice ini punya semua kolom wajib, apakah angkanya konsisten.
• Mengurai permintaan pelanggan jadi langkah-langkah: "ini keluhan, ini permintaan refund, ini butuh eskalasi".
• Menulis dan men-debug potongan kode otomasi internal.

Tugas yang condong ke mengingat — di sini model kecil rawan ngarang:

• "Siapa kompetitor kami dan apa keunggulan produk mereka?"
• "Apa tren terbaru di industri kami kuartal ini?"
• "Bagaimana bunyi pasal regulasi terbaru yang relevan?"

Untuk kelompok kedua, model kecil yang dipaksa menjawab dari "ingatannya" sendiri adalah resep untuk halusinasi yang terdengar percaya diri. Dan halusinasi yang percaya diri jauh lebih berbahaya daripada model yang jujur bilang "saya tidak tahu".

Solusinya bukan model yang lebih besar — biasanya

Begini bagian yang sering salah dipahami. Banyak orang menyimpulkan: "berarti untuk pertanyaan berbasis fakta, saya harus pakai model raksasa." Belum tentu.

Kalau hipotesis Sina benar, fakta memang tidak bisa dipadatkan ke dalam bobot model kecil. Tapi fakta bisa ditaruh di luar model — di basis data, di dokumen, di sistem pencarian — lalu disodorkan ke model tepat saat dibutuhkan. Pendekatan ini sudah punya nama yang mapan: memberi model "buku contekan" sebelum ia menjawab, alih-alih menyuruhnya menghafal seisi perpustakaan.

Dan untuk strategi semacam itu, model kecil yang jago menalar justru pasangan ideal. Dia tidak perlu tahu faktanya dari awal. Dia cuma perlu cukup pintar untuk membaca fakta yang Anda berikan, menalar di atasnya, dan menyusun jawaban yang benar.

Jadi arsitektur yang muncul dari hipotesis ini kira-kira begini: otak penalar yang ramping dan murah, ditambah memori faktual eksternal yang selalu bisa diperbarui. Bukan satu model gendut yang tahu segalanya dan mahal dijalankan.

Buat bisnis, perbedaan ini bukan soal teknis belaka. Ini soal biaya bulanan, kecepatan respons ke pelanggan, dan apakah data sensitif Anda harus berkeliaran di server orang lain.

Tahan dulu euforianya

Saya tidak mau Anda pulang dari sini dengan kesimpulan "model kecil sudah menang, buang yang besar". Itu terlalu jauh.

Pertama, ini hipotesis dari satu tim, dilampirkan pada satu model, diuji pada kategori tugas yang sempit: matematika dan koding. Kedua bidang itu kebetulan adalah ranah yang paling "murni penalaran" — paling sedikit butuh pengetahuan dunia. Wajar kalau model kecil bersinar justru di sana. Belum tentu pola yang sama bertahan di tugas yang lebih berantakan dan berbasis konteks dunia nyata.

Kedua, "menyamai pada benchmark" dan "bisa diandalkan untuk pekerjaan Anda" adalah dua hal yang berbeda. Benchmark itu ujian terstandar. Operasional bisnis Anda itu kehidupan nyata yang penuh kasus aneh. Model bisa juara olimpiade matematika tapi gagap saat menghadapi keluhan pelanggan yang ditulis setengah-setengah lewat WhatsApp.

Ketiga — dan ini yang sering terlewat — model terbuka berarti Anda, atau tim yang Anda percaya, harus benar-benar menjalankannya. Ada biaya teknis di balik kata "gratis dan terbuka".

Tapi arahnya jelas dan layak Anda perhatikan. Tren ini menggeser pertanyaan dari "model mana yang paling besar dan pintar" ke "kombinasi mana yang paling pas untuk pekerjaan spesifik saya, dengan biaya yang masuk akal." Itu pergeseran yang sehat. Itu pergeseran yang menguntungkan bisnis kecil dan menengah, bukan cuma korporasi dengan anggaran GPU tak terbatas.

Yang sebaiknya Anda lakukan sekarang

Jangan terburu mengganti tumpukan AI Anda gara-gara satu rilis. Lakukan hal yang lebih membosankan tapi jauh lebih berguna: petakan tugas-tugas AI Anda ke dalam dua keranjang tadi. Mana yang sebenarnya cuma butuh nalar yang tajam. Mana yang sebenarnya butuh akses ke fakta yang akurat dan terkini.

Begitu pemetaan itu jelas, banyak keputusan jadi otomatis. Tugas penalaran murni? Kandidat untuk model ringan dan murah. Tugas berbasis fakta? Bukan soal ukuran model, tapi soal seberapa rapi Anda menyodorkan informasi yang benar ke model itu.

Di Dicreso, justru di titik inilah kami banyak bekerja: membantu bisnis memilah pekerjaan mana yang dipegang AI agent, mengatur arsitekturnya supaya hemat dan tetap akurat, dan menghindari jebakan membayar mahal untuk kemampuan yang sebenarnya tidak Anda perlukan. Kalau Anda sedang menimbang bagaimana menerapkan ini ke operasional atau marketing Anda — tanpa harus jadi ahli riset AI lebih dulu — mari ngobrol di halaman kontak kami. Pemetaannya bisa kita kerjakan bareng.