Bakat-8B-Base adalah base model bahasa Indonesia yang dirancang untuk Continued Pre-Training (CPT) pada domain kebijakan dan pengawasan ruang digital. Model ini dibangun di atas arsitektur Qwen3-8B, dengan pendekatan LoRA (Low-Rank Adaptation) dan 4-bit quantization untuk efisiensi memori dan komputasi.

Developed by: Tim 1 AITF
Model type: Causal Language Model (LoRA Adapter)
Base architecture: Qwen3-8B
Primary language: Indonesian (id)
License: Apache-2.0

Training Data Composition

Kategori	Elemen	Jumlah Token (M)	Persentase
DTP	Okupasi PON TIK, Tren Pekerjaan, Kompetensi & SDM, Kebijakan & Regulasi DTP, Teknologi Digital Talent	94	43.9%
PRD	Judi Online, Hoax, Perlindungan Anak, Konten Edukasi, Kebijakan & Regulasi PRD, Kekerasan Masyarakat	92	42.9%
Wikipedia ID	Pengetahuan Umum Berbahasa Indonesia	28.2	13.2%
Total	–	214.2	100%

Intended Use

Direct Use (Recommended)

Model ini ditujukan untuk Continued Pre-Training, khususnya untuk:

Adaptasi domain kebijakan publik dan regulasi digital
Pengayaan pengetahuan spesifik Indonesia
Pre-adaptation sebelum Instruction Tuning atau SFT

Out-of-Scope Use

Long-context conversations (belum dioptimalkan)
High-stakes decision making (legal, medis, finansial)
Chat-oriented instruction following tanpa fine-tuning lanjutan

Bias, Risks, and Limitations

Dataset didominasi oleh domain kebijakan dan pengawasan ruang digital, sehingga bias topikal dapat muncul pada domain non-terkait.
Model belum melalui tahap preference alignment (RLHF/DPO).
Konten Wikipedia digunakan sebagai penyeimbang, namun tidak menjamin netralitas penuh.

Pengguna disarankan melakukan evaluasi tambahan sebelum penggunaan produksi.

Recommendations

Gunakan Qwen3 chat template untuk hasil generasi terbaik.
Lakukan Instruction Fine-Tuning atau Preference Tuning sebelum deployment ke end-user.
Verifikasi keluaran model untuk informasi kritikal.

How to Get Started

Load the model using HuggingFace Transformers:

python

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

# 1. Configuration
model_id = "aitfindonesia/Bakat-8B-Base"  # Replace with your actual Hub ID

# 2. Load Model
# Use bfloat16 for A100/A10G, float16 for T4
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

# 3. Inference Example (Completion)
input_text = "Strategi utama untuk mengurangi gap talenta digital di Indonesia adalah"
inputs = tokenizer(input_text, return_tensors="pt").to("cuda")

with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=100,
        do_sample=True,
        temperature=0.7
    )
    print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Training Details

Training Data

Total size: ~214M tokens
Domains: Digital Talent Policy (DTP), Pengawasan Ruang Digital (PRD), Wikipedia Indonesia
Split: Train (90%) / Validation (10%)

Training Procedure

Model dilatih menggunakan Continued Pre-Training (CPT) dengan LoRA pada HuggingFace Transformers.

Hyperparameters

Precision: bf16 (mixed precision)
Quantization: 4-bit (nf4)
LoRA Rank (r): 8
LoRA Alpha: 16
Target modules: q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj
Batch size: 4 / device
Gradient accumulation: 16 (effective batch size = 32)
Learning rate: 2e-4 (linear schedule)
Warmup ratio: 0.03
Epochs: 1
Optimizer: adamw_8bit

Evaluation

Results

Final Training Loss: ~1.2685
Final Validation Loss: ~1.264
Training Perplexity: ~3.56
Validation Perplexity: ~3.55

Benchmark (General)

MMLU: ~74.20
IndoMMLU: ~65.66
XCOPA-ID: ~75.80

Environmental Impact

Estimasi emisi karbon mengikuti metodologi Lacoste et al. (2019).

Hardware: NVIDIA A100 80GB
Training time: ~36 jam
Compute region: Indonesia
Infrastructure: University / Private Server

Framework Versions

Transformers: 4.x
PyTorch: 2.x
Datasets: 2.x
Tokenizers: 0.x

aitf-komdigi/KomdigiUB-8B-Base

Bakat-8B-Base

Model Details

Model Description