aitfindonesia/KomdigiUB-8B-Base

Bakat-8B-Base

Model Details

Model Description

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:

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