Kecerdasan buatan telah berkembang begitu cepat dalam beberapa tahun terakhir hingga terasa seperti lompatan teknologi terbesar dalam sejarah manusia. Model bahasa besar, atau biasa disebut LLM, kini mampu menulis, menerjemahkan, menjelaskan konsep sains, menciptakan kode pemrograman, hingga berdialog dengan manusia dalam bentuk percakapan alami. Namun dibalik kemampuan tersebut, ada proses pelatihan rumit yang membutuhkan algoritma yang sangat cerdas agar model dapat belajar dengan baik tanpa kehilangan kestabilan.
Sebuah studi terbaru pada tahun 2025 memperkenalkan sebuah terobosan penting dalam dunia kecerdasan buatan, yaitu Group Sequence Policy Optimization atau GSPO. Algoritma ini dikembangkan untuk membuat proses pelatihan model bahasa menjadi lebih efisien, lebih stabil, dan menghasilkan performa yang lebih baik dibandingkan metode terdahulu. GSPO dirancang sebagai peningkatan dari pendekatan reinforcement learning yang selama ini digunakan untuk mengajari model bagaimana merespons secara optimal berdasarkan contoh dan umpan balik manusia.
Baca juga artikel tentang: Ketahui Kebijakan Fiskal dalam Perspektif Ekonomi Makro Islam Lebih Dalam!
Untuk memahami dampaknya, kita perlu melihat bagaimana model bahasa dilatih. Salah satu tahap pelatihan penting adalah reinforcement learning from human feedback. Di tahap ini, model tidak hanya belajar meniru teks tetapi juga belajar membuat respons yang disukai manusia. Namun proses ini rumit karena melibatkan penilaian terhadap urutan kata dalam satu kalimat atau paragraf, yang membuat algoritma harus memahami konteks panjang dan melakukan perhitungan yang sangat intensif.
Sebelum GSPO diperkenalkan, banyak algoritma reinforcement learning fokus pada perhitungan di level token, yaitu unit teks kecil seperti kata atau bagian kata. Pendekatan ini menimbulkan sejumlah masalah. Perubahan kecil pada satu token bisa membuat model menjadi tidak stabil karena tidak melihat konteks keseluruhan. Selain itu, pelatihan menjadi lambat dan kurang efisien pada skala model yang sangat besar.
GSPO hadir untuk mengatasi kelemahan tersebut dengan cara yang lebih alami dan terintegrasi. Alih-alih menilai setiap token secara terpisah, GSPO menilai satu urutan teks sebagai satu kesatuan. Pendekatan berbasis urutan ini lebih dekat dengan cara manusia memahami kalimat. Kita tidak menilai sebuah paragraf dari satu kata saja tetapi dari keseluruhan maknanya. Dengan mengadopsi cara pikir ini, GSPO dapat melakukan kliping atau penyesuaian nilai secara lebih stabil, memberikan penghargaan pada respons yang lebih baik, dan mengoptimasi perilaku model secara menyeluruh.
Para peneliti menemukan bahwa pendekatan baru ini tidak hanya membuat pelatihan lebih stabil tetapi juga jauh lebih efisien. Dibandingkan dengan metode GRPO yang digunakan sebelumnya, GSPO memberikan performa lebih tinggi dalam berbagai pengujian. Perbaikan ini tidak hanya teoretis tetapi juga diterapkan langsung pada model terkenal seperti keluarga model Qwen3 yang diluncurkan pada tahun 2025.
Hasilnya terlihat nyata. Model yang dilatih menggunakan GSPO tampil lebih baik dalam memahami konteks panjang, memberikan jawaban lebih akurat, dan menunjukkan konsistensi yang lebih tinggi antara instruksi dan jawaban yang dihasilkan. Dengan kata lain, GSPO membantu model menjadi lebih cerdas, lebih dapat dipercaya, dan lebih stabil dalam memberikan respons.
Selain memberikan peningkatan kemampuan, GSPO juga berdampak pada efisiensi infrastruktur pelatihan. Pelatihan model bahasa besar membutuhkan komputasi yang sangat mahal dan memakan energi dalam jumlah besar. Dengan membuat prosesnya lebih efisien, GSPO secara tidak langsung membantu menekan biaya dan mengurangi kebutuhan energi. Hal ini penting karena pengembangan kecerdasan buatan sering dikritik karena jejak karbon yang tinggi.
Salah satu aspek menarik dari GSPO adalah kemampuannya menstabilkan pelatihan pada arsitektur Mixture-of-Experts atau MoE. Arsitektur ini menggunakan banyak jaringan kecil yang bekerja sama untuk memproses input secara lebih cepat dan hemat energi. Namun MoE juga dikenal sulit dilatih karena hasilnya mudah tidak konsisten. GSPO menunjukkan bahwa algoritma ini mampu membantu menjaga stabilitas MoE sehingga model dapat memanfaatkan kecerdasannya secara maksimal tanpa mudah mengalami kerusakan perilaku.
Para peneliti juga menyoroti bahwa GSPO berpotensi menyederhanakan desain keseluruhan infrastruktur reinforcement learning. Jika sebelumnya sistem pelatihan memerlukan banyak komponen tambahan agar tetap stabil, GSPO dapat mengurangi kompleksitas tersebut. Dampaknya adalah proses pengembangan model bahasa menjadi lebih mudah dilakukan oleh lebih banyak institusi, tidak hanya perusahaan raksasa teknologi dengan sumber daya besar.
Melihat pencapaian ini, kita dapat membayangkan masa depan kecerdasan buatan yang lebih andal dan lebih mudah dilatih. Model bahasa yang lebih baik berarti aplikasi di berbagai sektor juga meningkat. Dunia pendidikan dapat memanfaatkan AI untuk pendamping belajar yang lebih adaptif, layanan kesehatan dapat menggunakan AI untuk menyederhanakan dokumentasi medis, dunia bisnis akan mengandalkan AI dalam analisis data dan pengambilan keputusan, dan masyarakat umum dapat berinteraksi dengan teknologi cerdas yang semakin alami.
Namun tentu saja kemajuan ini juga perlu disertai dengan pertimbangan etis. Model yang semakin kuat berarti tanggung jawab yang semakin besar dalam hal keamanan, transparansi, dan keadilan. Algoritma seperti GSPO membantu meningkatkan kualitas pelatihan, tetapi manusia tetap harus mengawasi bagaimana AI digunakan agar tetap bermanfaat bagi semua pihak.
GSPO menunjukkan bahwa inovasi dalam dunia algoritma pelatihan masih terus berkembang. Kita mungkin melihat banyak terobosan lainnya dalam beberapa tahun mendatang, terutama ketika kebutuhan akan kecerdasan buatan yang aman dan dapat diandalkan semakin meningkat. Dengan adanya teknologi seperti GSPO, masa depan kecerdasan buatan tampak lebih menjanjikan, lebih stabil, dan lebih mudah dibentuk sesuai kebutuhan manusia.
Baca juga artikel tentang: Menyatukan Kebijakan di Dunia yang Terpecah: Pelajaran dari Arktik untuk Adaptasi Iklim Global
REFERENSI:
Zheng, Chujie dkk. 2025. Group sequence policy optimization. arXiv preprint arXiv:2507.18071.
