Model Visi TERCEPAT untuk Laptop Anda (Liquid AI LFM 2.5)

Bagian pembuka ini mematahkan anggapan umum bahwa menjalankan model AI visi canggih selalu memerlukan GPU raksasa atau layanan cloud berbayar. Pembicara memperkenalkan Liquid AI yang merilis model LFM terbaru yang dapat beroperasi sepenuhnya di dalam peramban web. Teknologi utama yang memungkinkan hal ini adalah penggunaan WebGPU dan ONNX Runtime untuk pemrosesan gambar serta video secara lokal. Keunggulan utamanya adalah keamanan data karena informasi tidak pernah keluar dari komputer pengguna dan tidak memerlukan internet setelah model tersimpan. Demonstrasi ini bertujuan untuk membuktikan apakah performa model ini sehebat yang diiklankan oleh pengembangnya.

LFM atau Liquid Foundation Model dijelaskan sebagai model yang tidak hanya mengandalkan arsitektur transformer tradisional, melainkan menggunakan desain hibrida yang unik. Desain ini menggabungkan blok konvolusional dengan grouped query attention untuk mengoptimalkan kinerja pada perangkat dengan sumber daya terbatas. Model dengan 1,6 miliar parameter ini telah dilatih pada dataset masif sebanyak 28 triliun token yang membuatnya sangat kompetitif. Hasil benchmark menunjukkan bahwa LFM mampu menyamai model yang berukuran dua kali lebih besar namun dengan kecepatan yang jauh lebih tinggi. Fokus utama dari bagian ini adalah bagaimana efisiensi desain memungkinkan kecerdasan tinggi dalam paket perangkat lunak yang sangat kecil.

Pembicara menjelaskan filosofi "efisiensi berdasarkan desain" yang diusung Liquid AI melalui arsitektur Linear Input Varying atau LIV. Berbeda dengan transformer biasa yang penggunaan memorinya membengkak seiring bertambahnya interaksi, model Liquid menggunakan blok konvolusional adaptif yang berfungsi sebagai filter cerdas. Sistem ini hanya memproses informasi lokal yang paling relevan dan secara efektif mengompresi data saat mengalir melalui model tersebut. Hal ini memungkinkan LFM mempertahankan jendela konteks hingga 32.000 token tanpa mengalami perlambatan eksponensial atau lonjakan memori RAM. Arsitektur ini menjadi kunci mengapa model ini tetap responsif bahkan ketika menangani input data yang besar dan kompleks secara berkelanjutan.

Bagian ini menyoroti detail teknis spesifik yang membuat model LFM menonjol dibandingkan model visi bahasa lainnya di pasar. Model ini mendukung resolusi asli hingga 512 x 512 piksel tanpa distorsi dan menggunakan strategi tiling untuk menangani gambar yang lebih besar dengan tetap mempertahankan konteks global. Efisiensi arsitekturnya terbukti dengan jejak memori yang sangat rendah, seringkali beroperasi hanya dengan menggunakan RAM di bawah satu gigabyte. Integrasi dengan WebGPU memungkinkan penggunaan langsung di platform seperti Hugging Face untuk aplikasi praktis seperti pemberian teks otomatis (captioning) pada webcam secara waktu nyata. Fleksibilitas ini menunjukkan potensi besar LFM untuk diintegrasikan ke dalam berbagai aplikasi berbasis web tanpa infrastruktur server yang mahal.

Dalam sesi demonstrasi langsung, pembicara mengunduh model dengan kuantisasi FP 16 dan mengujinya menggunakan kamera laptop. Model tersebut berhasil mengidentifikasi subjek secara akurat sebagai pria berjenggot yang mengenakan hoodie dan melakukan deteksi objek pada iPhone dengan sangat cepat. Selain objek besar, LFM juga mampu mengenali gerakan tangan seperti tanda damai (peace sign) dan acungan jempol secara instan. Salah satu fitur yang paling mengesankan adalah kemampuannya membaca teks kecil pada perangkat, seperti merek "Rode" pada mikrofon pembicara. Kecepatan pemrosesan yang sinkron dengan gerakan nyata menunjukkan tingkat kematangan teknologi visi yang dimiliki oleh Liquid AI saat ini.

Untuk membuktikan klaim pemrosesan lokal, pembicara mematikan koneksi Wi-Fi dan menunjukkan bahwa model tetap berfungsi sempurna tanpa gangguan sedikitpun. Hal ini memvalidasi bahwa seluruh proses komputasi terjadi di perangkat edge (laptop) pengguna, bukan di server eksternal. Pembicara merenungkan betapa cepatnya evolusi AI dalam dua tahun terakhir, dari teknologi yang sulit dipercaya menjadi sesuatu yang umum di peramban web. Video diakhiri dengan ajakan kepada penonton untuk berbagi pendapat mengenai kasus penggunaan terbaik dari model efisien ini di masa depan. Penekanan diberikan pada pentingnya dukungan komunitas melalui langganan saluran untuk ulasan teknis lebih lanjut mengenai perkembangan AI terbaru.