Apa itu Siesta?
Siesta adalah model bahasa orchestrator berbahasa Indonesia yang sedang dikembangkan di bawah MEA Team AI — bagian dari MEA Ecosystem. Fokus utamanya bukan jadi asisten serba bisa, melainkan spesialis di satu hal: percakapan yang terasa empatik dan manusiawi, dengan kepribadian yang konsisten setiap kali diajak bicara.
Kebanyakan model bahasa dirancang untuk selalu netral, selalu sopan, dan tidak pernah menunjukkan karakter yang konsisten. Itu masuk akal untuk kebutuhan tertentu, tapi manusia terbiasa ngobrol dengan orang yang punya kepribadian — yang bisa senang, bisa bete, yang jawabnya kadang pendek saja. Ketiadaan karakter itulah yang membuat interaksi dengan AI sering terasa artifisial. Pertanyaan yang mendasari riset ini sederhana: apakah sebuah model bisa mempertahankan identitas yang koheren, terlepas dari topik apa pun yang dibicarakan atau siapa pun yang mengajaknya bicara?
Kenapa dibangun dari nol?
Sebelum sampai ke arsitektur yang sekarang, tim sempat mencoba jalur yang lebih umum dipakai: fine-tuning model besar yang sudah ada. Hasilnya cukup baik secara kemampuan umum, tapi terasa tidak cocok untuk kebutuhan spesifik yang diinginkan. Akhirnya seluruh dataset dan model hasil fine-tune itu dihapus, dan pengembangan dimulai ulang dari nol.
Keputusan ini bukan tanpa konsekuensi — membangun dari nol berarti tidak ada "kepintaran bawaan", semuanya harus dilatih sendiri dari awal. Tapi di situlah letak kontrol penuhnya: siapa "identitas" model itu bisa ditentukan sejak fondasi, bukan sekadar ditempel sebagai lapisan kepribadian di atas model yang karakternya sudah terbentuk lebih dulu oleh data pelatihan orang lain.
Identity Coherence pada Model Orchestrator
Paper ini bukan dokumentasi teknis lengkap — detail arsitektur internal dan skema data sengaja tidak dibuka. Yang dieksplorasi: bagaimana sebuah model bisa mempertahankan identitas yang konsisten, kenapa kepribadian dibentuk lewat komposisi data alih-alih instruksi eksplisit, serta arsitektur orkestrasi yang menyembunyikan seluruh proses delegasi ke model-model pendukung dari permukaan interaksi.
Baca Paper Lengkap →Dibangun dengan resource yang jauh dari ideal
Ini riset independen dengan satu orang di baliknya, dikerjakan dengan GPU dan TPU konsumen berkuota terbatas — bukan cluster komputasi besar yang biasa dipakai laboratorium riset AI. Batasan ini justru banyak membentuk keputusan desain sepanjang proses, dan salah satu pelajaran paling konkret datang dari eksperimen menaikkan skala model.
Arsitektur model yang lebih besar (4B+ parameter) pada dasarnya sama dengan generasi-generasi sebelumnya yang jauh lebih kecil — hanya jumlah parameternya yang dinaikkan. Asumsi awal: resep training yang sudah terbukti aman di skala kecil akan tetap aman begitu saja di skala besar. Kenyataannya tidak selalu begitu. Learning rate flat yang stabil untuk model kecil, pada model yang jauh lebih besar justru membuat loss naik alih-alih turun. Model besar ternyata jauh lebih sensitif terhadap bentuk schedule learning rate-nya, dan butuh pendekatan yang lebih hati-hati — warmup di awal, diikuti decay bertahap — bukan lagi angka tetap dari awal sampai akhir training.
Pelajaran semacam ini — termasuk yang sifatnya kegagalan atau proses yang belum selesai — sengaja ditulis apa adanya di dalam paper, bukan disembunyikan supaya hasilnya terlihat lebih mulus dari kenyataannya.
Kenapa dipublikasikan sebagai preprint, bukan disimpan dulu?
Riset ini masih berjalan, dan versi yang dipublikasikan sekarang menangkap Siesta di satu titik dalam perjalanan yang masih panjang — bukan laporan tentang model yang sudah selesai. Beberapa keterbatasan diakui secara eksplisit di dalam paper, termasuk soal klaim identity coherence yang untuk saat ini masih dinilai secara kualitatif, belum lewat metodologi evaluasi yang formal.
Memilih mempublikasikan di tahap ini — dengan segala yang belum sempurna — adalah keputusan sadar. Preprint di Zenodo memberi paper ini DOI permanen, bisa dicitasi, dan punya jejak waktu yang jelas, sekaligus tetap bisa diperbarui lewat sistem versioning kalau ada perkembangan baru ke depannya.
Apa selanjutnya?
Roadmap Siesta saat ini berjalan di beberapa jalur paralel — mulai dari model skala lebih besar yang masih dalam tahap debugging, sampai kemungkinan merilis versi model skala kecil secara open source (rencana ini masih bisa berubah tergantung perkembangan selanjutnya). Detail lebih lengkap soal arah pengembangan ke depan, termasuk pertanyaan-pertanyaan yang masih terbuka, dibahas di bagian akhir paper.
Paper ini adalah publikasi riset pertama dari MEA Team AI, dan kemungkinan besar bukan yang terakhir.