Peneliti dari Massachusetts Institute of Technology (MIT) telah mengembangkan sebuah teknik pelatihan yang dapat meningkatkan akurasi Large Language Models (LLM) hingga enam kali lipat. Teknik yang disebut test-time training ini menjadi terobosan baru dlm dunia kecerdasan buatan yang bisa mengubah cara kerja AI di berbagai sektor.
Apa itu Test-Time Training?
Ekin Akyürek, penulis utama penelitian ini, menjelaskan bahwa test-time training adalah metode yg melibatkan pembaruan sementara pada parameter internal model saat deployment1. Berbeda dengan pembelajaran dalam konteks biasa, teknik ini memungkinkan model untuk benar-benar "belajar" keterampilan baru.
"Pembelajaran sejati - apa yg kami lakukan di sini dengan test-time training - adalah sesuatu yang tidak bisa dilakukan model ini sendiri setelah mereka dikirim," kata Akyürek1. Ini menjadi solusi untuk keterbatasan LLM yang sering gagal dalam tugas-tugas baru yang membutuhkan kemampuan penalaran kompleks.
Dampak untuk Dunia Bisnis Indonesia
Penelitian ini memiliki implikasi besar bagi perusahaan di Indonesia. Sebagai contoh, sebuah firma akuntansi yang menggunakan AI untuk meringkas laporan keuangan mungkin akan kesulitan ketika diminta memprediksi tren pasar. Dengan teknik baru ini, model AI yang sama bisa beradaptasi untuk tugas yang lebih kompleks seperti mengidentifikasi transaksi penipuan.
Aplikasi dalam Sektor Kesehatan
Di sektor kesehatan Indonesia, teknik ini berpotensi membantu dokter dalam diagnosis medis yang lebih akurat2. Model AI yang dilatih dengan test-time training dapat beradaptasi dengan kondisi medis spesifik yang jarang ditemui, meningkatkan kualitas pelayanan kesehatan di daerah terpencil.
Manfaat untuk Manajemen Rantai Pasokan
Perusahaan logistik di Indonesia juga dapat memanfaatkan teknologi ini untuk optimisasi rantai pasokan. AI dengan kemampuan adaptif ini bisa menangani situasi tak terduga seperti bencana alam atau gangguan transportasi yang sering terjadi di Indonesia3.
Cara Kerja dan Efisiensi
Para peneliti menggunakan teknik low-rank adaptation yang hanya memperbarui sejumlah kecil parameter model. Mehul Damani, salah satu peneliti, menyatakan bahwa mereka dapat mencapai peningkatan akurasi yang sangat besar hanya dengan melatih parameter yang sangat sedikit1.
Meskipun proses ini membutuhkan waktu lebih lama - dari kurang dari satu menit menjadi lima hingga sepuluh menit - peningkatan performa yang dihasilkan sangat signifikan. Ini sangat berguna untuk tugas-tugas sulit yang memerlukan keakuratan tinggi.
Tantangan dan Prospek Masa Depan
Teknik ini diuji pada dua dataset benchmark yang berisi masalah-masalah sangat kompleks seperti teka-teki IQ. Hasilnya menunjukkan peningkatan akurasi hingga enam kali lipat dibandingkan teknik pembelajaran dalam konteks biasa1.
Untuk masa depan, peneliti berencana mengembangkan model yang dapat belajar secara kontinu. Tujuan jangka panjangnya adalah menciptakan LLM yang dapat secara otomatis menentukan apakah perlu menggunakan test-time training atau cukup dengan pembelajaran dalam konteks saja.
Kesimpulan
Penelitian MIT ini membuka peluang besar bagi pengembangan AI yang lebih adaptif dan cerdas. Bagi Indonesia, teknologi ini dapat mempercepat transformasi digital di berbagai sektor, mulai dari kesehatan hingga logistik. Dengan kemampuan model AI untuk benar-benar "belajar" dari tugas baru, kita dapat mengharapkan solusi AI yang lebih fleksibel dan efektif dalam menghadapi tantangan kompleks masa depan.
Referensi
- Zewe, A. (2025, Juli 8). Study could lead to LLMs that are better at complex reasoning. MIT News. https://news.mit.edu/2025/study-could-lead-llms-better-complex-reasoning-0708
- Nature. (2025, Januari 16). Large Language Models and Large Multimodal Models in Medical Imaging: A Primer for Physicians. Journal of Nuclear Medicine. https://jnm.snmjournals.org
- MIT Sloan. (2025, Juni 3). 3 ways businesses can use large language models. MIT Sloan. https://mitsloan.mit.edu
