Cara kerja model bahasa besar seperti Grok

Grok adalah model bahasa besar (large language model atau LLM): program yang dilatih dengan teks dalam jumlah masif untuk melanjutkan teks secara bermakna. Anda tidak perlu paham matematika rumit untuk mengerti cara kerjanya, dan memahami konsep dasarnya akan sangat berguna. Hal ini menjelaskan mengapa Grok sangat piawai menulis ulang paragraf, mengapa ia kadang menyebut tanggal yang salah dengan sangat percaya diri, mengapa ia tidak tahu berita minggu lalu di chat kami, dan mengapa prompt yang lebih jelas menghasilkan jawaban yang lebih baik.

Satu ide utama: memprediksi kelanjutan teks

Pada dasarnya, LLM hanya melakukan satu hal: berdasarkan teks yang ada, ia memperkirakan potongan teks mana yang paling mungkin muncul berikutnya, menambahkannya, lalu mengulangi proses itu. Pertanyaan Anda, pesan-pesan sebelumnya, dan instruksi dari situs ke model semuanya menjadi bagian dari teks awal tersebut. Jawaban yang Anda baca dibangun dari ribuan prediksi kecil yang beruntun, di mana setiap prediksi didasarkan pada seluruh teks yang telah ditulis sebelumnya.

Kelihatannya terlalu sederhana untuk bisa menjelaskan aturan pajak atau menulis kode fungsi yang berfungsi. Kunci keberhasilannya terletak pada skala. Agar bisa memprediksi teks dengan akurat di antara miliaran contoh, model harus menyerap banyak hal tentang tata bahasa, fakta, pola penalaran, gaya bahasa, dan cara manusia menjelaskan sesuatu. Tugas intinya hanyalah prediksi; pemahaman bahasa dan pengetahuan dunia yang luas adalah efek sampingnya.

Ada sedikit variasi acak yang disengaja pada setiap pemilihan kata. Itulah mengapa pertanyaan yang sama bisa menghasilkan susunan kata yang berbeda setiap kali Anda membuat ulang respons.

Token: potongan data yang diproses model

Model tidak membaca huruf per huruf atau kata utuh. Model memproses token: potongan teks yang sering kali berupa satu kata pendek, bagian dari kata panjang, spasi beserta kata, atau tanda baca. Kata-kata umum dalam bahasa Inggris biasanya berupa satu token, sedangkan kata langka dan banyak aksara non-Latin dipecah menjadi beberapa token.

Token berpengaruh pada Anda dalam dua hal. Batasan seberapa banyak teks yang bisa dibaca dan ditulis oleh model diukur dalam token, bukan kata. Dan karena model membaca potongan kata dan bukan huruf individual, tugas seperti menghitung jumlah huruf dalam kata atau membalik susunan karakter bisa membuatnya keliru, meski ia mampu mengerjakan tugas bahasa yang jauh lebih sulit dengan mudah.

Model Grok di chat kami juga mendukung input gambar. Gambar diubah ke format yang bisa diproses bersamaan dengan teks Anda, sehingga ia bisa membaca grafik atau mendeskripsikan foto. Jawabannya tetap diberikan dalam bentuk teks.

Pelatihan: dari teks mentah menjadi asisten yang bermanfaat

Pengembangan model seperti Grok dilakukan melalui beberapa tahap. Detail proses di setiap perusahaan umumnya bersifat rahasia, tetapi alur umumnya sudah banyak diketahui.

1. Pre-training. Model belajar memprediksi teks dari kumpulan data raksasa berisi buku, situs web, kode program, dan materi lainnya. Dari sinilah pengetahuan umum dan kemampuan bahasanya terbentuk.
2. Fine-tuning. Model kemudian dilatih menggunakan contoh percakapan berkualitas: pertanyaan yang dipasangkan dengan jawaban yang bermanfaat dan terstruktur rapi. Langkah ini mengubah mesin pemprediksi teks menjadi asisten yang patuh pada instruksi.
3. Feedback. Manusia dan sistem otomatis menilai jawaban yang dihasilkan, lalu model disesuaikan agar lebih mengutamakan jawaban dengan skor tinggi—seperti jawaban yang akurat, jelas, dan aman.

Hasil akhirnya adalah file berukuran besar berisi angka-angka yang disebut bobot (weights), yang merekam semua hal yang dipelajari model. Model tidak menyimpan salinan teks pelatihannya untuk dicari kembali layaknya arsip. Ia hanya mengingat pola, itulah mengapa ia bisa menjelaskan suatu konsep dengan kata-kata baru, tetapi kadang salah mengingat detail spesifik.

Batas pengetahuan dan ketiadaan internet

Proses pelatihan berhenti pada titik waktu tertentu, dan segala peristiwa setelahnya tidak diketahui oleh model. Titik tersebut adalah batas pengetahuan (knowledge cut-off). Beberapa versi Grok bisa menjelajah web: versi resmi Grok di grok.com dan X memiliki fitur live search. Chat kami tidak memilikinya, sehingga Grok di sini hanya menjawab berdasarkan hasil pelatihannya dan apa yang Anda berikan dalam percakapan.

Praktiknya: untuk berita, harga terkini, skor pertandingan, jadwal, peraturan baru, dan versi software terbaru, gunakan sumber terkini. Jika Anda menempelkan artikel terbaru ke dalam chat, Grok bisa memprosesnya karena informasi tersebut kini menjadi bagian dari percakapan.

Jendela konteks: memori kerja model

Jendela konteks (context window) adalah batasan jumlah teks yang bisa dipertimbangkan model sekaligus, termasuk pesan Anda, jawabannya, dan instruksi sistem. Model Grok dari xAI memiliki jendela konteks yang sangat besar; OpenRouter mencatat 2 juta token untuk Grok 4.20, 1 juta untuk Grok 4.3, dan 500.000 untuk Grok 4.7. Chat kami mengirimkan porsi yang jauh lebih kecil demi menjaga kecepatan jawaban dan memastikan layanan tetap gratis, dengan memotong pesan-pesan terlama dalam percakapan panjang.

Dampaknya ada dua. Dalam satu percakapan, Grok hanya "mengingat" apa yang masih muat dalam jendela konteks. Dan antarsesi percakapan, ia tidak mengingat apa pun sama sekali: chat baru dimulai dari nol, meski riwayat chat lama Anda tetap tersimpan di browser agar bisa dibuka kembali. Jika percakapan panjang mulai melantur, mintalah rangkuman lalu buat chat baru dengan rangkuman tersebut.

Penalaran: model yang berpikir sebelum menjawab

Beberapa model dilatih untuk menuliskan proses berpikir sebelum memberikan jawaban akhir: memetakan kondisi, mencoba suatu pendekatan, lalu memverifikasinya. Ini disebut penalaran (reasoning), dan sangat membantu untuk matematika, logika, perencanaan, serta debugging kode. Di chat kami, Grok 4.3 Thinking dan Grok 4.7 melakukan penalaran sebelum menjawab, sementara Grok 4.20 beroperasi tanpa fitur penalaran demi kecepatan. Panduan kami tentang reasoning models mengulas kapan waktu yang tepat untuk menggunakannya.

Mengapa AI mengarang informasi

Karena model selalu berusaha menghasilkan kelanjutan teks yang terdengar meyakinkan, ia tidak otomatis berhenti ketika mencapai batas pengetahuannya. Saat ditanya sumber referensi yang belum pernah ia lihat, ia bisa mengarang judul yang tampak nyata. Saat ditanya tentang kota kecil, ia mungkin mencampuradukkan detail dari kota lain yang serupa. Ini biasa disebut halusinasi, dan merupakan efek samping dari mekanisme yang sama yang membuatnya mahir berbahasa. Pelatihan tambahan bisa menguranginya, dan instruksi seperti "katakan jika ragu" cukup membantu, tetapi belum ada model saat ini yang benar-benar bebas dari masalah tersebut. Panduan kami tentang memeriksa jawaban AI menunjukkan hal-hal yang perlu diwaspadai.

Dampaknya bagi prompt Anda

Setiap konsep di atas bisa diterapkan secara praktis. Model memprediksi dari teks yang ia lihat, jadi berikan materinya langsung. Ia memiliki batas pengetahuan, jadi tempelkan fakta terkini sendiri. Ia bisa menebak-nebak, jadi minta ia menyatakan keraguan secara terbuka.

Kurang efektif:
Apa saja aturan untuk visa saya?

Efektif:
Berikut adalah teks dari situs resmi mengenai jenis visa saya, disalin
hari ini. Jelaskan dengan bahasa sederhana apa yang harus saya lakukan
sebelum visa saya kedaluwarsa dan sebutkan tenggat waktu yang tercantum.
Gunakan hanya teks ini, dan beri tahu saya jika ada hal yang kurang jelas.
---
[teks yang ditempel]

Prompt yang kurang efektif memaksa Grok mengingat aturan yang mungkin sudah berubah. Prompt yang efektif menyodorkan sumber terkini dan memintanya melakukan keunggulan utama LLM: membaca, menjelaskan, dan merapikan informasi. Coba gunakan fitur summarizer untuk tugas semacam ini, atau minta Grok menjelaskan dirinya sendiri dengan bahasa sederhana.

FAQ

Apakah Grok memahami apa yang dikatakannya?

Hal ini masih menjadi perdebatan. Yang jelas, ia mampu menjelaskan, merangkum, dan menalar dengan cara yang sering kali sangat berguna, tetapi ia juga bisa salah tanpa menyadarinya. Nilai kemampuannya dari kualitas output yang dihasilkan, bukan dari seberapa percaya diri nada bicaranya.

Apakah Grok belajar dari chat saya secara langsung saat ini?

Model tidak mengalami perubahan saat Anda berbicara dengannya; bobotnya sudah terkunci setelah masa pelatihan selesai. Di dalam satu chat ia menggunakan pesan Anda sebagai konteks, dan chat baru akan dimulai tanpa konteks tersebut.

Mengapa model AI yang berbeda memberikan jawaban yang berbeda?

Model-model tersebut dilatih dengan data yang berbeda, metode yang berbeda, dan tujuan yang berbeda pula. Halaman perbandingan Grok dengan model lain serta ulasan apa itu Grok kami membahas peran keluarga model Grok lebih dalam.

Siapa yang membuat Grok?

Grok dibuat oleh xAI, yang diakuisisi oleh SpaceX pada Februari 2026. Situs kami bersifat independen dan menggunakan model Grok melalui API cloud; kami tidak berafiliasi dengan xAI, SpaceX, atau X. Halaman sejarah Grok memuat lini masa lengkapnya.