Viral nusantara di kalangan pengembang AI hari ini diisi langkah DeepSeek yang membuka kode DeepInfer, mesin inferensi yang dipakai perusahaan itu untuk menjalankan modelnya di layanan produksi. Kode dirilis di GitHub dengan lisensi Apache 2.0 pada 20 Oktober 2026, sehari setelah pemerintah Amerika Serikat memerintahkan agensi sipil federal menghapus produk DeepSeek dari sistem mereka.
Apa Itu DeepInfer dan Kenapa Dibuka
DeepInfer adalah kerangka inferensi berperforma tinggi yang menurut halaman resminya menjalankan layanan skala besar DeepSeek. Rilis terbuka ini menyediakan inferensi offline dengan fitur inti yang dibutuhkan untuk melayani banyak permintaan sekaligus. Untuk tahap pertama, dukungan model masih terbatas pada DeepSeek-V4.1-Flash.
DeepSeek menyebut tujuannya sederhana, yaitu membuat AI lebih terjangkau. Dengan membuka mesin yang mereka pakai sendiri, perusahaan memberi peluang kepada pihak lain untuk menjalankan model yang sama di infrastruktur masing masing tanpa harus menebak konfigurasi optimalnya. Langkah ini mirip dengan strategi open source yang sudah dipakai perusahaan teknologi lain untuk mempercepat adopsi.
The Next Web melaporkan rilis ini diumumkan lewat akun resmi DeepSeek di X pada Selasa. Dalam beberapa jam, repositori itu mengumpulkan lebih dari 8.000 bintang di GitHub. Angka itu bukan ukuran kualitas teknis, tetapi menunjukkan minat besar komunitas pengembang terhadap mesin inferensi buatan lab Tiongkok tersebut.
Iklan
Campus Commercial Park: rukost di kawasan kampus
C.CO Park menghadirkan kawasan ruko dan kost dalam satu gerbang, dirancang untuk mahasiswa dan penghuni sekitar kampus. Cocok untuk yang mencari aset produktif dengan pengelolaan kawasan yang tertata.
Fitur Teknis yang Dibawa DeepInfer
Halaman GitHub menyebut sejumlah komponen yang biasanya menjadi rahasia dapur sebuah layanan AI. Ada kernel optimasi seperti FlashMLA, DeepGEMM, DeepEP, TileKernels, dan DeepSelect, ditambah kernel TileLang buatan sendiri. Kernel semacam ini menentukan seberapa efisien operasi matematis berjalan di atas perangkat keras.
Untuk pembagian kerja, DeepInfer mendukung Attention DP, MoE EP dengan EPLB, serta penjadwalan asinkron yang disebut tanpa overhead batch. Ada juga verifikasi bertahap, replay terbatas untuk jendela atensi, inferensi yang konsisten antar batch, dan pengambilan sampel deterministik. Fitur terakhir penting bagi perusahaan yang butuh keluaran sama untuk masukan sama.
Dukungan keluaran terstruktur juga masuk dalam rilis ini. Artinya, model bisa dipaksa mengikuti format tertentu, misalnya JSON, sehingga hasilnya lebih mudah dipakai sistem lain. Bagi tim yang membangun aplikasi di atas model, kepastian format sering lebih penting daripada kenaikan skor tolok ukur.
Viral Nusantara: Mesin Inferensi dan Biaya Layanan
Inferensi adalah tahap saat model benar benar menjawab permintaan pengguna, dan di situlah sebagian besar biaya operasional AI keluar. Model yang cerdas tetapi boros komputasi bisa menjadi mahal dipakai sehari hari. Karena itu, mesin inferensi yang efisien punya dampak langsung pada harga layanan.
Dengan membuka DeepInfer, DeepSeek memindahkan persaingan dari sekadar kecerdasan model ke efisiensi mesin. Penyedia layanan di negara lain bisa memakai kode yang sama, menjalankan model di pusat data sendiri, lalu menawarkan harga lebih rendah. Bagi pengguna akhir, ini berarti pilihan layanan bertambah dan tekanan harga meningkat.
Namun efisiensi tidak otomatis berarti murah. Biaya perangkat keras, listrik, dan pendinginan tetap berbeda di setiap negara. Di Indonesia, harga listrik industri dan ketersediaan pusat data ikut menentukan apakah keuntungan teknis ini bisa diterjemahkan menjadi tarif layanan yang lebih rendah.
Apa yang Belum Ada di Rilis Pertama
The Next Web mencatat rilis ini belum menjadi layanan lengkap. DeepInfer belum menyertakan sistem cache, pemisahan antara pemrosesan prompt dan pembuatan jawaban, serta penyeimbangan beban antar mesin. Semua itu masih harus dibangun sendiri oleh pihak yang ingin memakainya untuk produksi penuh.
Dukungan model juga baru satu, yaitu DeepSeek-V4.1-Flash. Tim yang memakai model lain belum bisa langsung mengambil manfaat. DeepSeek menyertakan deepseek-recipe, yang menurut laporan itu menyamakan cara API resmi mereka mengubah teks menjadi token dan sebaliknya, agar hasil lokal mendekati hasil layanan resmi.
Keterbatasan ini penting disebut agar tidak menimbulkan kesan berlebihan. Membuka kode mesin inferensi bukan sama dengan membuka seluruh layanan. Pekerjaan integrasi, pemantauan, dan penanganan gangguan tetap menjadi tanggung jawab pihak yang memasangnya.
