Ministral-8B-DFK-CPT

Model Details

Model Description

Ministral-8B-DFK-CPT adalah model bahasa Indonesia yang dirancang untuk Continued Pre-Training (CPT) pada domain spesifik DFK (Disinformasi, Fitnah, Kebencian) dan Pengetahuan Umum. Model ini dibangun di atas arsitektur Ministral-3-8B-Base-2512 menggunakan framework Unsloth untuk pelatihan yang lebih cepat dan efisien dengan pendekatan LoRA (Low-Rank Adaptation).

  • Developed by: aitf-komdigi
  • Model type: Causal Language Model
  • Base architecture: Ministral-3-8B-Base-2512
  • Primary language: Indonesian (id)
  • License: Apache-2.0

Training Data Composition

Dataset yang digunakan merupakan gabungan dari data spesifik DFK dan data umum (General) dalam bahasa Indonesia dengan target komposisi 80% Domain DFK dan 20% General. Berikut adalah rincian komposisi berdasarkan persentase realita dan jumlah token yang terkumpul:

Komponen Persentase Realita Token Terkumpul Ministral 3
Berita (DFK, Formal) 44% ~100.793 juta
Berita (DFK, Nonformal) 19% ~43.421 juta
Berita (DFK, Formal) 6% ~13.798 juta
Wikipedia (General, Formal) 13% ~30.166 juta
Wikipedia (DFK, Formal) 10% ~22.920 juta
Jurnal (General, Formal) 7% ~16.309 juta

Intended Use

Direct Use (Recommended)

Model ini ditujukan untuk Continued Pre-Training, khususnya untuk:

  • Adaptasi domain identifikasi konten Disinformasi, Fitnah, dan Kebencian di ruang digital Indonesia.
  • Pengayaan pengetahuan konteks sosiopolitik lokal.
  • Pre-adaptation sebelum dilanjutkan ke tahap Instruction Tuning atau DPO/RLHF.

Out-of-Scope Use

  • Chat-oriented instruction following tanpa fine-tuning lanjutan (ini adalah model base/CPT).

How to Get Started

Load the model using HuggingFace Transformers atau Unsloth:

from unsloth import FastLanguageModel
import torch

model_id = "aitf-komdigi/KomdigiITS-8B-DFK-CPT"

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name=model_id,
    max_seq_length=2048,
    dtype=torch.bfloat16,
    load_in_4bit=True,
)

input_text = "Disinformasi di Indonesia terutama menyebar lewat"
inputs = tokenizer(input_text, return_tensors="pt").to("cuda")

with torch.no_grad():
    outputs = model.generate(**inputs, max_new_tokens=50, temperature=0.7)
    print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Training Details

Training Procedure

Model dilatih menggunakan Continued Pre-Training (CPT) dengan library Unsloth.

Hyperparameters

  • Precision: bf16 (mixed precision)
  • Quantization: 4-bit (via Unsloth)
  • Max Sequence Length: 2048
  • LoRA Rank (r): 16
  • LoRA Alpha: 32
  • Target modules: q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj
  • Batch size: 16 / device
  • Gradient accumulation: 4 (effective batch size = 64)
  • Learning rate: 5e-5 (cosine schedule)
  • Warmup steps: 100
  • Epochs: 1
  • Optimizer: adamw_8bit

Evaluation

Results

Berdasarkan evaluasi sebelum (baseline) dan sesudah pelatihan:

  • Baseline Self-PPL (Pure DFK Test Sample): 7.7082
  • Final Self-PPL (Pure DFK Test Sample): 5.8837
  • Self Improvement: +23.67% (Model jauh lebih baik mengenali teks berdomain DFK)
  • Wiki-ID PPL Degradation: -0.30% (Catastrophic forgetting sangat minimal terhadap bahasa umum)

Tech Stack & Hardware

  • Framework: PyTorch, Unsloth, Hugging Face Transformers, TRL
  • Monitoring: Weights & Biases (WandB)
  • Hardware: NVIDIA RTX PRO 6000 Blackwell Server Edition
Downloads last month
181
Safetensors
Model size
9B params
Tensor type
BF16
·
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for aitf-komdigi/KomdigiITS-8B-DFK-CPT

Adapter
(3)
this model
Adapters
4 models
Finetunes
11 models