Dahono-4B (v0.8 Reasoning RL & Vision-Ready Foundation Edition)

Dahono-4B adalah model kecerdasan buatan berdaulat (sovereign legal AI) yang dikembangkan secara khusus untuk domain hukum, kepatuhan regulasi, dan analisis instrumen yuridis Republik Indonesia. Model ini dibangun di atas arsitektur mutakhir Qwen/Qwen3.5-4B-Base, didukung fondasi visual terintegrasi (Vision-Ready untuk inspeksi akta perjanjian, tanda tangan, dan bea meterai UU No. 10/2020), serta dioptimalkan melalui pelatihan Reasoning Reinforcement Learning via Group Relative Policy Optimization (GRPO) dengan 4 fungsi reward yuridis terkalibrasi.

• Publikasi Ilmiah Resmi (Zenodo DOI): 10.5281/zenodo.22758561
• Monograf Riset Teknis Resmi (Technical Monograph - 22 Halaman): research/Dahono_4B_Technical_Report.pdf (PDF)
• Harness Evaluasi Terbuka (LegalBench-ID): eval_legalbench_id.py
• Repositori Resmi: https://huggingface.co/DahonoLabs/Dahono-4B
• Web Demo Interaktif: https://huggingface.co/spaces/DahonoLabs/Dahono-4B-Demo
• Dataset Penalaran Hukum (5.000 Sampel: 4.500 Train / 500 Test): https://huggingface.co/datasets/DahonoLabs/Indonesian-Legal-Reasoning-QA
• Dataset Glosarium Hukum (1.771 Istilah): https://huggingface.co/datasets/DahonoLabs/Indonesian-Legal-Glossary
• Dataset Vision Dokumen Hukum (1.000 Sampel: 800 Train / 200 Test): https://huggingface.co/datasets/DahonoLabs/Indonesian-Legal-Vision
• Platform Applied Legal AI: https://labs.dahono.com
• Portal Korporat: https://dahono.com

---

Pembaruan Versi v0.8 (Qwen3.5-4B-Base + Multimodal Vision)

Versi v0.8 menghadirkan lompatan performa dan fungsionalitas:

1. Migrasi Fondasi ke Qwen3.5-4B-Base (+14.75% Akurasi Doktrin): Evaluasi empiris head-to-head membuktikan model dasar Qwen3.5 melompat ke akurasi doktrinal 78.12% (dibandingkan 63.38% pada Qwen3). Karakter halusinasi percaya diri yang mengarang nomor undang-undang berhasil dipangkas secara substansial.
2. Multimodal Document Vision Terintegrasi: Mampu memproses input visual (foto/scan dokumen) untuk memvalidasi syarat sah perjanjian (Pasal 1320 KUHPerdata), keabsahan tanda tangan para pihak, dan validitas bea meterai Rp 10.000 (UU No. 10 Tahun 2020).
3. Ekspansi Korpus Latih Terbuka (6.271 Sampel): Menggabungkan 4.500 sampel penalaran bertahap (CoT) dari Indonesian-Legal-Reasoning-QA dan 1.771 istilah definisi yuridis positif dari Indonesian-Legal-Glossary.
4. Kemurnian Bahasa 100% pada Blok Penalaran <think>: Mengeliminasi kebocoran bahasa Inggris (code-switching) yang sempat terjadi pada versi v0.7; seluruh alur deduksi hukum internal kini berjalan murni dalam bahasa Indonesia hukum baku.

---

Formulasi 4 Fungsi Reward Yuridis (GRPO)

Pelatihan GRPO (Group Relative Policy Optimization) mengevaluasi kandidat respons model menggunakan 4 fungsi objektif matematis:

1. Format Compliance Reward ($w = 1.0$)

Memastikan model konsisten memisahkan fase penalaran internal dengan teks putusan formal:

R_format = +1.0  jika tag <think> dan </think> lengkap dan panjang token pemikiran > 30 karakter
R_format = +0.3  jika tag lengkap namun elaborasi pemikiran sangat singkat (<= 30 karakter)
R_format = -1.0  jika tag <think> atau </think> tidak ditemukan

2. Language Purity Reward ($w = 1.0$)

Mempertahankan kemurnian bahasa Indonesia doktrinal:

R_purity = +1.0  jika rasio kata asing (bahasa Inggris) = 0.0% (di luar whitelist istilah hukum Latin/Belanda)
R_purity = +0.2  jika rasio kata asing < 3.0%
R_purity = -1.5  jika rasio kata asing >= 3.0%

Whitelist Doktrin: Pacta Sunt Servanda, Vernietigbaar, Van Rechtswege Nietig, Onrechtmatige Daad, Ingebrekestelling, Dwang, Dwaling, Bedrog, Curatele, Lex Specialis Derogat Legi Generali, Lex Superior Derogat Legi Inferiori.

3. Citation Precision Reward ($w = 1.5$)

Mengevaluasi presisi sitasi pasal perundang-undangan terhadap kunci rujukan (expected citations):

R_citation = +1.5  jika rasio kecocokan pasal >= 80%
R_citation = +0.5  jika rasio kecocokan pasal > 0% dan < 80%
R_citation = -0.5  jika tidak ada pasal relevan yang sesuai (halusinasi/meleset)

4. Reasoning Depth Reward ($w = 1.0$)

Mengukur kelengkapan komponen silogisme hukum pada blok pemikiran internal:

R_reasoning = S_fakta (0.25) + S_dasarhukum (0.25) + S_analisis (0.25) + S_konklusi (0.25)

---

Hasil Benchmark Komparatif (Base Model vs Dahono-4B v0.7 vs Dahono-4B v0.8)

Suite evaluasi standar hukum Indonesia diuji terhadap 500 sampel partisi uji terisolasi (Held-Out Test Set) dari repositori publik Indonesian-Legal-Reasoning-QA:

Metrik Evaluasi Yuridis	Base Model (Qwen3.5-4B)	Dahono-4B v0.7 (GRPO)	Dahono-4B v0.8 (GRPO + Vision-Ready)	Peningkatan vs v0.7
Composite Legal Score	74.80%	83.60%	89.40%	+5.80%
Akurasi Doktrinal & Analisis	78.12%	84.50%	89.80%	+5.30%
Presisi Sitasi Regulasi (Fuzzy / Rubric)	68.50%	89.20%	92.40%	+3.20%
Kemurnian Bahasa Indonesia	98.50%	92.10%	98.20%	+6.10%
Kepatuhan Struktur Penalaran CoT	58.00%	94.80%	97.50%	+2.70%
Inspeksi Dokumen Multimodal	85.00% (Zero-Shot)	Tidak Didukung	85.00% (Zero-Shot Baseline)	Baseline Model Dasar

Metodologi Evaluasi & Catatan Integritas Ilmiah:

• Volume & Komposisi Korpus Latih (6.271 Entri): Model v0.8 dilatih pada 4.500 sampel penalaran bertahap (Chain-of-Thought) dari DahonoLabs/Indonesian-Legal-Reasoning-QA yang diperkaya dengan 1.771 istilah leksikal dari DahonoLabs/Indonesian-Legal-Glossary (total ekspansi data latih +39.3% dibandingkan v0.7).
• Partisi Data Uji Terisolasi (Strict Held-Out Split): Evaluasi benchmark dijalankan secara ketat pada partisi test (tepat 500 sampel terverifikasi dari dataset publik DahonoLabs/Indonesian-Legal-Reasoning-QA) yang diisolasi penuh dari 4.500 sampel latih (zero data contamination).
• Klarifikasi Metrik Sintaksis vs Substantif: Pada uji kepatuhan sintaksis biner (deterministic rule-based parser check), model meraih 100.0% kelengkapan tag <think>...</think> dan 0% kebocoran token sistem asing. Namun untuk evaluasi performa menyeluruh, Dahono Labs menyajikan skor kelancaran linguistik substantif riil (98.20%) dan kepatuhan alur silogisme berantai (97.50%).
• Harmonisasi Metrik Base Model (Fuzzy vs Strict Match): Pada rujukan dasar hukum pasal, skor base model Qwen3.5-4B berada pada 68.50% bila dinilai dengan metode pemahaman substansi pasal (fuzzy semantic match). Namun apabila dinilai dengan metode strict regex string match tanpa toleransi format, presisi sitasi base model turun ke 9.00% karena kecenderungan format penulisan pasal non-standar.
• Substansi Penalaran Hukum Sebenarnya: Kualitas substantif penalaran yuridis diukur secara objektif pada 89.80% (Doctrinal Legal Reasoning) dan presisi rujukan pasal pada 92.40% (Citation Precision), menunjukkan batas kemampuan riil model dalam menganalisis kasus hukum perdata dan ketenagakerjaan.
• Inspeksi Dokumen Multimodal (Zero-Shot Baseline): Skor 85.0% adalah hasil evaluasi zero-shot dari visual encoder bawaan model dasar Qwen3.5 yang dipandu prompt yuridis Indonesia pada 100 citra dokumen kurasi internal Dahono Labs. Karena v0.8 berfokus pada fine-tuning teks doktrinal, metrik ini dicatat sebagai baseline arsitektur (Vision-Ready) dan tidak dimasukkan ke dalam model-index resmi Dahono-4B. Fine-tuning adaptif vision encoder spesifik instrumen hukum Indonesia dijadwalkan penuh pada rilis v0.9.
• Reproduksibilitas Skrip & Rubrik Terbuka: Seluruh pengujian dan formula rubrik pembobotan skor komposit dapat direproduksi secara independen menggunakan skrip terbuka eval_legalbench_id.py yang disertakan langsung di repositori ini.

Perbedaan Utama Antar Versi:

1. v0.6 (SFT Foundation): Pelatihan terarah awal (Supervised Fine-Tuning) untuk pembuatan draf hukum universal; belum memiliki pemisahan alur penalaran bertahap <think>.
2. v0.7 (Reasoning RL GRPO): Memperkenalkan penalaran otonom Chain-of-Thought (<think>) berbasis 4 fungsi reward yuridis. Namun, proses penalaran internal masih kerap alih kode (code-switching) ke bahasa Inggris dan belum mendukung masukan dokumen visual.
3. v0.8 (Qwen3.5 Base + Vision-Ready Foundation): Migrasi ke fondasi mutakhir Qwen/Qwen3.5-4B-Base, pembersihan alur <think> menjadi 100% bahasa Indonesia murni, integrasi dataset glosarium perundang-undangan (total 6.271 data), serta aktivasi fondasi penglihatan dokumen visual (Vision-Ready via Safetensors FP16) sebelum rilis bobot adaptif multimodal v0.9.

---

Berkas Model yang Tersedia di Repositori

Nama Berkas / Folder	Ukuran	Branch	Keterangan
dahono-4b-v0.8-q4_k_m.gguf	2.78 GB	main	Model kuantisasi GGUF Q4_K_M resmi v0.8 untuk Ollama & llama.cpp
model.safetensors-00001-of-00002.safetensors	5.33 GB	main	Bobot utama Merged FP16 (Shard 1) siap pakai vLLM / Transformers
model.safetensors-00002-of-00002.safetensors	3.99 GB	main	Bobot utama Merged FP16 (Shard 2) siap pakai vLLM / Transformers
lora_adapter/	~85 MB	main	Bobot LoRA adapter terlatih v0.8
eval_legalbench_id.py	~15 KB	main	Skrip evaluasi terbuka & rubrik scoring LegalBench-ID (Reproducible Benchmark)
Dahono-4B-v0.7-Q4_K_M.gguf	2.50 GB	v0.7	Arsip rilis v0.7 (Qwen3-4B + GRPO)
Dahono-4B-v0.6-Q4_K_M.gguf	2.33 GB	v0.6	Arsip rilis v0.6 (Qwen3-4B + SFT)

---

Persyaratan Sistem & Spesifikasi Perangkat Keras

Format Distribusi	Kebutuhan VRAM GPU	Kebutuhan RAM Sistem	Rekomendasi Hardware	Kecepatan Rata-rata
GGUF Q4_K_M (Kuantisasi Ringan)	3.5 GB VRAM	8 GB RAM	NVIDIA GTX 1650 / RTX 3050 / CPU x86_64	30.3 - 30.9 tokens/detik
Merged FP16 (Safetensors Penuh)	16.0 GB VRAM	32 GB RAM	NVIDIA RTX 3090 / RTX 4090 / A10 / T4 x 2	45.0 - 60.0 tokens/detik

---

Petunjuk Penggunaan

1. Menjalankan via Ollama (Model Teks Doktrinal)

Cara paling direkomendasikan untuk eksekusi penalaran teks lokal:

# Menjalankan model resmi v0.8 langsung dari Hugging Face Hub
ollama run hf.co/DahonoLabs/Dahono-4B

2. Menjalankan via Transformers (Model Teks FP16 Safetensors Penuh)

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "DahonoLabs/Dahono-4B"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.float16,
    device_map="auto"
)

prompt = "Apakah perjanjian yang dibuat di bawah ancaman kekerasan sah menurut KUHPerdata?"
messages = [{"role": "user", "content": prompt}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)

inputs = tokenizer([text], return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=2048, temperature=0.1)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

3. Pemrosesan Dokumen Visual Multimodal (Vision Pipeline)

Dahono-4B (Merged Safetensors FP16) mendukung inferensi multimodal dokumen fisik/scan (akta perjanjian, meterai, dan tanda tangan) secara langsung menggunakan AutoProcessor dan Qwen3_5ForConditionalGeneration:

from transformers import AutoProcessor, Qwen3_5ForConditionalGeneration
from PIL import Image
import torch

model_id = "DahonoLabs/Dahono-4B"
processor = AutoProcessor.from_pretrained(model_id)
model = Qwen3_5ForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=torch.float16,
    device_map="auto"
)

# Muat citra dokumen hukum (format PNG/JPG)
image = Image.open("akta_sewa_bangunan.png")

prompt = "<image>\nLakukan audit yuridis atas dokumen ini: verifikasi 4 syarat sah Pasal 1320 KUHPerdata, bea meterai UU No. 10/2020, dan legalitas tanda tangan para pihak."
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": image},
            {"type": "text", "text": prompt}
        ]
    }
]

text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = processor(text=[text], images=[image], padding=True, return_tensors="pt").to(model.device)

outputs = model.generate(**inputs, max_new_tokens=1024, temperature=0.1)
print(processor.decode(outputs[0], skip_special_tokens=True))

Catatan untuk Pengguna Ollama & llama.cpp (Roadmap mmproj): Berkas biner dahono-4b-v0.8-q4_k_m.gguf di Ollama saat ini difokuskan sebagai model penalaran teks doktrinal. Konversi proyektor visual mmproj untuk inferensi dokumen visual offline di Ollama dan llama.cpp dijadwalkan rilis bersamaan dengan checkpoint v0.9 sebagai keputusan bundling release roadmap terpadu.

4. Menjalankan via Python (llama-cpp-python)

from llama_cpp import Llama

llm = Llama.from_pretrained(
    repo_id="DahonoLabs/Dahono-4B",
    filename="dahono-4b-v0.8-q4_k_m.gguf",
    n_ctx=8192,
    n_gpu_layers=-1,
    verbose=False
)

prompt = "Jelaskan perbedaan mendasar antara Wanprestasi (Pasal 1243 KUHPerdata) dan Perbuatan Melawan Hukum (Pasal 1365 KUHPerdata)!"
formatted_input = f"<|im_start|>user\n{prompt}<|im_end|>\n<|im_start|>assistant\n"

output = llm(
    formatted_input,
    max_tokens=2048,
    temperature=0.1,
    top_p=0.85,
    repeat_penalty=1.15,
    stop=["<|im_end|>", "<|im_start|>"]
)
print(output["choices"][0]["text"])

---

Integrasi RAG Regulasi Nasional (227.000+ Chunks)

Dahono-4B dirancang bekerja sinergis dengan sistem Retrieval-Augmented Generation (RAG) regulasi perundang-undangan Dahono Labs:

import requests

RAG_ENDPOINT = "https://gateway.dahono.com/v1/rag/search"

pertanyaan = "Apakah pekerja kontrak PKWT boleh disyaratkan masa percobaan kerja?"
payload = {
    "query": pertanyaan,
    "limit": 2
}

headers = {
    "Content-Type": "application/json",
    "Referer": "https://huggingface.co/DahonoLabs/Dahono-4B"
}
response = requests.post(RAG_ENDPOINT, json=payload, headers=headers)
rag_data = response.json()

konteks_pasal = ""
for reg in rag_data.get("results", []):
    judul = reg.get("judul") or reg.get("slug")
    for chunk in reg.get("matchingChunks", []):
        pasal = chunk.get("pasalNumber") or "Pasal Terkait"
        teks = chunk.get("text", "").strip()
        konteks_pasal += f"[{judul} - {pasal}]\n{teks}\n\n"

prompt = f"""<|im_start|>user
Konteks Regulasi:
{konteks_pasal}

Pertanyaan:
{pertanyaan}<|im_end|>
<|im_start|>assistant
"""
print(prompt)

Proteksi Akses API & Catatan Keamanan Endpoint

• Web Demo Publik: Endpoint demonstrasi publik pada antarmuka web Hugging Face Space menggunakan validasi header Referer sebagai proteksi dasar anti-hotlinking agar publik dapat menguji model secara langsung tanpa hambatan registrasi.
• Integrasi Produksi & Skala Enterprise: Untuk otomasi sistem, integrasi backend korporat, dan penggunaan throughput tinggi, autentikasi wajib menggunakan Dahono Bearer API Key resmi (Authorization: Bearer <DAHONO_API_KEY>) yang dilindungi Cloudflare WAF dan rate limiting per tenant.
• Buat Akun & Dapatkan API Key Resmi: https://labs.dahono.com
• Layanan Korporat & Enterprise: https://dahono.com

---

Batasan Penggunaan, Etika, & Mitigasi Risiko

Batasan Penggunaan yang Ditujukan (Intended Use)

• Akselerasi penelitian dan telaah dokumen hukum positif Republik Indonesia.
• Pemeriksaan awal klausul kepatuhan regulasi (regulatory compliance pre-check).
• Bantuan perumusan draf awal instrumen hukum (surat somasi, perjanjian kerja sama, korespondensi formal advokat).
• Alat bantu pembelajaran hukum (educational tool) bagi akademisi dan praktisi.

Penggunaan di Luar Cakupan (Out-of-Scope & Prohibited Use)

• Dilarang digunakan sebagai pengganti representasi advokat atau konsultan hukum berizin di pengadilan.
• Dilarang digunakan untuk memproduksi dokumen peradilan palsu atau rekayasa alat bukti.
• Dilarang mengambil keputusan peradilan berdampak tinggi (high-stakes judicial decisions) secara otomatis tanpa verifikasi langsung oleh praktisi hukum (Human-in-the-Loop).

---

Visi, Misi, dan Profil Pengembang

Tentang Dahono Labs

Dahono Labs (https://labs.dahono.com) merupakan inisiatif riset dan platform Applied Legal AI yang dikembangkan oleh PT Dahono Consulting Agency (https://dahono.com), beroperasi di Surabaya dan Jakarta, Indonesia. Dahono Labs berfokus pada pengembangan kecerdasan buatan terapan untuk memfasilitasi kepatuhan hukum (regulatory compliance), audit risiko klausul kontrak, dan otomatisasi tata kelola organisasi.

Inisiatif ini didirikan dan dipimpin oleh Armiko Dahono (Founder & Head of AI) bersama tim pengembang Dahono Labs di bawah naungan PT Dahono Consulting Agency. Menggabungkan latar belakang pendidikan ilmu hukum dari Universitas Negeri Surabaya (UNESA) serta keahlian profesional dalam hukum positif Indonesia, kepatuhan regulasi korporat, pelindungan data pribadi (UU No. 27/2022), keamanan informasi, dan tata kelola AI (AI Governance).

Visi Utama

"Intelijen Hukum Indonesia yang Dapat Diakses Semua Orang."

Misi Fundamental

1. Demokratisasi Akses Kepatuhan Hukum: Membuka akses bagi pelaku usaha mikro, kecil, dan menengah (UMKM), startup, kreator digital, dan profesional agar dapat memahami hak, kewajiban, dan mitigasi risiko kontrak secara mandiri.
2. Kemandirian Infrastruktur AI Indonesia: Membangun ekosistem model AI berbahasa Indonesia dengan spesialisasi yuridis yang akurat dan berakar pada sistem hukum nasional.
3. Integritas dan Etika AI Yuridis: Mengedepankan ketepatan dasar hukum berbasis data perundang-undangan resmi, objektivitas penalaran, dan pelindungan privasi data pengguna.

---

Pernyataan Lisensi & Atribusi (Notice)

Dahono-4B didistribusikan di bawah lisensi Apache License 2.0.

Model ini dibangun melalui adaptasi dan fine-tuning terhadap model dasar Qwen3.5-4B-Base yang dikembangkan oleh tim Alibaba Cloud / Qwen. Penggunaan model ini tunduk pada ketentuan lisensi Apache 2.0:

• Lisensi Apache 2.0: https://www.apache.org/licenses/LICENSE-2.0
• Model Dasar Qwen: https://github.com/QwenLM/Qwen

---

Disclaimer Yuridis

Dahono-4B dikembangkan sebagai instrumen akselerasi riset hukum, edukasi regulasi, analisis kepatuhan awal, dan penyusunan draf yuridis. Seluruh keluaran model bersifat informatif dan bukan merupakan nasihat hukum formal (formal legal advice), serta tidak menggantikan representasi advokat atau konsultan hukum berizin.

---

Sitasi Ilmiah Resmi (Citation)

Silakan mengutip model fondasi dan monograf riset teknis Dahono-4B menggunakan format sitasi resmi:

@article{dahono2026dahono4b,
  title        = {Dahono-4B: A Sovereign Foundation Model for Indonesian Legal Reasoning, Statutory Hierarchy Alignment, and Multimodal Document Intelligence},
  author       = {Dahono, Armiko},
  year         = {2026},
  month        = {September},
  journal      = {Zenodo},
  doi          = {10.5281/zenodo.22758561},
  url          = {https://doi.org/10.5281/zenodo.22758561}
}

• Kontak Surel: contact@dahono.com
• Portal Web: https://dahono.com | https://labs.dahono.com