---
title: "Meta Muse Glimmer: Inti Model AI Lokal 30 Miliar Parameter untuk Laptop"
locale: id
category: ai_data
category_name: "Data AI"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/meta-muse-glimmer-local-ai-agent-model
published_at: 2026-08-12T14:00:06+09:00
---

# Meta Muse Glimmer: Inti Model AI Lokal 30 Miliar Parameter untuk Laptop

> Muse Glimmer diperkenalkan sebagai model multimodal yang dikuantisasi agar sekitar 30 miliar parameternya dapat dijalankan pada perangkat keras konsumen serta ditujukan sebagai agen AI lokal yang menggunakan alat dalam waktu lama. Namun, angka memori, kecepatan, dan tolok ukur yang dikutip dalam materi yang diberikan merupakan hasil pengukuran Meta sendiri, sehingga perlu diverifikasi melalui kartu model resmi dan evaluasi independen.

## Key Points

- Muse Glimmer bertujuan menjadi agen AI yang berjalan lama dan menangani berkas, layar, serta alat, bukan sekadar chatbot lokal.
- Menurut materi yang diberikan, versi kuantisasi 4-bit dirancang untuk menjalankan seluruh sistem dalam lingkungan memori sekitar 24 GB atau 32 GB.
- Speculative Decoding yang menggunakan DFlash drafter memproses beberapa token kandidat sekaligus setelah diverifikasi oleh model utama.
- Pemrosesan lokal dapat mengurangi pengiriman data ke luar, tetapi tidak menghilangkan risiko injeksi prompt, hak akses sistem yang berlebihan, maupun kerusakan berkas.
- Kinerja dan lisensi harus dinilai setelah memeriksa kartu model di repositori resmi, berkas lisensi yang sebenarnya, serta hasil pengukuran independen untuk setiap perangkat keras.

Meta Muse Glimmer diperkenalkan sebagai model dengan sekitar 30 miliar parameter yang dirancang untuk dijalankan pada PC pribadi atau laptop berkinerja tinggi serta digunakan untuk mengimplementasikan agen AI lokal yang beroperasi dalam waktu lama. Sasaran utamanya bukan hanya menghasilkan teks, tetapi juga memahami gambar dan layar serta menggunakan alat seperti file, fungsi, dan terminal melalui beberapa tahap.

Spesifikasi produk dan angka benchmark dalam tulisan ini disusun berdasarkan pengumuman Meta yang dikutip dalam materi yang tersedia. Karena URL langsung artikel asli dan kartu model resmi tidak disediakan, angka-angka tersebut tidak boleh ditafsirkan sebagai hasil yang telah diverifikasi secara independen.

## Spesifikasi utama Muse Glimmer

Berikut adalah spesifikasi utama yang dijelaskan dalam materi yang tersedia.

| Item | Informasi yang diperkenalkan | Hal yang perlu diperhatikan saat menafsirkan |
|---|---|---|
| Skala model | Sekitar 30 miliar parameter | Parameter aktif aktual dan arsitektur terperinci perlu diperiksa pada kartu model |
| Format input | Teks dan gambar | Resolusi gambar yang didukung, jumlah frame, dan biaya token visi perlu diperiksa secara terpisah |
| Konteks | Maksimum setidaknya 131,072 token | Akurasi dan penggunaan memori pada panjang maksimum dapat berbeda dari input pendek |
| Bahasa | Setidaknya 100 bahasa | Tidak berarti kualitasnya sama untuk setiap bahasa |
| Versi presisi rendah | K-Quant-17GB, K-Quant-Dynamic | Kapasitas yang tercantum dalam nama harus dibedakan dari total memori saat dijalankan |
| Kegunaan utama | Coding, otomatisasi desktop, pemanggilan fungsi, analisis dokumen, evaluasi | Fungsi aktual bergantung pada runtime yang terhubung dan kebijakan izin |
| Metode akselerasi | Speculative Decoding menggunakan DFlash drafter | Tingkat akselerasi berbeda-beda menurut perangkat keras dan panjang input |
| Bentuk publikasi | BF16, kuantisasi 4-bit, model drafter | File yang disediakan dan runtime yang didukung perlu diperiksa di repositori |
| Lisensi | Diperkenalkan menggunakan Apache License 2.0 | LICENSE aktual dan ketentuan penggunaan tambahan di repositori model perlu diperiksa |

## Cara 30 miliar parameter bekerja dalam 24GB

### Perhitungan sederhana memori bobot

Jika hanya mempertimbangkan bobot model, ruang penyimpanan yang diperlukan dapat dihitung kurang lebih sebagai berikut.

- BF16 atau FP16: 30 miliar × 2 byte = sekitar 60GB
- 8-bit: 30 miliar × 1 byte = sekitar 30GB
- 4-bit: 30 miliar × 0.5 byte = sekitar 15GB

Pada bobot 4-bit terdapat tambahan skala kuantisasi, metadata, penyelarasan, dan overhead runtime. Karena itu, paket bobot kelas sekitar 17GB yang disebutkan dalam materi yang tersedia dapat lebih besar daripada angka teoretis 15GB.

### Memori yang diperlukan selain bobot

Adanya file model berukuran 17GB tidak berarti model dapat langsung dijalankan pada perangkat dengan memori 17GB. Dalam inferensi aktual, komponen berikut juga menggunakan ruang tambahan.

- Cache KV yang menyimpan riwayat input dan output
- Encoder visi yang memproses input gambar
- Nilai aktivasi perantara dan ruang kerja runtime
- Model tambahan seperti DFlash drafter
- Penggunaan oleh sistem operasi, desktop, dan aplikasi lain
- Buffer serta ruang penyalinan antara GPU dan memori sistem

Materi yang tersedia menjelaskan K-Quant-17GB sebagai versi yang disesuaikan untuk lingkungan sekitar 24GB dan K-Quant-Dynamic untuk lingkungan sekitar 32GB. Namun, perlu memeriksa petunjuk eksekusi aktual untuk mengetahui apakah memori yang dimaksud adalah VRAM khusus, memori terpadu seperti Apple Silicon, atau konfigurasi yang juga menggunakan sebagian RAM sistem.

Semakin panjang konteks, semakin besar pula cache KV. Karena itu, spesifikasi yang menyatakan dukungan 131,072 token saja tidak cukup untuk menyimpulkan bahwa panjang maksimum selalu dapat digunakan dalam lingkungan 24GB.

## Alasan dirancang sebagai agen AI lokal

Agen yang dituju Muse Glimmer berbeda dari chatbot yang hanya menjawab satu pertanyaan lalu selesai. Alur kerja umumnya adalah sebagai berikut.

1. Menafsirkan tujuan dan batasan pengguna.
2. Merencanakan subtugas yang diperlukan untuk menyelesaikannya.
3. Memanggil pencarian file, fungsi, terminal, atau alat browser.
4. Membaca hasil eksekusi dan pesan kesalahan.
5. Memperbaiki rencana atau kode.
6. Menjalankan kembali alat pengujian atau verifikasi.
7. Mengulangi proses hingga memenuhi kriteria penyelesaian.

Sebagai contoh, dalam tugas memperbaiki kesalahan proyek, analisis kode sumber, eksekusi perintah, pembacaan log, perubahan kode, pengujian, dan perbaikan ulang berlangsung secara berurutan. Karena inferensi model berulang pada setiap tahap, bukan hanya kecepatan respons yang penting, tetapi juga ketepatan pemanggilan alat, kemampuan memulihkan kegagalan, dan pemeliharaan status.

## Metode pelatihan dan kemampuan agen

Menurut materi yang tersedia, Muse Glimmer menjalani prapelatihan menggunakan metode distilasi yang memanfaatkan hasil dari model pengajar yang lebih besar, Muse Spark. Setelah itu, data untuk konteks panjang dan tugas agen ditambahkan, sedangkan pascapelatihan disebut menggunakan pembelajaran terawasi, distilasi on-policy, dan pembelajaran penguatan.

Peran umum setiap metode dapat dipahami sebagai berikut.

- **Distilasi:** Melatih model yang lebih kecil agar meniru output atau perilaku model pengajar yang lebih besar.
- **Pembelajaran terawasi:** Menyediakan respons, pemanggilan fungsi, atau proses kerja yang diinginkan sebagai contoh jawaban benar.
- **Pembelajaran on-policy:** Memperbaiki kesalahan berdasarkan lintasan perilaku yang benar-benar dihasilkan oleh model saat ini.
- **Pembelajaran penguatan:** Mengoptimalkan imbalan seperti keberhasilan tugas, penggunaan alat yang tepat, dan kepatuhan terhadap aturan keselamatan.

Prosedur pelatihan tersebut tidak otomatis menjamin tingkat keberhasilan agen. Cakupan data pelatihan, lingkungan evaluasi, definisi alat, dan sandbox eksekusi sangat memengaruhi hasil.

## Fungsi multimodal dan bidang penggunaan

Muse Glimmer diperkenalkan sebagai model multimodal yang memahami input gambar selain teks. Input dan contoh penggunaan yang dapat diperkirakan adalah sebagai berikut.

| Input visual | Contoh tugas yang memungkinkan |
|---|---|
| Tangkapan layar PC | Menafsirkan pesan kesalahan atau status UI |
| Gambar dokumen | Mengekstrak dan merangkum isi tabel, paragraf, dan formulir |
| Grafik dan bagan | Membaca serta menjelaskan sumbu, legenda, dan tren |
| Layar GUI | Mengidentifikasi tombol dan kolom input untuk merencanakan tindakan berikutnya |
| Layar alat pengembangan | Menganalisis output terminal atau status debugger |
| Beberapa file dan gambar | Membandingkan dokumen dan mempertahankan catatan tugas jangka panjang |

Pemahaman visual dan pengoperasian komputer secara langsung merupakan fungsi yang berbeda. Meskipun model dapat menafsirkan layar, pengoperasian mouse atau keyboard memerlukan runtime agen, antarmuka aksesibilitas, atau alat otomatisasi yang terpisah.

## DFlash dan Speculative Decoding

Model bahasa autoregresif umumnya menghitung token berikutnya secara berurutan berdasarkan token yang telah dihasilkan sebelumnya. Speculative Decoding adalah metode ketika model drafter yang lebih kecil terlebih dahulu mengusulkan beberapa token kandidat, lalu model utama memverifikasi kandidat tersebut sekaligus.

Prosesnya dapat dirangkum sebagai berikut.

1. DFlash drafter mengusulkan sekumpulan token yang kemungkinan besar akan muncul berikutnya.
2. Model utama Muse Glimmer memverifikasi token yang diusulkan.
3. Token yang cocok dengan distribusi model utama diterima.
4. Pembuatan dimulai kembali dari titik yang tidak cocok.

Jika prosedur verifikasi yang tepat digunakan, waktu pembuatan dapat dikurangi sambil mempertahankan distribusi output model utama. Namun, jika tingkat ketepatan prediksi drafter rendah atau bandwidth memori tidak mencukupi, peningkatan kecepatan mungkin tidak sebesar yang diharapkan.

## Kecepatan pembuatan yang disajikan dalam materi

Angka berikut diperkenalkan sebagai hasil pengukuran Meta sendiri dengan menerapkan DFlash drafter pada K-Quant-17GB. Ini bukan benchmark independen, dan perbandingan langsung memiliki keterbatasan jika konfigurasi perangkat keras, prompt, panjang konteks, runtime, serta kondisi daya tidak disajikan.

| Perangkat keras | Kecepatan dasar | Dengan DFlash | Peningkatan yang disajikan |
|---|---:|---:|---:|
| NVIDIA GeForce RTX 5090 | 74.9 token/detik | 233.4 token/detik | Sekitar 3.1 kali |
| Apple M5 Max | 26.6 token/detik | 50.2 token/detik | Sekitar 1.8 kali |
| Apple M4 Max | 23.7 token/detik | 37.8 token/detik | Sekitar 1.5 kali |

Karena agen melakukan inferensi beberapa kali dan menunggu alat eksternal, kecepatan pembuatan token tidak sama dengan total waktu pengerjaan. Waktu penyelesaian aktual juga mencakup kecepatan pemrosesan prompt, input/output file, eksekusi kode, akses jaringan, dan jumlah percobaan ulang alat.

## Cara membaca hasil benchmark

Materi yang tersedia membandingkan Muse Glimmer dengan Gemma 4 31B dan Qwen 3.6 27B serta menyajikan hasil berikut.

| Benchmark | Muse Glimmer | Gemma 4 31B | Qwen 3.6 27B |
|---|---:|---:|---:|
| MCP Atlas | 75.5 | 54.2 | 62.5 |
| DeepSearch QA | 74.6 | Tidak ada angka dalam materi | Tidak ada angka dalam materi |

Pada saat yang sama, disebutkan bahwa Qwen 3.6 27B memperoleh hasil lebih tinggi daripada Muse Glimmer pada OSWorld Verified, TerminalBench 2.1, dan SWE-bench Verified. Ini berarti evaluasi berdasarkan tujuan lebih penting daripada satu skor rata-rata.

Saat meninjau benchmark, hal-hal berikut perlu diperiksa.

- Apakah presisi model dan kondisi kuantisasi yang sama digunakan
- Apakah jumlah pemanggilan alat dan batas waktunya sama
- Apakah prompt agen dan kode orkestrasi dipublikasikan
- Apakah resolusi gambar dan konteks maksimum sama
- Apakah rata-rata dan varians dari beberapa kali eksekusi disediakan
- Apakah kemungkinan data evaluasi tercakup dalam data pelatihan telah diperiksa
- Apakah tugas yang gagal tidak diperbaiki atau dimulai ulang oleh manusia

Menurut materi yang tersedia, pada rata-rata 15 benchmark, penurunan kinerja K-Quant-Dynamic dibandingkan versi asli diukur sekitar 0.2%, sedangkan K-Quant-17GB sekitar 1%. Angka ini juga diperkenalkan sebagai hasil evaluasi Meta sendiri, dan tingkat penurunan untuk setiap tugas dapat berbeda dari rata-ratanya.

## Manfaat dan keterbatasan perlindungan privasi dalam eksekusi lokal

Konfigurasi yang sepenuhnya lokal membantu membangun sistem yang tidak mengirim kode sumber, dokumen internal, tangkapan layar, dan isi basis data ke API LLM eksternal. Konfigurasi ini juga memiliki keunggulan dapat digunakan dalam jaringan tertutup dan menghindari biaya penggunaan API eksternal per token.

Namun, fakta bahwa file model berada secara lokal tidak berarti semua aliran data tetap berada secara lokal. Komponen berikut dapat terhubung ke pihak luar.

- Pencarian web atau alat browser jarak jauh
- Telemetri analisis kesalahan dan penggunaan
- Ekstensi dan plugin agen
- Penyimpanan dokumen berbasis cloud
- Pengelola paket dan repositori kode
- Layanan embedding, pencarian, atau evaluasi jarak jauh

Organisasi yang menangani data sensitif perlu memeriksa log jaringan dan proses yang berjalan serta meninjau jalur data seluruh alat yang terhubung, bukan hanya runtime model.

## Risiko keamanan agen lokal dan penanganannya

AI lokal dapat mengurangi risiko transmisi, tetapi risiko yang berasal dari izin sistem justru dapat meningkat. Perhatian khusus perlu diberikan pada prompt injection tidak langsung, ketika instruksi tersembunyi dalam dokumen eksternal atau halaman web mengubah tujuan awal agen.

Metode pertahanan yang disarankan adalah sebagai berikut.

- Jalankan terlebih dahulu dalam ruang kerja hanya-baca.
- Izinkan hanya folder yang diperlukan, bukan seluruh direktori home.
- Wajibkan persetujuan manusia untuk penghapusan, penimpaan, transfer dana, dan deployment.
- Blokir hak administrator dan akses ke folder inti sistem operasi.
- Jangan masukkan kunci rahasia dan token autentikasi secara langsung ke konteks model.
- Terapkan daftar izin dan batas waktu eksekusi pada perintah terminal.
- Perlakukan kalimat dalam dokumen eksternal sebagai data yang tidak tepercaya.
- Buat snapshot atau commit kontrol versi sebelum melakukan perubahan.
- Simpan semua pemanggilan alat dan catatan perubahan file sebagai log audit.
- Uji dalam container atau mesin virtual yang terpisah dari lingkungan produksi sebenarnya.

Dalam bidang medis, keuangan, hukum, pertahanan, dan sektor publik, pemrosesan lokal saja tidak cukup untuk memenuhi regulasi. Kontrol akses, retensi catatan, persetujuan penanggung jawab, klasifikasi data, dan validasi model juga diperlukan.

## Arti publikasi dengan Apache 2.0

Materi yang tersedia menjelaskan bahwa bobot Muse Glimmer dipublikasikan dengan Apache License 2.0. Apache 2.0 adalah lisensi permisif yang umumnya mengizinkan penggunaan, modifikasi, distribusi, dan penggunaan komersial serta mencakup klausul paten yang eksplisit. Saat mendistribusikan ulang, persyaratan seperti mempertahankan salinan lisensi, pemberitahuan hak cipta, dan penandaan perubahan harus dipatuhi.

Namun, saat benar-benar menggunakan model, hal-hal berikut perlu diperiksa secara terpisah.

- Apakah setiap file model benar-benar tercakup oleh Apache 2.0
- Apakah terdapat pembatasan penggunaan tambahan dalam kartu model atau repositori
- Apakah kode dan tokenizer yang disertakan menggunakan lisensi yang sama
- Apakah encoder visi dan model drafter memiliki ketentuan tersendiri
- Apakah hak merek dagang atau hak data pihak ketiga tercakup dalam ruang lingkup izin

Publikasi bobot tidak berarti seluruh proses pelatihan dijadikan open source. Menurut materi yang tersedia, keseluruhan data pelatihan dan keseluruhan kode pelatihan tidak dipublikasikan. Karena itu, Muse Glimmer dapat disebut sebagai model dengan bobot terbuka, tetapi tidak boleh langsung dianggap sebagai model open source sepenuhnya yang memungkinkan seluruh proses pelatihannya direproduksi.

## Daftar periksa sebelum adopsi

Saat mengevaluasi produk, hasil yang mereproduksi tugas Anda sendiri lebih penting daripada kecepatan tertinggi dalam siaran pers.

1. Periksa pihak distribusi resmi dan repositori model.
2. Periksa arsitektur, konteks, bahasa yang didukung, dan format input dalam kartu model.
3. Minta staf hukum meninjau file LICENSE dan ketentuan penggunaan tambahan.
4. Ukur memori maksimum termasuk model, cache KV, encoder visi, dan drafter.
5. Evaluasi akurasi, tingkat keberhasilan alat, dan tingkat pemulihan kegagalan menggunakan dokumen serta kode aktual.
6. Ukur kecepatan pemrosesan input dan peningkatan penggunaan memori dalam konteks panjang.
7. Setelah memblokir jaringan, pastikan semua fungsi benar-benar bekerja secara lokal.
8. Lakukan pengujian serangan menggunakan prompt injection dan file berbahaya.
9. Terapkan persetujuan manusia dan pencadangan otomatis untuk perubahan penting.
10. Bandingkan perbedaan kualitas per tugas antara versi kuantisasi dan versi asli BF16.

## Evaluasi keseluruhan

Keunikan Muse Glimmer bukan terletak pada klaim bahwa model ini merupakan model serbaguna dengan skor tertinggi di semua benchmark, melainkan pada desain yang berupaya menyesuaikan model multimodal kelas 30 miliar parameter dan fungsi agen jangka panjang dengan perangkat keras konsumen. Jika kuantisasi 4-bit, konteks panjang, akselerasi DFlash, dan lisensi permisif tersedia sesuai materi resmi, model ini dapat menjadi pilihan yang berarti untuk coding lokal, analisis dokumen, dan otomatisasi jaringan tertutup.

Di sisi lain, penyebutan 24GB atau 32GB bukan jaminan bahwa semua fungsi model dan konteks maksimum akan berjalan lancar pada perangkat apa pun. Sebelum kartu model resmi dan benchmark yang dapat direproduksi dikonfirmasi, angka kecepatan dan kualitas perlu dibedakan sebagai klaim hasil pengukuran Meta sendiri, serta diperlukan pendekatan yang mengevaluasi memori, keamanan, dan akurasi pada beban kerja aktual.

## FAQ

### Apa perbedaan Muse Glimmer dengan LLM lokal pada umumnya?
Perbedaannya adalah bahwa sasaran utamanya ialah agen AI yang berjalan dalam waktu lama, yang menganalisis file dan layar, memanggil alat seperti fungsi atau terminal, memeriksa hasil, lalu memperbaiki rencana, bukan chatbot yang hanya menghasilkan respons teks.

### Apakah model dengan 30 miliar parameter benar-benar dapat dijalankan dengan memori 24GB?
Materi yang disediakan menjelaskan bahwa versi K-Quant 4-bit berukuran 17GB disesuaikan untuk lingkungan sekitar 24GB. Namun, karena memori yang dibutuhkan berbeda-beda tergantung pada panjang konteks, input visual, cache KV, model drafter, dan penggunaan oleh sistem operasi, 24GB tidak boleh ditafsirkan sebagai spesifikasi minimum yang dijamin untuk semua kondisi penggunaan.

### Mengapa ukuran model 17GB berbeda dengan memori eksekusi 24GB?
17GB adalah istilah yang terutama merujuk pada paket bobot yang telah dikuantisasi. Eksekusi sebenarnya memerlukan memori tambahan untuk cache KV, nilai aktivasi perantara, encoder visual, ruang kerja runtime, dan sistem operasi.

### Apakah konteks 131,072 token selalu dapat digunakan?
Meskipun model mendukung panjang tersebut, batas maksimum aktual dapat dibatasi oleh runtime, memori, presisi cache KV, dan jumlah input gambar. Apakah akurasi pencarian informasi tetap terjaga pada panjang maksimum juga harus dievaluasi secara terpisah.

### Apakah DFlash drafter menurunkan kualitas jawaban model?
Speculative Decoding dirancang agar model utama memverifikasi token yang diusulkan oleh drafter, sehingga jika diterapkan dengan benar, distribusi output model utama dapat dipertahankan. Namun, jika metode implementasi dan pengaturan sampling berbeda, hasil serta tingkat percepatannya juga dapat berbeda.

### Jika dijalankan secara lokal, apakah data sama sekali tidak pernah dikirim ke luar?
Tidak. Meskipun model dijalankan secara lokal, pencarian web, plugin, repositori jarak jauh, telemetri, atau alat embedding cloud dapat mengirimkan data. Komunikasi jaringan dari keseluruhan konfigurasi agen harus diperiksa.

### Izin apa yang aman untuk diberikan kepada agen AI lokal?
Sebaiknya berikan izin minimum hanya untuk folder kerja yang diperlukan dan jalankan dalam mode hanya baca pada awalnya. Tindakan berisiko tinggi seperti menghapus file, mengirim data ke luar, memasang perangkat lunak, dan melakukan deployment harus memerlukan persetujuan manusia.

### Jika menggunakan Apache 2.0, apakah dapat digunakan secara bebas untuk tujuan komersial?
Apache 2.0 sendiri adalah lisensi permisif yang mengizinkan penggunaan komersial, modifikasi, dan distribusi ulang. Namun, perlu memeriksa LICENSE dan kartu model di repositori resmi untuk memastikan apakah lisensi tersebut berlaku pada file model yang sebenarnya serta apakah terdapat ketentuan tambahan dan komponen pihak ketiga.

### Apakah Muse Glimmer merupakan model sumber terbuka sepenuhnya?
Menurut materi yang disediakan, bobotnya telah dipublikasikan, tetapi seluruh data pelatihan dan seluruh kode pelatihan belum dipublikasikan. Oleh karena itu, model ini dapat disebut sebagai model dengan bobot terbuka, tetapi perlu dibedakan apakah model ini merupakan model sumber terbuka sepenuhnya yang memungkinkan seluruh proses pelatihannya direproduksi.

### Apakah kecepatan dan benchmark yang disajikan Meta dapat dipercaya begitu saja?
Hasil pengukuran internal berguna sebagai referensi awal, tetapi tidak menggantikan verifikasi independen. Diperlukan hasil reproduksi yang menggunakan kuantisasi, runtime, panjang konteks, pengaturan daya, dan alat agen yang sama.

## Sources

- [Apache License, Versi 2.0](https://www.apache.org/licenses/LICENSE-2.0)
- [NIST AI 600-1: Kerangka Kerja Manajemen Risiko Kecerdasan Buatan—Profil Kecerdasan Buatan Generatif](https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf)

## Images

![Laptop AI lokal memproses blok data menjadi dokumen, gambar, folder, kode, dan grafik](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NzE2MywicHVyIjoiYmxvYl9pZCJ9fQ==--655d2556aee6b63b88d70cffbc019429039bcd2b/ai-7afa8941.webp)
![Laptop dengan cip AI, perisai keamanan, berkas, peringatan, dan pengukur kinerja](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6NzE2OSwicHVyIjoiYmxvYl9pZCJ9fQ==--febd3177afd7cf52d6fa7bb0e86da563e46d0ffb/ai-34107f0a.webp)