Le modèle d'IA open source de GoTo privilégie les langues indonésiennes à la taille du modèle

GoTo a lancé un modèle de 27 milliards de paramètres pour l'indonésien et quatre langues régionales, orientant ses efforts d'IA locale vers un système plus petit et plus facile à déployer. Le modèle d'IA open source de GoTo cible le bahasa indonesia, le javanais, le soundanais, le balinais et le batak toba.

Cette couverture linguistique compte davantage qu'une nouvelle augmentation abstraite de la taille du modèle. Les systèmes mondiaux peuvent communiquer en indonésien, mais une véritable aisance locale exige aussi des références culturelles, du vocabulaire régional, des niveaux de langue et des tournures informelles. GoTo mise sur le fait qu'un entraînement ciblé peut combler ces lacunes mieux que la seule montée en puissance.

Cette sortie impose également une comparaison exigeante. GoTo doit rivaliser avec des modèles mondiaux disposant de budgets de recherche plus importants ainsi qu'avec des projets régionaux tels que SEA-LION d'AI Singapore et Komodo de Yellow.ai. Son avantage dépendra de la capacité des données locales à produire des progrès mesurables que les développeurs pourront vérifier de manière indépendante.

Ce que GoTo a lancé et qui peut l'utiliser

GoTo a publié un modèle de langage téléchargeable que les organisations peuvent adapter, évaluer et exploiter sur leur propre infrastructure.

L'entreprise a annoncé le modèle lors de la Bali Tech Week, le 19 octobre 2026. Selon son communiqué officiel, le système contient 27 milliards de paramètres et s'appuie sur des travaux entamés en 2024.

Les paramètres sont des valeurs numériques apprises pendant l'entraînement, qui aident un modèle à prédire et générer du texte. Un nombre plus élevé peut favoriser de meilleures capacités, mais ne garantit ni de meilleures réponses ni de meilleures performances dans les langues locales.

GoTo indique que les universités, startups, entreprises, chercheurs et institutions publiques peuvent utiliser et adapter le modèle. Cette disponibilité offre aux organisations indonésiennes un point de départ sans les obliger à entraîner un système fondamental depuis zéro.

Le modèle utilise l'architecture Gemma 3 de Google et a suivi un préentraînement continu ainsi qu'un ajustement par instructions pour les cultures et langues indonésiennes. Le préentraînement continu expose un modèle de base existant à des contenus ciblés supplémentaires avant que les développeurs n'affinent son comportement de réponse.

La fiche du modèle de GoTo répertorie l'anglais aux côtés de cinq langues indonésiennes. Elle précise également une fenêtre de contexte de 128 000 tokens, qui représente la quantité de texte que le modèle peut prendre en compte lors d'une interaction.

L'entreprise affirme que son matériel d'entraînement incluait des textes indonésiens provenant de partenaires médiatiques, de sites web du secteur public et de collections de langues régionales. L'Universitas Sumatera Utara a contribué à collecter des données contemporaines en batak, selon GoTo.

Cet approvisionnement reflète un problème concret pour l'IA linguistique indonésienne. Les contenus les plus utiles dans les langues régionales ne sont pas toujours disponibles dans de vastes jeux de données publics et propres. Leur collecte nécessite des institutions, des locuteurs natifs et des partenaires éditoriaux qui comprennent l'usage réel de chaque langue.

GoTo a également impliqué des stagiaires de sept universités dans la préparation des données, l'entraînement, les tests, la collecte vocale et la collecte de données en batak. Le projet devient ainsi à la fois une sortie de modèle et un programme local de renforcement des capacités techniques.

Toutefois, les organisations devraient distinguer des poids téléchargeables d'un déploiement sans effort. Un modèle peut être accessible au public tout en exigeant d'importants moyens de calcul, d'évaluation et de sécurité.

La fiche du modèle recommande environ 54 à 60 gigaoctets de mémoire vidéo lors du chargement du système en précision BF16 ou FP16. Les configurations suggérées comprennent une Nvidia A100 de 80 gigaoctets, deux cartes L40S ou trois RTX 4090.

Ces exigences sont moins lourdes que celles de la précédente sortie Sahabat-AI de GoTo, dotée de 70 milliards de paramètres, qui indiquait environ 140 gigaoctets de mémoire vidéo. Elles placent néanmoins le nouveau système au-delà d'un ordinateur de bureau ordinaire.

Le changement immédiat est donc précis. GoTo a abaissé le seuil d'infrastructure de ses efforts pour un modèle indonésien, tout en conservant une capacité suffisante pour des tâches linguistiques exigeantes.

Cet équilibre donne au projet une histoire de déploiement plus claire. Il n'établit pas encore que le modèle surpasse des alternatives hébergées plus grandes.

Pourquoi l'IA linguistique indonésienne a besoin de données locales

L'argument le plus solide en faveur du modèle d'IA open source de GoTo n'est pas seulement la souveraineté numérique, mais l'inégale couverture linguistique disponible pour les systèmes mondiaux.

Le bahasa indonesia est largement représenté en ligne par rapport à de nombreuses langues régionales. Pourtant, l'Indonésie compte des centaines de langues locales, chacune disposant de quantités différentes de textes numérisés, de ressources pédagogiques et de données d'entraînement annotées.

La documentation de Sahabat-AI, le précédent modèle de GoTo, mentionnait plus de 700 langues locales à travers le pays. Son guide d'utilisation responsable décrivait également les langues régionales comme insuffisamment prises en charge par les grands modèles de langage existants.

Un modèle mondial peut sembler multilingue tout en affichant des performances irrégulières en dehors de l'indonésien formel. Il peut traduire des phrases ordinaires, mais peiner avec les références culturelles, l'argot, les choix honorifiques ou l'alternance entre langues.

Le javanais illustre cette difficulté. Les locuteurs choisissent différents niveaux de langue selon les relations sociales et le contexte. Une réponse grammaticalement plausible peut néanmoins sembler inappropriée si elle emploie le mauvais registre pour son destinataire.

Le batak toba pose un autre problème de données. Des corpus en ligne plus restreints offrent moins d'occasions à un modèle général de rencontrer, durant le préentraînement, du vocabulaire actuel et des conversations naturelles.

Les modèles linguistiques locaux cherchent à corriger ce déséquilibre grâce à des données et des évaluations ciblées. L'objectif n'est pas simplement de faire répondre un chatbot dans une autre langue. Il s'agit d'améliorer la manière dont le système reconnaît le sens, le contexte et les conventions locales.

GoTo affirme que le nouveau modèle prend en charge cinq langues indonésiennes parce que son processus d'entraînement inclut des données régionales et la participation de locuteurs natifs. Cette affirmation doit désormais être testée sur des tâches réelles, et pas seulement au moyen de démonstrations et de prompts sélectionnés.

Les usages potentiels vont bien au-delà de la conversation grand public. Les institutions publiques pourraient adapter le modèle pour la recherche documentaire, les interfaces de services aux citoyens, la traduction ou les réponses aux questions portant sur des contenus locaux.

Les universités pourraient étudier la préservation des langues ou créer des outils éducatifs pour les communautés régionales. Les entreprises pourraient adapter le modèle au support client, à la classification de contenus, à l'assistance aux commerçants et au traitement interne de documents.

Les développeurs pourraient également l'affiner pour la terminologie sectorielle. Une banque, un hôpital ou une administration locale pourrait nécessiter un vocabulaire qui apparaît rarement dans un corpus web généraliste.

L'exécution d'un modèle sur une infrastructure contrôlée par l'organisation peut aussi simplifier certaines décisions de gouvernance des données. Les documents sensibles ne doivent pas automatiquement être transmis à un chatbot grand public tiers.

Cet avantage est conditionnel. L'auto-hébergement transfère à l'organisation qui exploite le modèle la responsabilité des contrôles d'accès, de la conservation, de la surveillance et de la sécurité.

Les données locales peuvent aussi présenter leurs propres risques. Un jeu de données recueilli auprès de médias, d'administrations ou de communautés peut contenir une langue obsolète, une représentation régionale inégale, du contenu protégé par le droit d'auteur ou des biais sociaux.

GoTo identifie plusieurs universités indonésiennes et organisations médiatiques comme collaborateurs. La fiche du modèle cite l'University of Indonesia, Gadjah Mada University, IPB University, Bandung Institute of Technology et deux autres universités.

Elle cite également Kompas Gramedia, Republika, Tempo et Hukumonline parmi les groupes médiatiques contributeurs. La présence de partenaires reconnus apporte un contexte utile, mais ne remplace pas une documentation détaillée sur la composition du jeu de données.

Pour l'IA linguistique indonésienne, la provenance compte autant que le volume. Les développeurs doivent comprendre quelles régions, communautés, registres et périodes les données représentent.

Un modèle entraîné principalement sur des articles d'actualité formels peut bien fonctionner pour les résumés tout en ignorant les conversations quotidiennes. Un système riche en argot urbain peut néanmoins mal traiter le vocabulaire rural ou les expressions culturellement spécifiques.

L'accent régional de GoTo répond directement à une faiblesse réelle de l'IA généraliste. La question sans réponse est de savoir avec quelle régularité cette amélioration s'étend à chacune des langues prises en charge.

Le modèle d'IA open source de GoTo mise sur la spécialisation, pas sur la taille

GoTo choisit un modèle local ciblé face à des systèmes généralistes plus grands, faisant de la spécialisation son principal argument concurrentiel.

Le principal concurrent est la voie des modèles mondiaux. Dans cette approche, les organisations s'appuient sur de grands systèmes commerciaux parce qu'ils offrent des capacités étendues, une infrastructure gérée et des mises à jour fréquentes.

Ces services réduisent souvent le travail de déploiement. Les développeurs peuvent se connecter via une interface de programmation d'applications et éviter de maintenir leurs propres GPU, serveurs d'inférence et versions de modèles.

La voie de GoTo propose un échange différent. Les organisations gagnent davantage de contrôle sur le déploiement et l'adaptation, mais elles assument une responsabilité accrue concernant l'exploitation, les tests et la sécurité.

La taille de 27 milliards de paramètres rend cet échange plus plausible qu'avec le précédent modèle de 70 milliards de paramètres de GoTo. Les besoins en mémoire diminuent sensiblement, même s'ils restent importants.

La base Gemma du modèle montre également que le développement de modèles locaux ne nécessite pas de construire chaque couche à partir de zéro. GoTo adapte une architecture existante par un préentraînement continu, des jeux de données locaux et un ajustement par instructions.

Cette méthode peut concentrer des ressources de calcul limitées sur l'écart linguistique que GoTo cherche à combler. Elle signifie aussi que le système résultant hérite de caractéristiques techniques et de conditions de licence issues de sa base.

Le modèle est disponible sous la licence Gemma. Cette distinction importe, car le terme « open source » peut désigner différents niveaux d'accès dans le secteur de l'IA.

Certains projets publient les poids des modèles, mais pas l'intégralité de leurs données d'entraînement, de leur pipeline de prétraitement ou de chaque composant nécessaire pour reproduire l'entraînement. D'autres publient un ensemble plus large de code, de jeux de données et de documentation.

GoTo a rendu les poids du modèle accessibles et invité les contributions externes. Ses documents publics ne fournissent pas un compte rendu complet et reproductible de chaque donnée d'entraînement et de chaque décision.

Cela n'élimine pas l'utilité pratique du modèle. Cela signifie toutefois que les acheteurs et développeurs devraient examiner précisément la licence et le niveau de divulgation avant de considérer l'ouverture comme une caractéristique binaire unique.

La concurrence régionale ajoute un autre test. La recherche Komodo, publiée en 2024, décrivait un modèle de sept milliards de paramètres prenant en charge l'indonésien, l'anglais et 11 langues régionales.

Les chercheurs de Komodo ont enrichi le vocabulaire du modèle avec des mots absents de sa base Llama 2. Ils ont signalé une amélioration de la tokenisation pour l'indonésien et les langues régionales, ce qui peut réduire le nombre d'unités qu'un modèle utilise pour représenter les mots locaux.

Le programme SEA-LION d'AI Singapore suit une stratégie plus large pour l'Asie du Sud-Est. Il développe des modèles de langage et des outils d'évaluation pour les langues qui reçoivent moins d'attention dans les jeux de données mondiaux dominants.

GoTo entretient déjà des liens avec AI Singapore, qui est cité comme développeur du nouveau modèle. Cette relation rend le paysage concurrentiel plus collaboratif qu'un simple affrontement entreprise contre entreprise.

La course plus large porte sur la voie technique capable d’offrir des performances régionales fiables. L’une consiste à faire évoluer des modèles mondiaux en leur ajoutant des capacités multilingues. L’autre concentre des systèmes plus petits sur les données locales et les besoins de déploiement.

La position commerciale de GoTo lui procure un atout utile : l’accès à de véritables environnements produits indonésiens. Ses activités couvrent la mobilité, la livraison, les paiements, les services aux commerçants et les produits technologiques.

Ces environnements peuvent révéler là où les benchmarks formels ne capturent pas l’usage réel de la langue. Les messages des chauffeurs, les demandes de commerçants, les conversations avec le support et les formulations régionales peuvent mettre en lumière des problèmes qu’un test centré sur l’anglais ne détecte pas.

Cependant, l’accès à des cas d’usage n’équivaut pas à l’autorisation d’entraîner le modèle sur chaque interaction. Toute extension aux données produits exigerait des contrôles clairs en matière de confidentialité, de consentement, de conservation et de gouvernance.

L’entreprise n’a pas démontré qu’un modèle local de 27 milliards de paramètres remplacera les services mondiaux hébergés dans l’ensemble des tâches de raisonnement général. Ce n’est pas la mesure la plus crédible de la réussite.

Un test plus pragmatique consiste à déterminer s’il est suffisamment performant dans les flux de travail indonésiens pour justifier son exploitation. La spécialisation devient précieuse lorsque des gains locaux mesurables compensent la charge supplémentaire du déploiement.

Les benchmarks, le matériel et la sécurité restent les épreuves les plus difficiles

La publication fournit un point de départ technique crédible, mais les preuves indépendantes restent trop limitées pour tirer de larges conclusions sur les performances.

GoTo indique avoir évalué le modèle avec IndoMMLU, SEA-HELM, SEA-IFEval et SEA-MTBench. Ensemble, ces tests couvrent les connaissances indonésiennes, les tâches linguistiques d’Asie du Sud-Est, le suivi des instructions et les conversations à plusieurs tours.

IndoMMLU évalue les connaissances dans des matières éducatives indonésiennes et sur des contenus culturels locaux. Son article de référence a constaté que les principaux modèles multilingues éprouvaient des difficultés avec certaines parties du programme scolaire indonésien.

Cette conclusion aide à comprendre pourquoi GoTo met l’accent sur un entraînement spécialisé. Un modèle peut obtenir de bons scores sur des benchmarks en anglais tout en échouant sur des questions qui dépendent du contexte éducatif et culturel indonésien.

SEA-HELM élargit le champ avec des tâches de questions-réponses, d’analyse de sentiments, de détection de toxicité, de traduction, de résumé, de raisonnement et de diagnostics linguistiques. Il est conçu pour l’évaluation des langues d’Asie du Sud-Est.

GoTo précise que ses tests utilisaient des prompts dans les langues natives et des échantillons comptant entre 100 et 1 000 instances par jeu de données. Pour l’évaluation des instructions, des linguistes et des locuteurs natifs ont adapté des contenus initialement produits en anglais.

Ces choix sont pertinents, mais la fiche publique du modèle ne présente pas de manière visible un tableau complet de résultats pour cette version spécifique de 27 milliards de paramètres. Elle renvoie les lecteurs vers un classement GoTo-AI plus général.

Cela complique la vérification. Les développeurs ont besoin de résultats par langue, de références comparatives, de modèles de prompts, de variations statistiques et d’exemples d’échecs avant de comparer le modèle à des alternatives.

Les scores agrégés peuvent masquer de faibles performances régionales. De bons résultats en bahasa indonésien pourraient compenser de mauvais résultats en batak toba si les langues sont regroupées dans une seule moyenne.

Les benchmarks peuvent aussi récompenser des schémas qui ne se transfèrent pas à la production. Un modèle pourrait choisir la bonne réponse à choix multiple tout en échouant à traiter une longue demande client ambiguë.

Les déploiements réels ajoutent la recherche documentaire, les prompts système, les sorties structurées, les filtres de sécurité et les règles métier. Chaque couche peut modifier la précision, la latence et le comportement en cas d’échec.

Les tests indépendants devraient donc inclure des scénarios linguistiques réels. Les évaluateurs pourraient tester l’alternance codique, les variations orthographiques, les niveaux de langage régionaux, les noms de lieux locaux, le commerce informel et la terminologie administrative.

Les locuteurs natifs doivent évaluer davantage que la seule correction grammaticale. Ils devraient examiner si les réponses sont culturellement appropriées, si les traductions préservent le sens et si le modèle invente des faits locaux plausibles.

GoTo reconnaît lui-même d’importantes limites. La fiche du modèle indique que le système peut halluciner, produire des contenus non pertinents et présenter un raisonnement incohérent.

Elle conseille également aux développeurs de mener leurs propres travaux d’ajustement de sécurité et de protection. Cet avertissement est particulièrement important pour les services publics, la santé, la finance, l’éducation et l’information juridique.

Les poids ouverts élargissent l’éventail des déploiements possibles, mais ils écartent aussi l’hypothèse qu’un fournisseur central gérera les garde-fous. Chaque opérateur devient responsable de la configuration et de la surveillance.

Le matériel reste une autre contrainte. La configuration recommandée avec un seul A100 est réaliste pour un laboratoire de recherche ou une entreprise établie, mais moins accessible à une petite organisation.

La quantification peut réduire la consommation de mémoire en représentant les poids du modèle avec moins de bits. Cependant, l’opérateur doit vérifier si cette compression modifie la précision dans les langues qui ont motivé le déploiement.

Le coût d’inférence dépend également du trafic, de la longueur du contexte, de la taille des réponses, du traitement par lots et de l’utilisation du matériel. Un modèle qui tient sur un serveur n’est pas automatiquement économique sous une demande soutenue.

La fenêtre de contexte de 128 000 tokens pourrait prendre en charge de longs documents ou des ensembles d’enregistrements. Les entrées plus longues consomment toutefois davantage de mémoire et de temps de traitement, tandis que les détails pertinents peuvent devenir plus difficiles à exploiter fiablement par un modèle.

Les licences exigent elles aussi un examen attentif. Les développeurs devraient vérifier les conditions de redistribution, de modification et d’usage commercial prévues par la licence Gemma avant d’intégrer les poids dans des produits.

Aucun de ces enjeux n’invalide la publication. Ils définissent le travail nécessaire pour transformer un modèle linguistique indonésien téléchargeable en une infrastructure fiable.

La meilleure prochaine initiative de GoTo serait une évaluation transparente et reproductible. Des résultats publics par langue et des cas d’échec documentés permettraient à des équipes externes de mettre les affirmations de l’entreprise à l’épreuve de manière constructive.

Trois signaux montreront si le modèle de GoTo compte réellement

L’adoption, les tests linguistiques indépendants et les preuves de production détermineront si la publication de GoTo devient une infrastructure ou reste un artefact de recherche.

Le premier signal est une évaluation par des tiers dans les cinq langues indonésiennes. Des chercheurs indépendants devraient tester le modèle face aux services mondiaux, à SEA-LION, Komodo et aux précédents systèmes Sahabat-AI de GoTo.

Les études les plus instructives distingueront les résultats par langue et par tâche. Elles devraient également publier les prompts, les méthodes de notation, les réglages matériels et des exemples de sorties incorrectes.

Si le modèle apporte des gains constants dans les tâches linguistiques régionales, l’argument de spécialisation de GoTo devient plus solide. Si les améliorations apparaissent surtout en indonésien formel, l’affirmation plus large du projet sur les langues s’affaiblit.

Le deuxième signal est une adoption visible par les développeurs. Des éléments probants incluraient des dépôts actifs, des variantes affinées, des rapports de problèmes émis par la communauté, des projets universitaires et des applications d’institutions publiques ou d’entreprises.

Les seuls nombres de téléchargements ne constituent qu’un indicateur faible. Un développeur peut télécharger un modèle sans le déployer, tandis qu’une équipe de production peut maintenir une copie interne pour de nombreux utilisateurs.

L’invitation de GoTo aux contributions offre un meilleur test. Des correctifs externes, de nouvelles tâches d’évaluation, une documentation améliorée et des données linguistiques obtenues de manière responsable montreraient qu’une véritable communauté se forme.

La fiche du modèle n’a enregistré qu’un faible nombre initial de téléchargements mensuels peu après la publication. Ce chiffre précoce en dit peu sur l’intérêt à long terme et ne devrait pas servir à juger une réussite ou un échec.

Le troisième signal est constitué par les preuves de production fournies par GoTo lui-même. L’entreprise a accès à des services indonésiens à fort volume, où les modèles linguistiques pourraient assister les clients, les commerçants, les chauffeurs ou les équipes internes.

Une étude de cas crédible devrait décrire la tâche, la référence, le taux d’erreur, la latence, le processus de révision humaine et les contrôles de sécurité. Elle devrait aussi expliquer quelles langues les utilisateurs ont effectivement choisies.

Ces éléments relieraient la conception du modèle à la valeur pour les utilisateurs. Ils montreraient si l’entraînement local améliore les taux de réalisation, réduit les malentendus ou élargit l’accès aux locuteurs de langues régionales.

L’usage en production pourrait également révéler si la taille de 27 milliards de paramètres offre un équilibre viable entre coût et performance. Un modèle techniquement capable peut néanmoins échouer si la latence de réponse ou les dépenses d’infrastructure sont trop élevées.

Les lecteurs devraient surveiller les nouveaux checkpoints au cours des prochains mois. Des mises à jour des poids, de la fiche du modèle, de la documentation de sécurité ou du classement indiqueraient que GoTo traite ce projet comme une plateforme continue.

Ils devraient également surveiller les concurrents régionaux. De nouvelles publications de SEA-LION, Komodo ou d’autres équipes indonésiennes pourraient relever la référence en matière de couverture linguistique, d’efficacité et d’évaluation transparente.

L’adoption par les administrations mérite un examen distinct. L’usage dans le secteur public validerait la demande, mais renforcerait aussi les exigences concernant la confidentialité, les marchés publics, l’accessibilité, les biais et les mécanismes de recours.

Le modèle d’IA open source de GoTo représente une évolution concrète vers un développement de l’IA contrôlé localement. Il intègre un entraînement indonésien ciblé dans un système que davantage d’organisations peuvent exploiter que le précédent modèle de GoTo à 70 milliards de paramètres.

Son importance ne viendra pas du seul nombre de paramètres. Elle dépendra de la fiabilité perçue par les locuteurs natifs, de la capacité des développeurs à en assumer les coûts d’exploitation et de la confirmation de ses affirmations par des résultats indépendants.

Pour les développeurs et les acheteurs de technologies, la prochaine étape est pratique : sélectionner un flux de travail indonésien réel, définir une référence évaluée par des humains et comparer le modèle aux alternatives actuelles. Suivez les erreurs séparément pour le bahasa indonésien, le javanais, le soundanais, le balinais et le batak toba. Publiez ensuite une méthodologie suffisante pour permettre à d’autres de reproduire le résultat. Les modèles linguistiques locaux ne deviennent une infrastructure précieuse que lorsque les communautés peuvent examiner leurs limites et les améliorer. GoTo a fourni une nouvelle base. Des tests indépendants doivent désormais déterminer ce qui peut y être construit en toute sécurité.