GoTo 開源 AI 模型優先支援印尼語言，而非一味追求模型規模

GoTo 推出一個擁有 270 億參數、支援印尼語及四種地區語言的模型，將其本地 AI 工作轉向較小、更易部署的系統。這個 GoTo 開源 AI 模型針對 Bahasa Indonesia、爪哇語、巽他語、峇里語及巴塔克托巴語。

相比模型規模再作抽象提升，這種語言覆蓋更為重要。全球系統可以用印尼語溝通，但真正流暢的本地表達亦需要理解文化典故、地區詞彙、語體層級及口語措辭。GoTo 正押注於針對性訓練，認為這比單純擴大模型規模更能填補這些差距。

這次發布亦帶來嚴峻比較。GoTo 必須與研究預算更龐大的全球模型競爭，也要面對 AI Singapore 的 SEA-LION 和 Yellow.ai 的 Komodo 等地區項目。其優勢取決於本地數據能否帶來可量度的提升，並讓開發者獨立驗證。

GoTo 發布了甚麼，以及誰可以使用

GoTo 已發布可下載的語言模型，讓機構可按自身需要調整、評估及在自家基建上運行。

公司於 2026 年 10 月 19 日的 Bali Tech Week 宣布該模型。根據其官方發布，系統包含 270 億個參數，建基於自 2024 年展開的工作。

參數是在訓練期間學習得出的數值，協助模型預測及生成文字。較高的參數數量可支援更強能力，但不保證答案更好，亦不代表本地語言表現更佳。

GoTo 表示，大學、初創企業、商業機構、研究人員及公共機構均可使用及調整該模型。這種可用性讓印尼機構毋須由零開始訓練基礎模型，亦有一個可供起步的選項。

該模型採用 Google 的 Gemma 3 架構，並已針對印尼文化及語言進行持續預訓練和指令微調。持續預訓練是指在開發者進一步調整模型回應行為前，讓既有基礎模型接觸額外的針對性材料。

GoTo 的模型卡列出英語及五種印尼語言，並指明上下文視窗為 128,000 個 token，即模型在一次互動中可考慮的文字數量。

公司表示，其訓練材料包括來自媒體合作夥伴、公共部門網站及地區語言收藏的印尼語文本。據 GoTo 表示，Universitas Sumatera Utara 協助收集當代巴塔克語數據。

這種取材方式反映印尼語言 AI 面對的實際難題：最有用的地區語言材料未必存在於龐大、整潔的公開數據集。收集這些材料需要了解各種語言實際用法的機構、母語使用者及編輯合作夥伴。

GoTo 亦安排來自七所大學的實習生參與數據準備、訓練、測試、語音收集及巴塔克語數據蒐集。這令項目同時成為模型發布和培養本地技術能力的計劃。

不過，機構應分辨可下載的模型權重與輕鬆部署之間的差別。模型即使公開提供，仍可能需要大量運算資源、評估及安全工作。

模型卡建議，以 BF16 或 FP16 精度載入系統時，約需要 54 至 60 GB 顯示記憶體。建議配置包括一張 80 GB Nvidia A100、兩張 L40S 卡，或三張 RTX 4090 卡。

這些要求較 GoTo 早前的 700 億參數 Sahabat-AI 版本輕，後者列出的顯示記憶體需求約為 140 GB。但新系統仍超出一般辦公室電腦可負擔的範圍。

因此，眼前的變化相當具體。GoTo 降低了其印尼模型工作的基建門檻，同時保留足以處理高要求語言任務的能力。

這種平衡令項目的部署定位更清晰，但尚未證明該模型的表現優於規模更大的託管替代方案。

為何印尼語言 AI 需要本地數據

GoTo 開源 AI 模型最有力的理據不只是數碼主權，而是全球系統可取得的語言證據並不均衡。

與不少地區語言相比，Bahasa Indonesia 在網上的代表性相當高。然而，印尼擁有數百種本地語言，各自具備不同數量的數碼化文本、教育材料及已標註訓練數據。

GoTo 早前的 Sahabat-AI 文件提及，全國有超過 700 種本地語言。其負責任使用指南亦形容，現有大型語言模型對地區語言的支援不足。

全球模型可以看似支援多種語言，但在正式印尼語以外的表現可能並不一致。它或可翻譯一般句子，卻可能難以處理文化典故、俚語、敬語選擇，或不同語言之間的語碼轉換。

爪哇語正說明箇中難處。說話者會因應社會關係和語境選擇不同語體層級。一個文法上合理的回應，若對聽者使用了不恰當的語域，仍會令人感到不妥。

巴塔克托巴語亦帶來另一項數據難題。規模較小的網上語料庫，令通用模型在預訓練期間較少機會接觸當代詞彙及自然出現的對話。

本地語言模型嘗試以針對性數據及評估修正這種不均衡。目標不只是讓聊天機械人以另一種語言回答，而是改善系統辨識意思、語境及本地慣例的能力。

GoTo 表示，新模型支援五種印尼語言，是因為訓練流程納入了地區數據及母語人士參與。這項說法現時需要在真實任務中測試，而非只依賴示範及經挑選的提示詞。

潛在用途遠不止消費者聊天。公共機構可將模型調整用於文件搜尋、居民服務介面、翻譯，或針對本地材料的問答。

大學可研究語言保育，或為地區社群建立教育工具。企業則可將模型調整用於客戶支援、內容分類、商戶協助及內部文件處理。

開發者亦可針對行業術語進行微調。銀行、醫院或地方政府辦公室或會需要一般網絡語料庫甚少涵蓋的詞彙。

在由機構控制的基建上運行模型，亦可簡化部分數據管治決策。敏感文件毋須自動傳送至第三方消費者聊天機械人。

不過，這項好處是有條件的。自建託管會把存取控制、保留政策、監察及安全的責任轉移至運行模型的機構。

本地數據亦可能引入自身風險。從媒體、政府或社群來源收集的數據集，可能包含過時語言、地區代表性不均、受版權保護的材料或社會偏見。

GoTo 列出數所印尼大學及媒體機構為合作夥伴。模型卡點名 University of Indonesia、Gadjah Mada University、IPB University、Bandung Institute of Technology，以及另外兩所大學。

它亦列出 Kompas Gramedia、Republika、Tempo 及 Hukumonline 為參與的媒體團體。知名合作夥伴的存在提供了有用背景，但不能取代關於數據集構成的詳細文件。

對印尼語言 AI 而言，來源脈絡與數量同樣重要。開發者需要了解數據代表了哪些地區、社群、語域及時期。

一個主要以正式新聞文本訓練的模型，可能擅長摘要，卻未必理解日常對話。富含城市俚語的系統，也可能錯誤處理農村詞彙或具特定文化意義的表達。

GoTo 對地區語言的重視，直接回應了通用 AI 的真實弱點。尚待解答的是，這種改善能否平均延伸至每一種受支援語言。

GoTo 開源 AI 模型憑聚焦競爭，而非規模

GoTo 選擇以聚焦本地需要的模型對抗更大型的通用系統，並把專門化作為其主要競爭論點。

主要對手是全球模型路線。在這種做法下，機構依賴大型商業系統，因為它們提供廣泛能力、受管理的基建及頻繁升級。

這些服務通常能減少部署工作。開發者可透過應用程式介面連接，而毋須維護自家的 GPU、推論伺服器及模型版本。

GoTo 的路線提供另一種取捨。機構可更自主地控制部署及調整，但亦須承擔更多營運、測試及安全責任。

與 GoTo 早前的 700 億參數模型相比，270 億參數的規模令這種取捨更具可行性。記憶體需求大幅下降，但仍然顯著。

模型以 Gemma 為基礎，亦顯示本地模型開發毋須由零開始構建每一層。GoTo 正透過持續預訓練、本地數據集及指令微調，調整既有架構。

這種方法可把有限的運算資源集中於 GoTo 希望處理的語言差距。同時，最終系統亦會承襲其基礎模型的技術特性及授權條件。

模型按 Gemma 授權條款提供。這項分別很重要，因為「開源」在 AI 業界可代表不同程度的存取權。

有些項目公開模型權重，卻不公開完整訓練數據、預處理流程，或重現訓練所需的所有組件。另一些則會發布涵蓋程式碼、數據集及文件的較完整套件。

GoTo 已讓模型權重可供取得，並邀請外界貢獻。其公開材料未有提供關於每項訓練輸入及決策的完整可重現說明。

這並不會抹殺模型的實際價值，但意味著買家及開發者在把開放性視為單一二元屬性前，應檢視確切授權條款及披露程度。

地區競爭亦帶來另一項考驗。2024 年發布的 Komodo 研究描述了一個擁有 70 億參數、支援印尼語、英語及 11 種地區語言的模型。

Komodo 的研究人員以其 Llama 2 基礎模型所缺少的詞彙擴充模型詞彙表。他們表示，這改善了印尼語及地區語言的 tokenization，可減少模型用來表示本地詞語的切分數量。

AI Singapore 的 SEA-LION 計劃採取更廣泛的東南亞策略，為在主流全球數據集中較少受到關注的語言開發語言模型及評估工具。

GoTo 與 AI Singapore 已有聯繫，後者被列為新模型的開發者。這層關係令競爭格局更具協作性，而非單純的公司對公司競爭。

更廣泛的競賽在於，哪一條技術路線能提供可靠的區域性表現。一條路線是擴展全球模型並加入多語言能力；另一條則是將較小型系統聚焦於本地數據及部署需求。

GoTo 的商業定位帶來一項實用資產：可接觸真實的印尼產品環境。其更廣泛的業務涵蓋出行、配送、支付、商戶服務及科技產品。

這些環境能揭示正式基準測試未必捕捉得到的實際語言使用情況。司機訊息、商戶請求、客戶支援對話及地區措辭，都可能暴露以英語為中心的測試所忽略的問題。

不過，能接觸使用情境並不等於獲准以每一次互動作訓練。任何擴展至產品數據的做法，都需要清晰的私隱、同意、保留及管治控制。

該公司尚未證明，這個 270 億參數的本地模型能在一般推理任務上取代託管的全球服務。這亦不是衡量成功最可信的標準。

更實際的檢驗是，它在印尼工作流程上的表現是否足以證明其營運價值。當可量度的本地化收益超越新增的部署負擔時，聚焦才會變得有價值。

基準測試、硬件與安全仍是艱鉅考驗

這次發布提供了可信的技術起點，但獨立證據仍然太有限，未足以得出廣泛的效能結論。

GoTo 表示以 IndoMMLU、SEA-HELM、SEA-IFEval 及 SEA-MTBench 評估模型。這些測試合共涵蓋印尼知識、東南亞語言任務、指令遵循及多輪對話。

IndoMMLU 評估涵蓋印尼教育科目及本地文化材料的知識。其原始基準測試論文發現，領先的多語言模型難以應對部分印尼課程內容。

這項發現有助解釋為何 GoTo 強調專門訓練。模型即使在英語基準測試中得分良好，仍可能答錯依賴印尼教育及文化背景的問題。

SEA-HELM 透過問答、情緒分析、有害內容偵測、翻譯、摘要、推理及語言診斷擴闊範圍。它是圍繞東南亞語言評估而設計。

GoTo 表示，測試採用母語提示，並使用每個數據集含有 100 至 1,000 個樣本的資料。至於指令評估，語言學家及母語使用者將源自英語的材料進行本地化。

這些是合理的選擇，但公開的模型卡並未顯著列出這個特定 270 億參數版本的完整結果表，而是引導讀者前往更廣泛的 GoTo-AI 排行榜。

這令驗證更加困難。開發者在將模型與替代方案比較前，需要按語言劃分的結果、基線、提示範本、統計變異及失敗案例。

綜合分數可能掩蓋較弱的區域語言表現。若報告將多種語言合併為單一平均值，強勁的 Bahasa Indonesia 成績可能會抵銷較差的 Batak Toba 成績。

基準測試亦可能獎勵無法遷移至生產環境的模式。模型或許能選出正確的選擇題答案，卻未必能處理冗長而含糊的客戶請求。

實際部署還會加入檢索、系統提示、結構化輸出、安全過濾及業務規則。每一層都可能改變準確度、延遲及失敗行為。

因此，獨立測試應包括真實語言情境。評測者可測試語碼轉換、拼寫變化、地區敬語層級、本地地名、非正式商業用語及政府術語。

母語使用者必須評估的不只是文法正確性。他們應檢視回答是否符合文化語境、翻譯是否保留原意，以及模型是否虛構貌似可信的本地事實。

GoTo 本身亦承認重要限制。模型卡指出，系統可能產生幻覺、輸出不相關內容，以及呈現不一致的推理。

它亦建議開發者自行進行安全微調及安全性工作。這項警告對公共服務、醫療保健、金融、教育及法律資訊尤其重要。

開放權重擴大了可能的部署範圍，但亦不再能假設單一中央供應商會管理保障措施。每名營運者都要為設定及監察負責。

硬件仍是另一項限制。建議的單張 A100 配置對研究實驗室或成熟企業來說具可行性，但小型機構較難取得。

量化可透過以較少位元表示模型權重，減少記憶體用量。不過，營運者必須測試這種壓縮會否改變推動部署決定的各種語言之準確度。

推理成本亦取決於流量、上下文長度、回應大小、批次處理及硬件使用率。能放進伺服器的模型，並不代表在持續需求下必然具經濟效益。

128,000 token 的上下文視窗可支援長篇文件或記錄集合。不過，較長輸入仍會消耗記憶體及處理時間，而模型亦可能較難可靠地運用相關細節。

授權條款同樣需要仔細審閱。開發者在將權重整合至產品前，應查閱 Gemma 授權下的再分發、修改及商業使用條款。

這些問題都不會否定這次發布。它們界定了要把可下載的印尼語言模型轉變為可靠基礎設施所需的工作。

GoTo 最有力的下一步，是進行透明且可重現的評估。公開按語言劃分的結果及記錄失敗案例，將讓外部團隊能以建設性方式檢視公司的主張。

三項訊號將顯示 GoTo 的模型是否重要

採用情況、獨立語言測試及生產環境證據，將決定 GoTo 的發布會成為基礎設施，還是僅停留為研究成果。

第一項訊號，是涵蓋全部五種印尼語言的第三方評估。獨立研究人員應將模型與全球服務、SEA-LION、Komodo，以及 GoTo 較早推出的 Sahabat-AI 系統比較。

最具參考價值的研究會按語言及任務分拆結果，亦應公開提示、評分方法、硬件設定及錯誤輸出示例。

若模型在地區語言任務上帶來一致的提升，GoTo 的專門化論點便會更有說服力。若改善主要只見於正式印尼語，項目對更廣泛語言的主張便會削弱。

第二項訊號，是可見的開發者採用情況。有用的證據包括活躍的儲存庫、微調版本、社群問題報告、大學項目，以及公共機構或企業的應用。

單憑下載次數只能提供微弱指標。開發者可下載模型而不部署；生產團隊亦可能只維護一個內部副本，供大量用戶使用。

GoTo 邀請各方貢獻，提供了更好的測試。外部修正、新評估任務、改良文件及負責任地取得的語言數據，將顯示真正的社群是否正在形成。

模型卡記錄顯示，發布後不久每月下載量起初僅有少量。這個早期數字對長期興趣說明不多，不應用作判斷成功或失敗的依據。

第三項訊號，是 GoTo 自身提供的生產環境證據。該公司可接觸高流量的印尼服務，語言模型或可支援客戶、商戶、司機或內部團隊。

可信的案例研究應說明任務、基線、錯誤率、延遲、人手覆核流程及安全控制，亦應解釋用戶實際選擇使用哪些語言。

這些證據將模型設計與用戶價值連結起來，顯示本地訓練是否能提高完成率、減少誤解，或擴大地區語言使用者的使用機會。

生產環境使用亦可揭示，270 億參數的規模是否提供可行的成本效益平衡。技術能力出色的模型，仍可能因回應延遲或基礎設施開支過高而失敗。

讀者應留意未來數月是否有新檢查點發布。對權重、模型卡、安全文件或排行榜的更新，將顯示 GoTo 是否將此視為持續發展的平台。

他們亦應留意地區競爭者。SEA-LION、Komodo 或其他印尼團隊的新發布，可能提高語言覆蓋、效率及透明評估的基準。

政府採用值得另行仔細檢視。公共部門使用可驗證需求，但同時會提高對私隱、採購、無障礙設計、偏見及申訴機制的要求。

GoTo 的開源 AI 模型，代表本地可控 AI 發展邁出具體一步。它將針對印尼的訓練整合至一套比 GoTo 早期 700 億參數模型更容易由更多機構營運的系統。

其重要性不會單靠參數數量而來，而在於母語使用者是否覺得它可靠、開發者是否負擔得起運行成本，以及獨立結果是否支持其主張。

對開發者及科技採購者而言，下一步很實際：選擇一個真實的印尼工作流程，訂立有人手覆核的基線，並將模型與現有替代方案比較。分別追蹤 Bahasa Indonesia、Javanese、Sundanese、Balinese 及 Batak Toba 的錯誤情況，然後公開足夠的方法資訊，讓其他人可以重現結果。只有當社群能檢視本地語言模型的限制並加以改進時，它們才會成為有價值的基礎設施。GoTo 已提供新的基礎；現在必須由獨立測試決定其上能安全建立多少內容。