Induction Labs meluncurkan Photon-1 pada 23 Juli 2026, yang pertama dari apa yang disebutnya “imagination model”—kelas baru arsitektur fondasi yang dirancang untuk belajar dari video skala internet tanpa contoh aksi berlabel selama prapeming. Transformer campuran-of-ahli jarang (sparse mixture-of-experts) berukuran 106 miliar parameter dengan 5 miliar parameter aktif dilatih menggunakan sekitar 575 juta frame rekaman layar komputer, setara dengan 18 tahun video yang diambil dengan satu frame per detik. Perusahaan mengklaim Photon-1 mengungguli Gemini 3.1 Flash-Lite milik Google pada tolok ukur internal penggunaan komputer meski dilatih dengan setidaknya 30 kali lebih sedikit komputasi, serta biaya untuk melayani kira-kira 3 kali lebih rendah per sejuta token, yaitu $0,11 dibanding Gemini $0,36. Model ini menantang asumsi lama dalam AI: bahwa mengajari mesin untuk bertindak memerlukan contoh aksi yang diberi label dengan teliti untuk setiap aksi yang harus mereka ambil. Pendekatan Induction Labs menghilangkan hambatan penting dengan memungkinkan mesin mempelajari pengetahuan prosedural hanya dengan mengamati video tanpa label dari antarmuka komputer yang sedang digunakan.
Photon-1 Arsitektur dan Spesifikasi Pelatihan
Photon-1 dilatih dari nol untuk satu epoch pada kumpulan data yang didistilasi dari indeks awal dua miliar video publik, disaring hingga kira-kira dua juta rekaman layar, dan membuang frame berulang oleh model deteksi keyframe internal. Proses pelatihan membutuhkan sekitar 30.000 jam GPU NVIDIA H200 dan 4,4 × 10²² FLOPs. Setiap frame video dikompresi menjadi 960 token diskrit melalui kuantisasi skalar hingga, hanya memakan 2,2 kilobytes—sekitar 100 kali lebih kecil dibanding representasi OCR dan multimodal yang ada—sambil tetap mempertahankan teks, tata letak, dan perubahan status. Encoder laten diferensial memproses frame sebagai pasangan, mengenkode perbedaan antar keadaan berurutan daripada konten frame absolut. Model memprediksi frame masa depan secara autoregresif dalam ruang representasi yang dipelajari menggunakan objektif next-latent-token. Hasil benchmark yang dikutip oleh Induction Labs memiliki catatan penting: benchmark bersifat internal dan belum dirilis, artinya hasilnya tidak dapat direproduksi secara independen, dan perkiraan komputasi Gemini adalah proyeksi konservatif milik Induction Labs, bukan data terverifikasi.
Proses Kompresi dan Finetuning Model Imajinasi
Mengubah pengetahuan observasional menjadi agen yang berfungsi memerlukan tahap kedua. Induction Labs finetune Photon-1 pada kurang dari 35.000 lintasan penggunaan komputer yang berlabel untuk mengajarkannya format aksi yang benar, dengan menambahkan token khusus yang memungkinkan model mengeluarkan perintah keyboard dan mouse. Pada inferensi, sistem beroperasi dalam dua langkah: pertama, sistem membayangkan keadaan berikut yang akan mendorong tugas maju, lalu menghasilkan aksi yang dimaksudkan untuk mencapai keadaan itu. Setelah itu, reinforcement learning daring dilakukan, dengan rollout real-time di mesin virtual Linux pada lima lingkungan desktop, hasil diverifikasi secara programatik, dan sinyal reward yang mendorong peningkatan lebih lanjut. Saat difinetune pada 20.000 pertandingan turnamen checkers, Photon-1 mengungguli baseline berbasis vision-encoder dan baseline model bahasa berukuran serupa pada simulasi dunia serta kualitas langkah. Pada 10.000 permainan billiard yang dibangkitkan secara sintetis, ia mencapai mean absolute error sebesar 0,47 pada prediksi posisi bola, dibanding 1,15 untuk baseline LLM dan 1,44 untuk baseline vision. Model ini juga mempelajari pola perilaku manusia dari data prapemingnya, belajar mengajukan prompt pada tiruan ChatGPT di dalam virtual machine, memeriksa outputnya, dan mengarahkan percakapan sampai tugas selesai.
Perkembangan World Model pada 2026
Photon-1 hadir pada momen ketika industri AI beralih ke sesuatu yang secara luas disebut “world models” oleh para peneliti—sistem yang membangun representasi internal tentang bagaimana lingkungan berevolusi sebagai respons terhadap aksi, bukan sekadar memprediksi teks atau menghasilkan klip video terisolasi. Pada Mei, Google DeepMind merilis Genie 3, world model interaktif real-time yang mampu menghasilkan lingkungan 3D persisten pada 24 frame per detik dari teks atau gambar, dengan fisika yang dipelajari sendiri alih-alih aturan yang dikodekan keras. Platform Cosmos milik NVIDIA, yang menyediakan open-weight world foundation models terlatih pada 20 juta jam data dunia nyata, telah melampaui dua juta unduhan dan sedang diadopsi oleh perusahaan robotika termasuk 1X, Figure AI, dan Agility untuk generasi data pelatihan sintetis. World Labs milik Fei-Fei Li meluncurkan Marble, sistem yang tersedia secara komersial untuk membuat dunia 3D yang dapat diedit dari teks, gambar, atau video. AMI Labs milik Yann LeCun—dilaporkan bernilai €3 miliar sebelum merilis produk—mengumpulkan €500 juta untuk mengejar arsitektur gaya JEPA yang mempelajari representasi abstrak dengan memprediksi di ruang laten, bukan piksel. Perkembangan lain yang menonjol termasuk Runway's Gen-4.5, yang secara eksplisit dibingkai perusahaan sebagai “world model” dengan fisika realistis, serta DreamZero, model aksi world 14 miliar parameter yang menunjukkan transfer lintas-kesadaran tubuh yang kuat dari video manusia ke kontrol robot menggunakan hanya informasi visual tanpa label aksi.
FAQ
Apa yang diungkapkan Induction Labs pada 23 Juli 2026?
Induction Labs mengungkapkan Photon-1, model “imagination model” pertama—transformer sparse mixture-of-experts 106 miliar parameter dengan 5 miliar parameter aktif yang dilatih pada sekitar 575 juta frame rekaman layar komputer tanpa label. Model belajar menggunakan komputer dengan menonton video tanpa label aksi selama prapeming.
Bagaimana performa Photon-1 dibandingkan dengan Google Gemini 3.1 Flash-Lite?
Induction Labs mengklaim Photon-1 mengungguli Gemini 3.1 Flash-Lite milik Google pada benchmark internal penggunaan komputer meski dilatih dengan komputasi setidaknya 30 kali lebih sedikit. Perusahaan melaporkan biaya inferensi $0,11 per sejuta token dibanding Gemini $0,36. Benchmark bersifat internal dan belum dirilis, dan perkiraan komputasi Gemini adalah proyeksi milik Induction Labs.
Perkembangan world model apa yang terjadi pada 2026?
Pada Mei, Google DeepMind merilis Genie 3, world model interaktif real-time yang menghasilkan lingkungan 3D persisten pada 24 frame per detik. Platform NVIDIA's Cosmos melampaui dua juta unduhan dan diadopsi oleh perusahaan robotika termasuk 1X, Figure AI, dan Agility. World Labs milik Fei-Fei Li meluncurkan Marble untuk membuat dunia 3D yang dapat diedit. AMI Labs milik Yann LeCun mengumpulkan €500 juta untuk mengejar arsitektur gaya JEPA.
