<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Peringkasan on Nalar</title>
    <link>https://nalar.dev/id/tags/peringkasan/</link>
    <description>Recent content in Peringkasan on Nalar</description>
    <generator>Hugo</generator>
    <language>id-id</language>
    <lastBuildDate>Sat, 19 Sep 2026 00:00:00 +0000</lastBuildDate>
    <atom:link href="https://nalar.dev/id/tags/peringkasan/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Ke Mana Waktu Inferensi PEGASUS-XSum Dihabiskan</title>
      <link>https://nalar.dev/id/ke-mana-waktu-inferensi-pegasus-xsum-dihabiskan/</link>
      <pubDate>Sat, 19 Sep 2026 00:00:00 +0000</pubDate>
      <guid>https://nalar.dev/id/ke-mana-waktu-inferensi-pegasus-xsum-dihabiskan/</guid>
      <description>&lt;p&gt;&lt;code&gt;google/pegasus-xsum&lt;/code&gt; adalah checkpoint untuk summarization, bukan utilitas teks berukuran kecil. Latensinya mengikuti pekerjaan yang memang dilakukan Transformer encoder-decoder besar: sumber harus di-encode terlebih dahulu, lalu decoder dijalankan berulang kali sampai ringkasan selesai. Di CPU, fase kedua biasanya membuat output yang pendek terasa jauh lebih mahal daripada yang diperkirakan.&lt;/p&gt;&#xA;&lt;p&gt;Paper PEGASUS menjelaskan Transformer encoder-decoder yang di-pretrain dengan Gap Sentences Generation dan melaporkan model terbaik berukuran 568 juta parameter. Checkpoint XSum kemudian di-fine-tune untuk abstractive summarization pada satu dokumen. Kombinasi ini berguna ketika kualitas ringkasan menjadi prioritas, tetapi pekerjaan inferensinya jelas lebih besar daripada sekadar mengambil beberapa kalimat sumber atau menjalankan classifier kecil.&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
