Hanya data pribadi,
jadi hitam.
Noir adalah LLM kecil khusus masking: ia menerima dokumen beserta instruksi tentang apa yang ingin ditutup, lalu mengembalikan daftar bagian yang cocok. Dokumen bisa diproses hanya dengan CPU di dalam perusahaan sebelum dikirim ke luar. Saat Anda menggulir, garis cahaya melintasi dokumen.
JA担当の山田太郎です。お電話は03-0000-1234までお願いします。
ENPlease call Emily Carter at (555) 010-4477 before March 3.
DEFrau Anna Becker wohnt in der Lindenstraße 12, 10115 Berlin.
HRIvan Horvat (42 godine) javio je da je na bolovanju.
* Contoh teks, nama, dan nomor semuanya fiktif. Gerakan di atas adalah pemutaran contoh.
Instruksinya
bahasa sehari-hari.
“Data pribadi”, “kontak”, “tetapi kecuali usia”. Tulis instruksi dengan cara bicara biasa, dan bagian yang ditutup pun berubah meski dokumennya sama. Tekan tombol, atau cukup perhatikan saja.
Perihal: Konfirmasi isi kontrak PT Sampel Niaga
Yth. Bapak Budi Contoh, Divisi Umum, PT Sampel Niaga
Dengan hormat. Saya Hana Sampel dari PT Neko Data.
Pada Jumat, 20 November, izinkan kami membicarakan perpanjangan kontrak. Biaya bulanan tetap Rp4.800.000.
Kami mendengar bahwa PIC Anda, Bapak Joko Fiktif (42 tahun), hari ini tidak masuk karena sakit pinggang.
Silakan hubungi 021-0000-1234 atau [email protected].
Alamat kirim: Gedung Contoh Lt. 5, Jl. Contoh No. 12, Jakarta
* Kotak ini adalah contoh cara kerja yang memutar jawaban yang sudah ditetapkan (tidak ada model yang benar-benar berjalan). Semua contoh teks fiktif.
Dibanding 120B,
tidak berlebihan menutup.
Kami membandingkannya dengan gpt-oss-120b (117 miliar parameter) menggunakan instruksi yang sama, pada masing-masing 100 dokumen berbahasa Jepang dan Inggris. Kertas di atas adalah contoh tiap jenis kesalahan. Batang di bawah menunjukkan seberapa sering kesalahan itu terjadi; makin pendek makin baik.
* Hasil pengukuran pada tes buatan kami sendiri (November 2026, Q4_K_M, digabung dengan aturan umum untuk email, telepon, URL, dan tanggal). Rincian kondisi ada di akhir halaman.
Makin samar instruksinya,
makin terlihat selisihnya.
Banyaknya bagian yang lolos kami bandingkan dengan timbangan. Sisi yang lebih banyak lolos akan turun. Pada instruksi yang menyebut jenisnya dengan jelas, hasilnya seimbang; tetapi pada instruksi samar seperti “data pribadi”, atau yang memakai “tetapi kecuali …”, selisihnya melebar.
Noir0%
gpt-oss-120b0%
* Gabungan bahasa Jepang dan Inggris. Tingkat lolos (%, 1 kotak = 1%). Rincian instruksi: menyebut jenis 69 dokumen, samar 104 dokumen, dengan pengecualian 27 dokumen.
4 bahasa,
skor masing-masing.
Kami menyiapkan Noir khusus untuk tiap bahasa (Jepang dan Inggris memakai model yang sama). Warna kuning menandai angka yang lebih baik daripada gpt-oss-120b.
- Tingkat lolos untuk bahasa Kroasia dan Jerman hampir sama dengan gpt-oss-120b. Sebagian besar yang lolos adalah tanggal dan waktu bergaya Eropa, seperti “02.11.2026” dan “14:12 Uhr”.
- Jika ditambah dua aturan untuk menangkap tanggal dan waktu berbentuk seperti itu, menurut perhitungan kami tingkat lolos turun menjadi 31→23% untuk bahasa Kroasia dan 25→15% untuk bahasa Jerman, lebih rendah daripada gpt-oss-120b (24% dan 19%). Kami berencana memasangnya ke dalam produk. rencana
Yang kembali:
JSON.
Bagian yang ditemukan dikembalikan sebagai daftar yang dikelompokkan per hal yang sama. Karena berupa string persis seperti yang tertulis di dokumen, Anda bisa langsung mencarinya di teks dan menggantinya.
Telepon Bapak Joko: 021-0000-1234,
email: [email protected].
- id: orang atau hal yang sama digabung menjadi satu (“Joko Fiktif” dan “Joko”).
- type: nama salah satu dari 48 jenis. Dikembalikan dalam bahasa instruksi (misalnya “Nama orang”).
- mentions: string persis seperti yang tertulis di dokumen. Jika tidak ada yang cocok,
[].
Temukan semua hal yang cocok dengan target
dalam dokumen berikut. … (dipersingkat)
Keluaran hanya array JSON: [{"id": "E1",
"type": "...", "mentions": ["..."]}]
Target:
Data pribadi, tetapi kecuali usia
Metode: masking (tanpa replacements)
Dokumen:
(dokumen di sini)Satu dokumen,
sekitar 20 detik.
Kami memutar ulang proses membaca dokumen sekitar 900 karakter hingga mengembalikan bagian yang ditutup, di CPU laptop (tanpa GPU). Pemutaran 5x lebih cepat; jamnya menunjukkan detik sebenarnya.
0.0detikDiputar 5x lebih cepat
Membaca dokumenMenulis bagian yang ditutup
Bagian tertutup 0 / 0
- Instruksi
- Nama orang, nomor telepon, alamat email, alamat
- Membaca
- Sekitar 140 token/detik
- Menulis
- Sekitar 24 token/detik
- Perangkat
- Core i7-11800H, 8 thread
- Jika diproses berurutan dengan kecepatan ini, satu mesin mengolah sekitar 170 ribu karakter per jam.
- Saat 16 dokumen diproses bersamaan di GPU, 100 dokumen selesai dalam sekitar 20 detik (gpt-oss-120b: sekitar 90 detik). pengukuran internal
* Dokumen dan bagian yang ditutup hanyalah contoh (tidak ada model yang berjalan di halaman ini). Waktunya dihitung dari kecepatan membaca dan menulis yang kami ukur secara internal. Sebutan yang merujuk pada orang yang sama digabung dan ditutup sekaligus.
Serahkan per
potongan 1,000 karakter.
Dokumen panjang dipotong menjadi bagian sekitar 1,000 karakter, lalu diserahkan satu per satu. Dengan menyesuaikan panjangnya dengan yang dilihat model saat pelatihan, bagian yang terlewat berkurang. Hasilnya digabung di akhir, lalu dipadukan dengan aturan yang menangkap bentuk baku email, telepon, URL, dan tanggal.
Menjalankan (llama.cpp)
llama-server -m noir-ja-en-Q4_K_M.gguf \ -c 16384 -t 8 -np 1 --jinja --port 8191
TersediaUnduh bobot →
- Matikan mode berpikir (
enable_thinking: false) dan gunakantemperature 0. - Pilih model sesuai bahasa: ja-en untuk bahasa Jepang dan Inggris, de-en untuk bahasa Jerman, hr-en untuk bahasa Kroasia.
- Di CPU (Core i7-11800H, 8 thread), satu potongan 1,000 karakter memerlukan sekitar 20 detik. pengukuran internal
Dokumen sama,
beda instruksi, beda hasil.
Pilih instruksi dan coba pada dokumen contoh. Jika instruksinya diubah, bagian yang ditutup berubah meski dokumennya sama. Instruksi yang dikirim ke model dan JSON yang kembali juga bisa dilihat apa adanya.
1Pilih dokumen
2Pilih instruksiLangsung dijalankan saat dipilih
Atau pilih sendiri jenisnya
Instruksi yang dikirim ke model
JSON yang kembali
[]
Cara mengukur,
dan konsultasi.
- Dokumen: masing-masing 100 dokumen berbahasa Jepang, Inggris, Jerman, dan Kroasia. Semuanya dokumen fiktif yang dibuat untuk tes, seperti email, notula, memo SDM, tagihan, dan informasi medis, dengan tanda jawaban benar pada bagian yang harus ditutup.
- Instruksi: satu dari tiga cara untuk tiap dokumen, yaitu “menyebut jenis”, “ungkapan samar”, atau “dengan pengecualian”. Instruksi yang sama juga diberikan kepada gpt-oss-120b (reasoning effort medium).
- Tolok ukur: lolos = persentase jawaban benar yang tersisa; berlebihan = persentase bagian tertutup yang sebenarnya tidak perlu; salah jenis = persentase bagian tertutup dari jenis di luar instruksi.
- Pelaksanaan: November 2026, Q4_K_M. Akan ditinjau ulang sebelum rilis resmi.