Bisakah model stealth gratis diintegrasikan ke proyek: 5 daftar periksa data pelatihan dan klausul retensi dari Iceman

Catatan penulis: Dengan Iceman—model stealth gratis tanpa pemilik yang jelas di OpenCode—sebagai contoh, artikel ini membedah tiga lapis informasi: pernyataan resmi, parameter katalog, dan petunjuk yang belum terverifikasi. Artikel ini menyajikan daftar periksa 5 poin sebelum integrasi, serta menjelaskan cara menggabungkan beberapa id ketika membaca peringkat penggunaan.

Gratis, tanpa batas jumlah permintaan, jendela konteksnya besar, tetapi tidak ada yang tahu siapa pembuatnya. Model stealth gratis seperti ini belakangan umum di alat pemrograman, dan reaksi pertama banyak developer adalah “coba sambungkan dulu ke proyek”. Artikel ini memakai Iceman di OpenCode sebagai studi kasus untuk menjawab satu pertanyaan spesifik: apa yang perlu kamu pastikan sebelum mengirim kode atau data bisnis ke model gratis yang asal-usulnya tidak jelas?

Ini bukan artikel yang menyuruhmu untuk tidak memakainya; model stealth gratis sama sekali bisa dipakai untuk validasi prototipe dan eksperimen dengan kode publik. Yang penting adalah membedakan informasi mana yang bisa dijadikan dasar penggunaan, mana yang cuma rumor, dan bagaimana klausul pelatihan serta retensi data benar-benar memengaruhi datamu.

Nilai inti: Setelah membaca artikel ini, kamu akan mendapatkan daftar periksa model stealth yang bisa dipakai ulang, mencakup empat dimensi: pelatihan data, nol retensi data, masa gratis, dan atribusi sumber. Kamu juga akan belajar mengenali salah baca peringkat seperti “pertumbuhan palsu akibat pergantian id”.

Poin-poin utama model stealth gratis Iceman

Per 4 November 2026 pukul 18:31 UTC, Iceman masih belum diklaim oleh laboratorium AI mana pun. Berdasarkan data penggunaan OpenCode, sejak 23 Oktober model ini telah berjalan dengan akumulasi sekitar 3,37 triliun token di bawah dua id. Tabel berikut membagi informasi tentangnya ke dalam tiga lapisan berdasarkan tingkat kredibilitas — inilah dasar dari semua penilaian setelah ini.

Rincian ketentuan resmi model stealth Iceman

Pada 24 Oktober, OpenCode menambahkan Iceman ke paket Go seharga 10 dolar per bulan, berkaitan dengan pull request 58792 di repositori yang digabungkan pada 20:24 UTC. Nama modelnya adalah Iceman Contributor Free, dan ketentuannya menyatakan “gratis untuk waktu terbatas, tanpa batas permintaan”. Perubahan yang sama juga mencantumkan dua hal sekaligus: prompt yang dikirim ke model ini akan digunakan untuk pelatihan, dan kebijakan retensi data bukan zero data retention.

Kedua hal inilah yang paling perlu diperhatikan pengembang; keduanya lebih langsung menentukan data apa yang boleh dikirim dibandingkan jendela konteks dan panjang output. Selain itu, PR tersebut menambahkan id ini ke daftar model stealth OpenCode, sehingga kolom laboratorium di halaman penggunaan menampilkan Unknown. Dengan kata lain, platform itu sendiri secara jelas memberi tahu Anda: sumbernya tidak diketahui.

Arti sebenarnya “Contributor” dalam penamaan model stealth

Banyak orang mengira “Contributor” pada iceman-contributor adalah nama sebuah laboratorium atau kontributor. Padahal itu merujuk pada salah satu model pertukaran OpenCode: menukar data pelatihan dengan akses gratis. Muse Spark 1.3 dan 1.2 dari Meta juga punya versi Contributor, yang menunjukkan bahwa ini adalah label umum di tingkat platform, bukan petunjuk asal-usul model.

Jadi ketika melihat kata Contributor, tafsiran yang benar adalah “data pada jalur ini akan masuk ke pelatihan”, bukan “ini adalah versi kontribusi dari suatu laboratorium”. Hal ini akan menjadi pemeriksaan pertama dalam daftar verifikasi nanti.

Dampak ketentuan pelatihan model gratis tanpa identitas jelas terhadap kode dan data privasi

“Petunjuk digunakan untuk pelatihan” terdengar abstrak, tetapi dalam proyek ini menjadi masalah yang sangat konkret: setiap konteks yang Anda kirim bisa menjadi sampel pelatihan model milik orang lain. Dalam skenario alat coding, konteks sering kali bukan hanya pertanyaan yang Anda ketik, tetapi juga isi file yang otomatis disertakan, log error, file konfigurasi, bahkan variabel lingkungan.

Retensi data non-nol berarti isi permintaan akan tersimpan di server untuk sementara waktu. Berapa lama, di mana disimpan, dan siapa yang memprosesnya tidak dapat dipastikan jika sumber model tidak diketahui. Untuk proyek perusahaan, hal ini biasanya langsung bersinggungan dengan klausul kerahasiaan dalam kontrak atau persyaratan kepatuhan data. Tabel berikut merinci risiko nyata berdasarkan jenis data.

Di sini perlu perhatian khusus pada masalah “konteks implisit” di alat coding. Banyak Agent otomatis membaca file di workspace; Anda mengira hanya bertanya cara menulis sebuah fungsi, padahal seluruh struktur direktori dan file di sekitarnya bisa ikut dikemas dalam permintaan. Saat menggunakan kanal yang dipakai untuk pelatihan, cara paling aman adalah bekerja di workspace terpisah yang hanya berisi data publik atau sintetis.

Cara Memeriksa Model Stealth Gratis: 5 Item Daftar Periksa Sebelum Integrasi

Daftar periksa ini tidak hanya berlaku untuk satu model Iceman; daftar ini berlaku untuk model gratis apa pun yang asal-usulnya belum diklaim. Empat item pertama berasal dari ketentuan dan atribusi, sedangkan item kelima berasal dari interpretasi data. Sebaiknya jadikan ini proses evaluasi tetap di internal tim.

Atribusi Sumber Model Stealth: Mengapa Indikasi Bukan Konfirmasi

Mengenai asal Iceman, situs pelacak stealthmodels.com melaporkan bahwa akun X @aitrackerbot menemukan Iceman memperkenalkan diri sebagai MAI milik Microsoft, dan cara penghitungan token petunjuk persis sama dengan MAI Thinking 1. Namun pengujian situs tersebut menemukan bahwa model itu cocok dengan MAI Thinking 1, dan juga sama dengan seri GPT-6 dari OpenAI. Artinya, penghitungan token tidak dapat membedakan model-model ini.

Klaim model tentang siapa dirinya juga tidak dapat diandalkan; model akan mengulang informasi identitas dari data pelatihan, dan bisa saja sengaja diatur melalui petunjuk sistem. Sampai saat ini, Microsoft belum mengeluarkan pernyataan apa pun. Jadi posisi yang tepat untuk informasi ini adalah “sebuah indikasi”, bukan untuk ditulis sebagai fakta dalam dokumen pemilihan teknologi Anda.

Preseden Klaim Model Stealth

Dari model stealth OpenCode sebelumnya, klaim biasanya terjadi saat rilis atau dalam beberapa minggu. ox-alpha diklaim oleh Z.ai sebagai GLM-5.3 Flash, cat-jam diklaim oleh Reflection AI sebagai Beam, dan Space Bunny diklaim oleh MiniMax sebagai M3.1 Flash 26 hari setelah pertama muncul. Hingga 4 November, Iceman telah aktif selama 11 hari dan masih belum diklaim siapa pun.

Nilai dari preseden adalah memberi ekspektasi, bukan prediksi. Ini menunjukkan bahwa klaim bisa memakan waktu beberapa minggu; selama periode itu, skala, sumber, dan durasi gratis model masih tidak diketahui, sehingga rencana Anda tidak boleh bergantung pada hal-hal yang belum diketahui tersebut.

Mulai Cepat Model Siluman Gratis: Gabungkan Beberapa id untuk Membaca Peringkat Penggunaan

Performa Iceman di peringkat mingguan OpenCode adalah contoh khas kesalahan membaca peringkat. Jika hanya melihat satu id, Anda akan sampai pada kesimpulan “pertumbuhan ledakan”; tetapi jika melihat kedua id secara bersamaan, kesimpulannya justru sebaliknya.

+768% bukanlah pertumbuhan, melainkan perpindahan lalu lintas model yang sama dari satu id ke id lainnya. Kedua id tersebut secara total menjalankan sekitar 1,24 triliun token selama 7 hari terakhir, turun sekitar 42% dibandingkan sekitar 2,13 triliun pada minggu sebelumnya. Penggunaan harian mencapai puncaknya sekitar 653 miliar token pada 28 Oktober, dan berkisar antara 162 miliar hingga 251 miliar per hari dari 29 Oktober hingga 3 November.

Contoh minimal: menggabungkan id untuk menghitung perubahan mingguan sebenarnya

Kode Python di bawah ini menunjukkan logika penggabungan; datanya diambil dari angka publik pada bagian sebelumnya. Nilai setiap id minggu lalu dihitung mundur dari nilai minggu ini dan perubahan mingguan, sehingga merupakan nilai perkiraan.

# Beberapa id untuk model yang sama, tokens minggu ini (unit: miliar) dan perubahan periode-ke-periode
ids = {
    "iceman-contributor": {"this_week": 670, "change": 7.68},   # +768%
    "iceman":             {"this_week": 567, "change": -0.72},  # -72%
}

this_total = sum(v["this_week"] for v in ids.values())
# Hitung nilai minggu lalu dari perubahan periode-ke-periode: last = this / (1 + change)
last_total = sum(v["this_week"] / (1 + v["change"]) for v in ids.values())

print(f"本周合计：{this_total}B")
print(f"上周合计（反推）：{last_total:.0f}B")
print(f"合并后环比：{(this_total / last_total - 1):.1%}")

Setelah dijalankan, Anda akan mendapatkan total minggu ini sekitar 1.237B, total minggu lalu pada kisaran 2.100B, dan perubahan gabungan sekitar -41% hingga -42%, yang pada dasarnya cocok dengan data total dalam laporan. Perhitungan mundur mengandung kesalahan pembulatan; dalam analisis aktual, sebaiknya baca langsung data mingguan mentah untuk setiap id.

from dataclasses import dataclass
from typing import Optional

@dataclass
class ModelPolicy:
    model_id: str
    used_for_training: bool          # Item pemeriksaan 1
    zero_data_retention: bool        # Item pemeriksaan 2
    free_until: Optional[str]        # Item pemeriksaan 3, None berarti batas waktu tidak diketahui
    lab_confirmed: bool              # Item pemeriksaan 4
    related_ids: tuple = ()          # Item pemeriksaan 5, untuk statistik gabungan

# Tingkat sensitivitas data: 0 publik, 1 teranonimisasi/sintetis, 2 kode privat, 3 kunci atau privasi
SENSITIVITY = {"public": 0, "synthetic": 1, "private_code": 2, "secret_or_pii": 3}

def max_allowed_level(p: ModelPolicy) -> int:
    """Mengembalikan tingkat sensitivitas tertinggi yang diizinkan berdasarkan ketentuan model"""
    if p.used_for_training or not p.zero_data_retention:
        return 1          # Pelatihan atau retensi non-nol: hanya data publik dan sintetis yang diizinkan
    if not p.lab_confirmed:
        return 1          # Sumber tidak diklaim: juga hanya data sensitivitas rendah
    return 2              # Setelah ketentuan dan kepemilikan terkonfirmasi, baru pertimbangkan kode privat

def can_send(p: ModelPolicy, data_kind: str) -> bool:
    level = SENSITIVITY[data_kind]
    if level >= 3:
        return False      # Data kunci dan privasi tidak pernah dikirim ke saluran gratis eksternal
    return level <= max_allowed_level(p)

def production_ready(p: ModelPolicy) -> list:
    """Mengembalikan daftar masalah yang menghalangi integrasi produksi; daftar kosong berarti siap dievaluasi"""
    issues = []
    if p.used_for_training:
        issues.append("提示词用于训练")
    if not p.zero_data_retention:
        issues.append("非零数据保留")
    if p.free_until is None:
        issues.append("免费期限未知，存在突然收费或下线风险")
    if not p.lab_confirmed:
        issues.append("来源未认领，无法评估模型规模与长期可用性")
    return issues

iceman = ModelPolicy(
    model_id="iceman-contributor",
    used_for_training=True,
    zero_data_retention=False,
    free_until=None,
    lab_confirmed=False,
    related_ids=("iceman", "iceman-contributor"),
)

for kind in SENSITIVITY:
    print(f"{kind:15s} -> {'允许' if can_send(iceman, kind) else '拒绝'}")

print("生产接入阻碍：", production_ready(iceman))

Saran praktis: Perlakukan metadata di atas sebagai konfigurasi bersama tim, perbarui setiap kali ketentuan platform atau status pengakuan model berubah. Dengan begitu, rekan kerja baru yang mengintegrasikan model gratis apa pun bisa langsung memakai seperangkat kriteria penilaian yang sama, bukan memutuskan berdasarkan feeling.

FAQ (Pertanyaan yang Sering Diajukan)

Poin-Poin Utama Model Stealth Gratis

• Lihat ketentuan dulu, baru parameternya: Tujuan pelatihan dan retensi data menentukan data apa yang boleh Anda kirim; panjang konteks hanya menentukan seberapa banyak yang bisa dikirim.
• Contributor adalah model pertukaran: Ini berarti menukar data pelatihan dengan akses gratis, bukan menunjukkan asal-usul model.
• Petunjuk bukan konfirmasi: Klaim identitas diri dari model maupun hitungan token tidak bisa membuktikan kepemilikan.
• Perlakukan masa gratis sebagai hal yang tidak diketahui: “Terbatas waktu” tanpa tanggal berakhir, jadi jangan bergantung padanya dalam rencana Anda.
• Papan peringkat harus dibaca dengan menggabungkan id: Angka +768% untuk Iceman setelah digabungkan sebenarnya menjadi sekitar -42%.
• Data sensitif selalu diisolasi: Kunci, data pribadi, dan kode inti privat jangan dikirim ke saluran yang dipakai untuk pelatihan.

Kesimpulan

Apakah model stealth gratis bisa dipasang ke dalam proyek, jawabannya bergantung pada data apa yang akan Anda kirim, bukan pada gratis atau tidaknya. Mengambil Iceman sebagai contoh, yang bisa dijadikan dasar adalah ketentuan platform dan parameter katalog: digunakan untuk pelatihan, retensi data bukan nol, gratis terbatas waktu, konteks 262.144, serta mendukung penalaran dan pemanggilan alat. Yang tidak bisa dijadikan dasar adalah berbagai petunjuk tentang pengembangnya, karena semuanya masih sekadar kabar sebelum ada klaim resmi.

Metodologi yang bisa digunakan berulang kali bisa diringkas menjadi tiga hal:

1. Lihat informasi secara berlapis: Pisahkan pernyataan platform, parameter katalog, dan petunjuk yang belum terverifikasi, lalu gunakan hanya dua lapisan pertama untuk mengambil keputusan.
2. Gunakan sesuai tingkat data: Saluran yang dipakai untuk pelatihan hanya menangani data publik atau sintetis, sementara kode privat dan data pribadi ditangani secara terpisah.
3. Baca papan peringkat dengan dasar penggabungan: Beberapa id untuk model yang sama harus dijumlahkan dulu sebelum menghitung laju pertumbuhan, agar tidak tertipu pertumbuhan palsu akibat pergantian id.

Terlepas dari siapa yang nantinya mengklaim Iceman, metode verifikasi ini bisa terus dipakai untuk model stealth berikutnya yang muncul.

📚 Referensi

1. ArtificialWatch – Analisis Penggunaan dan Atribusi Iceman: Sumber fakta utama artikel ini
2. Tautan: artificialwatch.com/wire/iceman-opencode-stealth-model-3-trillion-tokens-unclaimed

3. Keterangan: Merangkum penggunaan dua id Iceman, perubahan ketentuan, dan petunjuk atribusi, diterbitkan pada 2026-11-04

4. Halaman Data Penggunaan OpenCode: Data penggunaan iceman dan iceman-contributor

5. Tautan: opencode.ai/data

6. Keterangan: Dapat langsung melihat peringkat mingguan dan penggunaan token tiap id

7. Katalog Model models.dev: Parameter teknis Iceman

8. Tautan: models.dev

9. Keterangan: Menyediakan informasi katalog seperti jendela konteks, output maksimum, penalaran, dan pemanggilan tool

10. Pelacakan Model Siluman stealthmodels.com: Sumber laporan petunjuk atribusi

11. Tautan: stealthmodels.com
12. Keterangan: Mencatat pengujian mengenai identitas yang diklaim sendiri oleh Iceman dan penghitungan token, hanya sebagai referensi petunjuk

Penulis: Tim Teknis APIYI
Keterangan: Fakta dalam artikel ini per 2026-11-04, status klaim Iceman dan masa gratisnya dapat berubah kapan saja, silakan mengacu pada ketentuan terbaru platform.