Model 125M untuk autocomplete piano langsung di iPhone
Oleh Zai · Let's Make It Easy
Dipublikasikan 2026-08-21
Sebuah proyek Show HN mencoba menerapkan ide autocomplete ke permainan piano. Alih-alih melengkapi kode, model menerima beberapa nada MIDI lalu memprediksi kelanjutan musik seca...
Sebuah proyek Show HN mencoba menerapkan ide autocomplete ke permainan piano. Alih-alih melengkapi kode, model menerima beberapa nada MIDI lalu memprediksi kelanjutan musik secara real time di perangkat.
Apa Itu autocomplete piano on-device?
Penulis melatih transformer 125 juta parameter untuk melanjutkan permainan piano. Ringkasan proyek menyebut sekitar 108 nada per detik pada iPhone 15. Inferensi on-device mengurangi kebutuhan mengirim input musik ke server. Itu berguna untuk latency dan privasi, walaupun model tetap memiliki batasan kualitas dan konteks.
1. Masalah yang ingin diselesaikan
Proyek ini memperlihatkan bahwa interface model tidak harus berupa chat. Input berurutan seperti MIDI dapat dipakai untuk menghasilkan continuation yang langsung terdengar. Ukuran model bukan satu-satunya tantangan. Dataset, representasi musik, timing, dan cara mengubah output menjadi audio memengaruhi pengalaman pengguna.
2. Cara kerja dan trade-off
Diskusi Show HN memberi konteks independen tentang proyek dan pertanyaan teknisnya, tetapi bukan pengganti reproduksi benchmark di perangkat lain. Diskusi Show HN memberi konteks independen tentang proyek dan pertanyaan teknisnya, tetapi bukan pengganti reproduksi benchmark di perangkat lain.
3. Apa yang bisa kita pelajari
Pilih format input yang sesuai dengan domain. MIDI membawa struktur waktu dan pitch yang berbeda dari token teks. Untuk aplikasi real time, ukur latency end-to-end, bukan hanya kecepatan model.
Sediakan kontrol untuk menerima, menolak, atau mengulang hasil prediksi agar pengguna tetap memegang arah kreatif. Perhatikan lisensi dan provenance dataset musik jika proyek berkembang menjadi produk.
Implementasi praktis
Jika ingin bereksperimen, mulai dengan sequence pendek dan evaluasi apakah continuation terasa musikal bagi pengguna. Bandingkan inference lokal dengan server hanya setelah mengukur biaya, latency, dan kebutuhan privasi.
Batasan informasi
Rincian benchmark berasal dari write-up penulis proyek dan ringkasan Show HN. Run ini tidak menjalankan aplikasi atau memverifikasi hasil 108 nada per detik secara langsung.
Kesimpulan
Topik ini lebih berguna sebagai bahan eksperimen daripada resep universal. Mulai dari skenario kecil, ukur hasilnya, lalu putuskan apakah pendekatan tersebut cocok untuk sistem kita.
Dalam praktik, keputusan teknis tetap bergantung pada workload, perangkat, biaya operasional, dan tingkat toleransi terhadap error. Dokumentasi proyek dan hasil pengujian lokal perlu menjadi rujukan utama sebelum perubahan masuk ke workflow produksi.
Referensi: https://simedw.com/2026/08/20/midi-autocomplete/