Blueboop-Jigsaw-1.9

Blueboop Jigsaw GGUF

Model Coding Lokal Berbasis Gemma 4 12B

Blueboop Jigsaw adalah model AI lokal berbasis google/gemma-4-12B-it yang difokuskan untuk kebutuhan coding, reasoning, pemecahan masalah algoritmik, dan pembuatan kode Python secara offline melalui format GGUF.

Model ini dirancang untuk pengguna yang ingin menjalankan asisten coding pribadi tanpa API cloud, tanpa koneksi server eksternal, dan tetap bisa berjalan di perangkat konsumen menggunakan runtime seperti llama.cpp, LM Studio, Jan, Ollama, atau aplikasi lain yang mendukung GGUF.

Rekomendasi awal: gunakan Q4_K_M untuk keseimbangan terbaik antara kualitas, ukuran file, dan performa.

---

Ringkasan Model

---

Keunggulan Utama

• Dapat berjalan secara lokal dan offline.
• Cocok untuk coding Python dan latihan algoritma.
• Mendukung reasoning sebelum menghasilkan jawaban.
• Tersedia dalam beberapa pilihan quant GGUF.
• Bisa digunakan di perangkat dengan VRAM atau unified memory terbatas.
• Cocok untuk eksperimen local LLM, coding assistant, dan pembelajaran pemrograman.
• Tidak membutuhkan API berbayar.
• Lebih fokus untuk tugas coding dibanding penggunaan umum.

---

Arsitektur Alur Kerja

flowchart TD
    A[Prompt Pengguna] --> B[Template Chat Gemma 4]
    B --> C[Tahap Reasoning]
    C --> D[Perencanaan Solusi]
    D --> E[Pembuatan Kode]
    E --> F[Pengecekan Edge Case]
    F --> G[Jawaban Akhir]

    H[File GGUF] --> I[llama.cpp / LM Studio / Jan / Ollama]
    I --> B

---

Data Training

Blueboop Jigsaw menggunakan data coding yang bersifat verifiable, yaitu data yang solusi akhirnya dapat diuji menggunakan test case deterministik.

Dataset Utama: Composer 2.5 Real CoT

Dataset utama berasal dari reasoning trace asli yang dibuat oleh model teacher pada tugas-tugas coding.

Kriteria data yang digunakan:

• Masalah harus berhubungan dengan coding.
• Solusi harus dapat dijalankan.
• Kode harus lolos test case.
• Reasoning harus mengarah ke solusi akhir yang benar.
• Solusi yang gagal atau tidak valid tidak dimasukkan ke training.

Dataset Tambahan: Fable 5 Recovery Set

Dataset tambahan digunakan untuk memperbaiki kasus yang gagal diselesaikan oleh teacher utama.

Tujuannya:

• Memperbaiki performa pada soal sulit.
• Meningkatkan kemampuan menangani edge case.
• Meningkatkan konsistensi reasoning.
• Membantu model memahami pola debugging dan penyelesaian masalah.

---

Diagram Training

flowchart LR
    A[Soal Coding] --> B[Percobaan Composer 2.5]
    B --> C{Lolos Test?}
    C -->|Ya| D[Dataset Utama]
    C -->|Tidak| E[Dicoba Ulang oleh Fable 5]
    E --> F{Lolos Test?}
    F -->|Ya| G[Dataset Tambahan]
    F -->|Tidak| H[Dibuang]
    D --> I[Final Training Mix]
    G --> I
    I --> J[Blueboop Jigsaw]

---

Benchmark Ringkas

Benchmark berikut adalah gambaran evaluasi internal. Hasil dapat berubah tergantung hardware, runtime, quantization, prompt template, dan pengaturan sampling.

---

Chart Benchmark

xychart-beta
    title "Preview tau2-bench Telecom"
    x-axis ["Gemma 4 12B IT", "Blueboop Jigsaw v2 Preview"]
    y-axis "Score %" 0 --> 60
    bar [15, 55]

---

Perbandingan Skor Preview

pie title Perbandingan Skor tau2-bench Telecom Preview
    "Gemma 4 12B IT ~15%" : 15
    "Blueboop Jigsaw v2 Preview ~55%" : 55

---

Pilihan Quant GGUF

---

Rekomendasi Quant

flowchart TD
    A[Berapa VRAM atau unified memory yang tersedia?] --> B{Kurang dari 8 GB}
    B -->|Ya| C[Gunakan Q2_K]
    B -->|Tidak| D{8 GB sampai 12 GB}
    D -->|Ya| E[Gunakan Q3_K_M atau Q4_K_M]
    D -->|Tidak| F{12 GB sampai 16 GB}
    F -->|Ya| G[Gunakan Q4_K_M atau Q6_K]
    F -->|Tidak| H{16 GB atau lebih}
    H -->|Ya| I[Gunakan Q6_K atau Q8_0]

---

Estimasi Memori dan Context Length

Estimasi berikut menggunakan asumsi:

• KV cache q8_0
• Overhead runtime sekitar 1.5 GB
• Context maksimal 256K token
• Hasil nyata bergantung pada runtime, GPU, RAM, sistem operasi, dan backend

---

Context Length

Metadata model telah diperbarui menjadi:

gemma4.context_length = 262144

Artinya model mendukung context length hingga 256K token.

Jika file GGUF lama masih terbaca 131K, silakan unduh ulang versi terbaru.

---

Cara Menjalankan

Opsi A: llama.cpp

Pastikan menggunakan versi llama.cpp terbaru yang sudah mendukung arsitektur Gemma 4 unified.

Contoh file .bat untuk Windows:

@echo off
cd /d C:\llama.cpp

llama-server.exe ^
  -m C:\models\blueboop-jigsaw-Q4_K_M.gguf ^
  --ctx-size 16384 ^
  --n-gpu-layers 99 ^
  --no-mmap ^
  -fa on ^
  --cache-type-k q8_0 --cache-type-v q8_0 ^
  --temp 1.0 ^
  --top-p 0.95 ^
  --top-k 64 ^
  --host 0.0.0.0 ^
  --port 18080

pause

Lalu buka:

http://localhost:18080

---

Opsi B: llama.cpp CLI

./llama-cli \
  -m ./models/blueboop-jigsaw-Q4_K_M.gguf \
  --ctx-size 8192 \
  --n-gpu-layers 99 \
  --temp 1.0 \
  --top-p 0.95 \
  --top-k 64

---

Opsi C: LM Studio

Langkah penggunaan:

1. Buka LM Studio.
2. Import file GGUF.
3. Pilih quant yang ingin digunakan.
4. Gunakan template chat Gemma jika tersedia.
5. Jalankan model secara lokal.

---

Opsi D: Ollama

Buat file bernama Modelfile:

FROM ./blueboop-jigsaw-Q4_K_M.gguf

PARAMETER temperature 1.0
PARAMETER top_p 0.95
PARAMETER top_k 64
PARAMETER num_ctx 8192

Lalu jalankan:

ollama create blueboop-jigsaw -f Modelfile
ollama run blueboop-jigsaw

---

Pengaturan Rekomendasi

Untuk Chat Umum

Untuk Coding

Untuk Long Context

---

Thinking Mode

Blueboop Jigsaw dilatih agar dapat melakukan reasoning sebelum memberikan jawaban akhir.

Agar hasil lebih baik:

• Gunakan chat template Gemma.
• Aktifkan thinking mode jika runtime mendukung.
• Untuk coding, minta model menjelaskan pendekatan secara singkat sebelum menulis kode.
• Untuk hasil lebih deterministik, gunakan temperature rendah.

Contoh prompt:

Selesaikan masalah Python berikut. Jelaskan pendekatan secara singkat, sebutkan edge case, lalu berikan kode yang bersih dan bisa dijalankan.

---

Contoh Prompt

Kamu adalah asisten coding. Selesaikan masalah berikut menggunakan Python.

Tugas:
Diberikan sebuah list integer, kembalikan panjang longest increasing subsequence.

Syarat:
- Jelaskan pendekatan secara singkat.
- Sertakan kompleksitas waktu dan memori.
- Berikan kode Python yang bersih.

---

Contoh Output

from bisect import bisect_left

def length_of_lis(nums):
    tails = []

    for num in nums:
        idx = bisect_left(tails, num)

        if idx == len(tails):
            tails.append(num)
        else:
            tails[idx] = num

    return len(tails)

Penjelasan singkat:

Gunakan array tails, di mana tails[i] menyimpan nilai terkecil yang mungkin menjadi akhir subsequence naik dengan panjang i + 1.
Setiap angka ditempatkan menggunakan binary search. Kompleksitas waktunya O(n log n), dan kompleksitas memorinya O(n).

---

Use Case

Model ini cocok untuk:

• Coding Python
• Latihan algoritma
• Competitive programming
• Debugging script kecil
• Penjelasan kode
• Refactoring kode sederhana
• Asisten coding lokal
• Pembelajaran pemrograman
• Eksperimen local LLM
• Eksperimen agentic coding ringan

---

Keterbatasan

Blueboop Jigsaw adalah model yang difokuskan untuk coding. Model ini tidak disarankan dijadikan sumber utama untuk fakta umum atau keputusan penting.

Keterbatasan yang perlu diperhatikan:

• Paling kuat untuk Python dan coding algoritmik.
• Bisa lebih lemah untuk bahasa pemrograman selain Python.
• Bisa salah pada API, library, atau framework yang sangat spesifik.
• Bisa menghasilkan nama package, fungsi, atau konfigurasi yang tidak valid.
• Fakta umum tetap perlu diverifikasi.
• Performa long context sangat bergantung pada hardware dan runtime.
• Quant kecil dapat menurunkan kualitas reasoning.
• Belum safety-aligned untuk penggunaan produksi.

---

Catatan Keamanan

Model ini memiliki perilaku refusal yang lebih rendah karena data training lebih fokus pada tugas coding.

Sebelum digunakan untuk produksi:

• Tambahkan guardrail sendiri.
• Selalu review kode yang dihasilkan.
• Jalankan test sebelum deploy.
• Jangan menjalankan script secara membabi buta.
• Validasi output untuk tugas keamanan, finansial, legal, atau sistem kritikal.
• Gunakan sandbox saat menjalankan kode yang belum diverifikasi.

---

Preview Blueboop Jigsaw v2

Blueboop Jigsaw v2 direncanakan sebagai versi yang lebih kuat untuk agentic coding dan debugging.

Fokus v2:

• Agentic coding
• Terminal-style debugging
• Diagnose, fix, verify workflow
• Tool-use behavior
• Instruksi lebih konsisten
• Benchmark agentic lebih baik

Preview benchmark:

Detail benchmark lengkap sebaiknya ditulis di model card v2 setelah rilis.

---

Safetensors Master

Versi full-precision safetensors tersedia di:

dhafapermadi/blueboop-jigsaw-1.8

Gunakan versi safetensors jika ingin:

• Membuat GGUF quant sendiri.
• Membuat versi MLX.
• Membuat AWQ/GPTQ quant.
• Melanjutkan fine-tuning.
• Melakukan evaluasi custom.
• Mengembangkan model turunan.

---

Base Model dan Lisensi

• Base model: google/gemma-4-12B-it
• Format model: GGUF
• Lisensi: Apache 2.0
• Fine-tune license: Apache 2.0
• Penggunaan: riset, eksperimen, local coding assistant, dan workflow pengembangan

Model ini dibagikan apa adanya tanpa garansi.

---

Citation

Jika menggunakan model ini, bisa mencantumkan citation berikut:

@misc{blueboop_jigsaw_gguf,
  title        = {Blueboop Jigsaw GGUF},
  author       = {Dhafa Nazula Permadi},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/dhafapermadi/blueboop-jigsaw-gguf}},
  note         = {Local coding reasoning model based on Gemma 4 12B}
}

---

Rekomendasi Akhir

Untuk pemakaian umum:

Q4_K_M + llama.cpp + context 8K sampai 16K

Untuk kualitas lebih tinggi:

Q6_K atau Q8_0 + context lebih besar + temperature rendah untuk coding

Untuk perangkat terbatas:

Q2_K atau Q3_K_M + context kecil + KV cache ringan

Blueboop Jigsaw dibuat untuk pengguna yang ingin memiliki asisten coding lokal, privat, ringan, dan bebas dari ketergantungan API cloud.