Di dunia AI yang serba cepat ini, sistem **Agentic AI** sangat bergantung pada kemampuan model untuk memanggil berbagai alat secara andal. Ini berarti model harus bisa memilih fungsi yang tepat, memformat argumen dengan benar, dan mengintegrasikan hasilnya ke dalam alur kerja multi-langkah. Model-model besar seperti ChatGPT, Claude, dan Gemini memang bagus dalam hal ini. Namun, mereka punya kelemahan, seperti biaya tinggi, latensi, dan kebutuhan *hardware* yang besar. Ini membuat mereka kurang praktis untuk banyak penerapan di dunia nyata.

Untungnya, **Small Language Models (SLM)** mulai mengisi kekosongan ini. Beberapa opsi *open-weight* yang ringkas kini menawarkan dukungan *tool-calling* kelas satu. Kamu tidak perlu punya pusat data besar untuk menjalankannya. Artikel ini akan membahas **5 Small Language Models for Agentic Tool Calling** yang patut kamu pertimbangkan.

## Mengapa Small Language Models Penting untuk Agentic Tool Calling?

Model AI agentic butuh kemampuan untuk berinteraksi dengan dunia luar. Mereka harus bisa menggunakan alat atau *tool* untuk melakukan tugas spesifik, seperti mencari informasi, menjalankan kalkulasi, atau mengontrol perangkat. Bayangkan agen AI yang perlu memesan tiket pesawat. Dia harus bisa memanggil fungsi untuk mencari jadwal penerbangan, membandingkan harga, dan akhirnya memesan.

SLM menjadi pilihan menarik karena:
*   **Efisiensi Biaya:** Penggunaan API model besar bisa mahal. SLM mengurangi biaya operasional.
*   **Latensi Rendah:** Model kecil cenderung lebih cepat dalam menghasilkan respons, penting untuk aplikasi *real-time*.
*   **Kebutuhan Hardware Minimal:** Banyak SLM bisa berjalan di perangkat dengan sumber daya terbatas, bahkan di perangkat *edge* seperti *smartphone* atau IoT.
*   **Privasi Data:** Untuk kasus penggunaan tertentu, menjalankan model secara *on-device* bisa meningkatkan privasi data.

Berikut adalah 5 SLM yang mendukung *tool-calling* secara terstruktur dan hadir dalam paket *open-weight* yang ringkas.

## Daftar 5 Small Language Models untuk Agentic Tool Calling

| Model                     | Parameter | Dukungan Tool Calling                    | Lisensi         | Fitur Utama                                                                                                                                                                                                                                                                                           |
|---------------------------|-----------|------------------------------------------|-----------------|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| SmolLM3-3B                | 3B        | JSON/XML (`function_call`), Python (`tool_code`) | Open (weights, datasets, code) | Penalaran dual-mode, 6 bahasa, konteks panjang, GQA, NoPE, dilatih pada 11.2T token, APO, ideal untuk perangkat edge atau VRAM rendah.                                                                                                                                                                |
| Qwen3-4B-Instruct-2507    | 4B        | Melalui `tokenizer.apply_chat_template`  | Tidak disebutkan | Peningkatan instruksi, penalaran logis, pemahaman teks, matematika, sains, coding, cakupan pengetahuan *long-tail* multi-bahasa. GQA, efisien untuk konteks sangat panjang, dioptimalkan untuk respons cepat, latensi rendah.                                                                                   |
| Phi-3-mini-4k-instruct    | 3.8B      | Tidak dijelaskan secara spesifik, namun memiliki penalaran yang kuat | MIT             | Ringan, dilatih dengan data berkualitas tinggi, SFT, DPO, dapat berjalan di perangkat (smartphone), setara GPT-3.5 dalam benchmark, jendela konteks 4K, cocok untuk lingkungan terbatas memori/komputasi, tugas penalaran kuat (matematika, logika).                                                 |
| Gemma-4-E2B-it            | Efektif, <1.5GB memori (kuantisasi) | Native function calling                  | Apache 2.0      | Arsitektur *hybrid attention*, PLE untuk efisiensi memori, dioptimalkan untuk *on-device* (mobile, IoT), multimodal (teks, gambar, audio, video).                                                                                                                                                               |
| Mistral-7B-Instruct-v0.3  | 7B        | Extended vocabulary (`tool_code`, `tool_result`) | Tidak disebutkan | Vocabulary 32,768 token, mendukung tokenizer v3, GQA, SWA, performa instruksi terbaik di grup, standar industri, tersedia luas.                                                                                                                                                                         |

### 1. SmolLM3-3B

**SmolLM3-3B** adalah model bahasa dengan 3 miliar parameter yang dirancang untuk mendorong batas kemampuan model kecil. Model ini mendukung penalaran dual-mode, 6 bahasa, dan konteks panjang. Arsitekturnya adalah *decoder-only transformer* yang menggunakan **Grouped Query Attention (GQA)** dan **No Positional Embeddings (NoPE)** dengan rasio 3:1. Model ini dilatih pada 11.2 triliun token yang mencakup data web, kode, matematika, dan penalaran.

Setelah pelatihan awal, SmolLM3 menjalani fase tengah pelatihan dengan 140 miliar token penalaran. Lalu ada *supervised fine-tuning* dan *alignment* melalui **Anchored Preference Optimization (APO)**. SmolLM3 mendukung dua antarmuka *tool-calling* yang berbeda: **JSON/XML blobs** melalui `function_call` dan panggilan fungsi gaya Python melalui `tool_code`. Ini membuatnya sangat fleksibel untuk *agentic pipelines* dan sistem RAG. Dengan rilis sepenuhnya terbuka, termasuk *weights*, *datasets*, dan kode pelatihan, SmolLM3 adalah pilihan bagus untuk *chatbot*, sistem RAG, dan asisten kode pada *hardware* terbatas seperti perangkat *edge* atau mesin dengan VRAM rendah.

Contoh dasar penggunaan `function_call` atau `tool_code` untuk instruksi:
```python
# Contoh ilustrasi (bukan kode asli dari referensi)
if model_output.has_tool_call():
    tool_name = model_output.tool_call.name
    args = model_output.tool_call.arguments
    # Eksekusi tool_name dengan args
    result = execute_tool(tool_name, args)
    # Masukkan result kembali ke model
```

### 2. Qwen3-4B-Instruct-2507

**Qwen3-4B-Instruct-2507** adalah versi terbaru dari mode non-thinking Qwen3-4B. Model ini punya peningkatan signifikan dalam kemampuan umum, termasuk *instruction following*, penalaran logis, pemahaman teks, matematika, sains, *coding*, dan penggunaan alat. Model ini juga punya peningkatan substansial dalam cakupan pengetahuan *long-tail* di berbagai bahasa.

Varian Instruct dan Thinking sama-sama punya 4 miliar parameter total (3.6B tidak termasuk *embeddings*) yang dibangun di 36 lapisan *transformer*. Mereka menggunakan GQA dengan 32 *query heads* dan 8 *key/value heads*, memungkinkan manajemen memori yang efisien untuk konteks yang sangat panjang. Varian non-thinking ini dioptimalkan untuk kasus penggunaan respons cepat dan langsung, seperti memberikan jawaban singkat tanpa jejak *chain-of-thought* eksplisit. Ini membuatnya cocok untuk *chatbot*, dukungan pelanggan, dan agen *tool-calling* yang mengutamakan latensi rendah. Qwen3 unggul dalam kemampuan *tool-calling*. Alibaba menyarankan penggunaan `tokenizer.apply_chat_template`, yang mengemas *template* dan *parser tool-calling* secara internal, sehingga mengurangi kompleksitas *coding*, dengan dukungan untuk berkas konfigurasi *server* MCP.

### 3. Phi-3-mini-4k-instruct

**Phi-3-mini-4k-instruct** adalah model terbuka ringan berparameter 3.8 miliar yang canggih. Model ini dilatih dengan *dataset* Phi-3 yang mencakup data sintetis dan data web publik yang difilter, dengan fokus pada properti berkualitas tinggi dan padat penalaran. Proses *post-training* model ini mencakup **Supervised Fine-Tuning (SFT)** dan **Direct Preference Optimization (DPO)** untuk *instruction following* dan keamanan.

Model ini adalah salah satu andalan Microsoft yang dikenal sebagai "small but smart". Phi-3-mini jadi sorotan saat diluncurkan karena kemampuannya berjalan di perangkat, termasuk *smartphone*, sambil menyaingi GPT-3.5 dalam *benchmark* kemampuan. Model ini memang lebih tua dari model lain dalam daftar ini dan terbatas pada jendela konteks 4K. Namun, lisensi MIT membuatnya menjadi salah satu opsi dengan lisensi paling permisif yang tersedia. Penalaran umumnya yang kuat menjadikannya dasar populer untuk *fine-tuning* dalam aplikasi komersial. Model ini utamanya ditujukan untuk lingkungan dengan keterbatasan memori dan komputasi, skenario yang terikat latensi, dan tugas yang membutuhkan penalaran kuat, terutama matematika dan logika.

### 4. Gemma-4-E2B-it

**Gemma-4-E2B-it** adalah bagian dari keluarga Gemma 4 dari Google DeepMind. Model ini menampilkan mekanisme *hybrid attention*, yakni *local sliding window attention* dengan *full global attention*. Desain ini memberikan kecepatan pemrosesan dan jejak memori rendah seperti model ringan, tanpa mengorbankan kesadaran mendalam yang dibutuhkan untuk tugas konteks panjang yang kompleks.

Huruf "E" dalam E2B berarti parameter "effective", dimungkinkan oleh inovasi arsitektural utama yang disebut **Parallelized Low-Rank Embedding (PLE)**. PLE menambahkan *conditioning vector* khusus di setiap lapisan *decoder*. Ini adalah mekanisme yang memungkinkan E2B berjalan di bawah 1.5 GB memori dengan kuantisasi dan tetap menghasilkan *output* yang berharga. Model ini mendukung panggilan fungsi *native*, memungkinkan alur kerja *agentic*. Model ini juga dioptimalkan untuk *on-device deployment* pada perangkat *mobile* dan IoT, mampu menangani masukan teks, gambar, audio, dan video. Dirilis di bawah Apache 2.0 (sebuah perubahan dari lisensi kustom yang lebih ketat pada generasi Gemma sebelumnya), Gemma 4 E2B adalah opsi menarik bagi para pengembang yang membangun aplikasi *agentic multimodal* yang berjalan sepenuhnya di *edge*.

### 5. Mistral-7B-Instruct-v0.3

**Mistral-7B-Instruct-v0.3** adalah versi *fine-tuned* instruksi dari Mistral-7B-v0.3. Model ini memperkenalkan tiga perubahan utama dibanding v0.2: *vocabulary* yang diperluas menjadi 32,768 token, dukungan untuk *tokenizer* v3, dan dukungan untuk *function calling*. Sebagai model terbesar dalam daftar ini dengan 7 miliar parameter, Mistral-7B-Instruct-v0.3 menawarkan performa *instruction-following* umum terbaik dari kelompok ini. Model ini telah menjadi *workhorse* standar industri, tersedia luas melalui Ollama, vLLM, dan sebagian besar platform *inference*.

Model ini menggunakan **Grouped-Query Attention** untuk *inference* yang lebih cepat dan **Sliding Window Attention (SWA)** untuk menangani urutan panjang secara efisien. Dukungan *function calling* dimungkinkan melalui *vocabulary* yang diperluas, termasuk `tool_code` dan `tool_result`.

Kode contoh implementasi *function calling* mungkin terlihat seperti ini:
```json
{
    "tool_code": "get_weather_forecast",
    "parameters": {
        "location": "Jakarta",
        "days": 3
    }
}
```
Atau dalam respons model:
```json
{
    "tool_result": "Cuaca di Jakarta untuk 3 hari ke depan cerah dengan suhu rata-rata 30C."
}
```

## Kesimpulan

Lima model yang dibahas di sini, SmolLM3-3B, Qwen3-4B-Instruct-2507, Phi-3-mini-4k-instruct, Gemma-4-E2B-it, dan Mistral-7B-Instruct-v0.3, memiliki arsitektur, jumlah parameter, jendela konteks, dan tanggal rilis yang bervariasi. Namun, mereka semua punya satu kesamaan penting: mereka mendukung *structured tool calling* dalam paket *open-weight* yang ringkas.

Dari SmolLM3 yang transparan dari Hugging Face hingga Gemma 4 E2B multimodal yang dioptimalkan untuk *edge* dari Google DeepMind, pilihan ini menunjukkan bahwa model *agentic* yang mumpuni tidak lagi membutuhkan infrastruktur besar dan model *frontier* untuk disebarkan. Prioritas Anda bisa jadi *inference on-device*, penanganan konteks panjang, cakupan multibahasa, atau lisensi yang paling permisif sekalipun. Salah satu model dalam daftar ini pasti layak untuk kamu coba.

Ingat, ini bukan satu-satunya *small language models* dengan kemampuan *tool-calling*. Namun, mereka mewakili model yang penulis miliki pengalaman langsung, dan nyaman untuk disertakan berdasarkan hasil yang didapatkan.

## Referensi
https://www.kdnuggets.com/5-small-language-models-for-agentic-tool-calling

Pelajari tentang 5 Small Language Models yang mendukung agentic tool calling secara efektif. Model-model ini menawarkan kemampuan canggih untuk memanggil alat tanpa membutuhkan infrastruktur besar atau biaya tinggi, ideal untuk berbagai implementasi di perangkat terbatas.

5 Small Language Models untuk Agentic Tool Calling: Pilihan Ringkas dan Andal

Reggi

Dunia AI agentik saat ini sangat bergantung pada kemampuan model untuk memanggil *tool* dengan andal. Ini berarti model harus bisa memilih fungsi yang tepat, memformat argumen dengan benar, dan mengintegrasikan hasil ke dalam alur kerja yang kompleks. Model-model besar seperti ChatGPT, Claude, dan Gemini memang handal dalam hal ini. Namun, mereka datang dengan berbagai kendala, mulai dari biaya tinggi, latensi, hingga kebutuhan perangkat keras yang besar. Hal ini sering membuat mereka kurang praktis untuk banyak penerapan di dunia nyata.

Untungnya, **Small Language Models for Agentic Tool Calling** telah berkembang pesat dan berhasil mengatasi kesenjangan ini. Beberapa pilihan model ringan dan *open-weight* kini menawarkan dukungan panggilan *tool* kelas satu tanpa perlu pusat data yang besar untuk menjalankannya. Mereka menghadirkan efisiensi dan fleksibilitas yang dibutuhkan pengembang.

Berikut ini adalah 5 *Small Language Models* yang patut kamu lirik untuk proyek AI agentikmu. Semua tautan model mengarah ke model yang di-host di Hugging Face untuk kemudahan dan konsistensi.

### 1. SmolLM3-3B

SmolLM3 adalah model bahasa berparameter 3B yang dirancang untuk mendorong batas kemampuan model kecil. Model ini mendukung penalaran dua mode, enam bahasa, dan konteks panjang. SmolLM3 adalah *decoder-only transformer* yang menggunakan *Grouped Query Attention* (GQA) dan *No Positional Embeddings* (NoPE) dengan rasio 3:1.

Pelatihan awal model ini menggunakan 11.2 triliun token dengan kurikulum bertahap yang mencakup data web, kode, matematika, dan penalaran. Pasca-pelatihan, SmolLM3 menjalani fase tengah pelatihan dengan 140 miliar token penalaran, diikuti oleh *Supervised Fine-Tuning* (SFT) dan penyelarasan melalui *Anchored Preference Optimization* (APO).

Model ini mendukung dua antarmuka panggilan *tool* yang berbeda. Kamu bisa menggunakan *JSON/XML blobs* atau panggilan fungsi gaya Python, membuatnya sangat fleksibel untuk *pipeline agentic* dan sistem RAG. Berikut contohnya:

```json
{
  "function_name": "get_current_time",
  "arguments": {
    "timezone": "Asia/Jakarta"
  }
}
```

```python
tool_call(
    function_name="send_notification",
    args={"user_id": "123", "message": "Pesan baru masuk!"}
)
```

Sebagai rilis yang sepenuhnya *open*, termasuk bobot, dataset, dan kode pelatihan, SmolLM3 ideal untuk *chatbot*, sistem RAG, dan asisten kode pada perangkat keras terbatas seperti perangkat *edge* atau mesin dengan VRAM rendah.

### 2. Qwen3-4B-Instruct-2507

Qwen3-4B-Instruct-2507 adalah versi terbaru dari mode *non-thinking* Qwen3-4B. Model ini menghadirkan peningkatan signifikan dalam kemampuan umum, termasuk kemampuan mengikuti instruksi, penalaran logis, pemahaman teks, matematika, sains, koding, dan penggunaan *tool*. Qwen3 juga memiliki cakupan pengetahuan *long-tail* yang substansial di berbagai bahasa.

Baik varian *Instruct* maupun *Thinking* memiliki total 4 miliar parameter (3.6B tidak termasuk *embeddings*). Model ini dibangun di atas 36 lapisan *transformer* dan menggunakan GQA dengan 32 *query heads* dan 8 *key/value heads*. Desain ini memungkinkan manajemen memori yang efisien untuk konteks yang sangat panjang. Varian *non-thinking* ini dioptimalkan untuk kasus penggunaan langsung dan respons cepat, seperti memberikan jawaban ringkas tanpa jejak *chain-of-thought* eksplisit. Ini membuatnya sangat cocok untuk *chatbot*, dukungan pelanggan, dan agen panggilan *tool* yang mengutamakan latensi rendah.

Qwen3 unggul dalam kemampuan panggilan *tool*. Alibaba merekomendasikan penggunaan **ModelScope library**, yang merangkum templat dan *parser* panggilan *tool* secara internal, mengurangi kompleksitas koding, dengan dukungan untuk *file konfigurasi server MCP*.

### 3. Phi-3-mini-4k-instruct

Phi-3-mini-4k-instruct adalah model *open* canggih dengan 3.8B parameter yang ringan. Model ini dilatih dengan dataset Phi-3 yang mencakup data sintetis dan data web publik yang difilter, dengan fokus pada properti berkualitas tinggi dan padat penalaran. Model ini menjalani proses pasca-pelatihan yang menggabungkan *Supervised Fine-Tuning* (SFT) dan *Direct Preference Optimization* (DPO) untuk mengikuti instruksi dan keamanan.

Sebagai model "kecil tapi pintar" andalan Microsoft, Phi-3-mini sangat menonjol saat diluncurkan karena kemampuannya berjalan di perangkat, termasuk *smartphone*, sambil menyaingi GPT-3.5 dalam *benchmark* kemampuan. Model ini utamanya ditujukan untuk lingkungan yang terbatas memori dan komputasi, skenario terikat latensi, dan tugas yang membutuhkan penalaran kuat, terutama matematika dan logika.

Meskipun lebih tua dari model lain dalam daftar ini dan terbatas pada *context window* 4K, lisensi MIT membuatnya menjadi salah satu pilihan dengan lisensi paling permisif. Kemampuan penalaran umumnya yang kuat telah menjadikannya dasar populer untuk *fine-tuning* dalam aplikasi komersial.

### 4. Gemma-4-E2B-it

Gemma-4-E2B-it adalah bagian dari keluarga Gemma 4 Google DeepMind. Model ini menampilkan mekanisme perhatian hibrida, yaitu *local sliding window attention* dengan *full global attention*. Desain ini memberikan kecepatan pemrosesan dan jejak memori rendah dari model ringan tanpa mengorbankan kesadaran mendalam yang diperlukan untuk tugas konteks panjang yang kompleks.

Huruf "E" dalam E2B berarti parameter "efektif". Ini dimungkinkan oleh inovasi arsitektur kunci yang disebut **Parallel Embedding Layer (PLE)**, yang menambahkan vektor pengondisian khusus di setiap lapisan *decoder*. Mekanisme inilah yang memungkinkan E2B berjalan di bawah 1.5 GB memori dengan kuantisasi dan tetap menghasilkan *output* yang berharga.

Model ini mendukung *native function calling*, memungkinkan alur kerja agentik. Gemma-4-E2B-it dioptimalkan untuk penerapan di perangkat *mobile* dan IoT, serta mampu menangani input teks, gambar, audio, dan video. Dirilis di bawah Apache 2.0 (perubahan dari lisensi kustom yang lebih ketat pada generasi Gemma sebelumnya), Gemma 4 E2B adalah pilihan menarik bagi pengembang yang membangun aplikasi agentik multimodal yang berjalan sepenuhnya di *edge*.

### 5. Mistral-7B-Instruct-v0.3

Mistral-7B-Instruct-v0.3 adalah versi *instruct fine-tuned* dari Mistral-7B-v0.3. Model ini memperkenalkan tiga perubahan kunci dibandingkan v0.2: kosakata diperluas menjadi 32,768 token, dukungan untuk *tokenizer* v3, dan dukungan untuk *function calling*.

Model ini menggunakan *grouped-query attention* untuk inferensi yang lebih cepat dan **Sliding Window Attention (SWA)** untuk menangani urutan panjang secara efisien. Dukungan *function calling* dimungkinkan melalui kosakata yang diperluas, termasuk **token tool_code**. Sebagai model terbesar dalam daftar ini dengan 7B parameter, Mistral-7B-Instruct-v0.3 menawarkan performa *instruction-following* umum terbaik di grup ini. Model ini telah menjadi *workhorse* standar industri, tersedia secara luas melalui Ollama, vLLM, dan sebagian besar platform inferensi.

### Perbandingan Singkat 5 Model SLM untuk Panggilan Tool Agentik

| Model                  | Parameter | Panggilan Tool                       | Fitur Utama                                                                                                                                                 | Lisensi     | Kasus Penggunaan Ideal                                              |
| :--------------------- | :-------- | :----------------------------------- | :---------------------------------------------------------------------------------------------------------------------------------------------------------- | :---------- | :------------------------------------------------------------------ |
| SmolLM3-3B             | 3B        | JSON/XML, Python-style               | Penalaran dua mode, 6 bahasa, konteks panjang, GQA, NoPE, *fully open*.                                                                                   | *Open*      | *Chatbots*, RAG, asisten kode di *hardware* terbatas (edge, VRAM rendah) |
| Qwen3-4B-Instruct-2507 | 4B        | ModelScope Library                   | Peningkatan umum (instruksi, penalaran, koding), pengetahuan *long-tail*, GQA, efisien untuk konteks panjang, respons cepat.                                   |             | *Chatbots*, dukungan pelanggan, agen *tool* latensi rendah           |
| Phi-3-mini-4k-instruct | 3.8B      |                                      | Berjalan di perangkat (*smartphone*), menyaingi GPT-3.5 (*benchmark*), penalaran kuat (matematika, logika), SFT, DPO.                                     | MIT License | Lingkungan terbatas memori/komputasi, skenario terikat latensi, tugas penalaran kuat |
| Gemma-4-E2B-it         | E2B       | *Native function calling*            | Perhatian hibrida, **Parallel Embedding Layer (PLE)**, memori rendah (<1.5GB dengan kuantisasi), multimodal (teks, gambar, audio, video).                  | Apache 2.0  | Aplikasi agentik multimodal di *edge*, perangkat *mobile* dan IoT   |
| Mistral-7B-Instruct-v0.3 | 7B        | Mendukung *function calling* (*tool_code tokens*) | Kosakata diperluas (32,768), *tokenizer* v3, GQA, **Sliding Window Attention (SWA)**, performa *instruction-following* terbaik di grup. |             | *Workhorse* standar industri, performa *instruction-following* umum |

*Catatan: Lisensi untuk Qwen3 dan Mistral tidak disebutkan spesifik di referensi, kecuali statusnya sebagai "open-weight". Parameter "E2B" pada Gemma adalah "effective parameters", bukan hitungan parameter mentah.*

### Kesimpulan

Kelima model yang dibahas di sini, yaitu SmolLM3-3B, Qwen3-4B-Instruct-2507, Phi-3-mini-4k-instruct, Gemma-4-E2B-it, dan Mistral-7B-Instruct-v0.3, memiliki arsitektur, jumlah parameter, *context window*, dan tanggal rilis yang bervariasi. Namun, mereka semua berbagi satu kesamaan penting: dukungan panggilan *tool* terstruktur dalam paket yang ringkas dan *open-weight*.

Mulai dari SmolLM3 yang transparan sepenuhnya dari Hugging Face hingga Gemma 4 E2B yang dioptimalkan untuk *edge* dan multimodal dari Google DeepMind, pilihan ini menunjukkan bahwa model agentik yang mumpuni tidak lagi memerlukan infrastruktur besar dan model *frontier* untuk diterapkan. Baik prioritasmu adalah inferensi di perangkat, penanganan konteks panjang, cakupan multibahasa, atau lisensi yang paling permisif, pasti ada model dalam daftar ini yang layak untuk dieksplorasi.

Perlu diingat, ini bukan satu-satunya *small language models* dengan kemampuan panggilan *tool*. Namun, kelima model ini mewakili pilihan yang penulis rasakan nyaman untuk direkomendasikan berdasarkan pengalaman langsung dan hasil pengujian.

## Referensi
https://www.kdnuggets.com/5-small-language-models-for-agentic-tool-calling

Pelajari 5 Small Language Models (SLM) terbaik yang mendukung panggilan tool terstruktur untuk sistem AI agentik, menawarkan efisiensi tanpa mengorbankan performa.

5 Small Language Models Pilihan untuk Panggilan Tool Agentik

Solusi praktis integrasi webmail custom ke dalam dashboard Gmail. Kelola, baca, dan kirim email domain pribadi langsung dari satu tempat tanpa ribet gonta-ganti tab.

Mengapa Kamu Masih Buka Dua Tab Terpisah? Panduan Setup Custom Webmail Langsung di Dashboard Gmail

Pelajari efisiensi merakit mesin tetas telur listrik AC otomatis dengan modal murah untuk mendongkrak hasil ternak unggas tanpa repot bolak-balik telur manual.

Otomasi Ternak Unggas: Kenapa Rakit Sendiri Mesin Penetas Telur AC Jauh Lebih Worth It Dibanding Cara Konvensional?

Pelajari bagaimana mesin tetas telur berbasis arus listrik DC bekerja menjaga suhu dan kelembapan ideal untuk mendongkrak keberhasilan penetasan telur unggas.

Mesin Tetas Telur Arus DC: Solusi Hardware Murah Buat Tingkatin Angka Penetasan Unggas

Kupas tuntas seluk-beluk mobil aki anak dengan kontrol ganda dan fitur multimedia. Pahami batas spesifikasi hardware sebelum eksekusi build sendiri.

EV Versi Mini: Membedah Mobil Listrik Aki Lengkap dengan Remote Control dan Fitur Multimedia

Pelajari cara merakit smart power strip berbasis NodeMCU dan Blynk untuk kontrol daya nirkabel serta integrasi IoT yang aman dan efisien.

Mengapa Beli Mahal Kalau Bisa Bikin Sendiri? Rancang Smart Power Strip Berbasis NodeMCU dan Blynk

Solusi tuntas mengatasi bug sistem dan software bermasalah di MacBook dengan panduan install ulang macOS lewat Internet Recovery secara aman.

#tool-calling

Getting Lastest Post..

Populer Bulan Ini