Stòr: Neach-aithris Gu Bon-gyu, Digital Times
Luaidh slàn air an artaigil “Tòiseachadh AI Clevi a’ dol a-steach don 2.5% as àirde de GAIA… a’ sealltainn creideas dearbhte”
Ceann-latha foillseachaidh 2026-04-08
Ceangal : https://n.news.naver.com/article/029/0003020511?sid=105
Dh’ainmich toiseach-tòiseachaidh AI dachaigheil ‘Clevi’ gu bheil e air modail fhèin agus fuasgladh àidseant fhèin a thogail bho scratch, agus gun deach e a-steach, mar a’ chiad chompanaidh ann an Coirèa a Deas, don 2.5% as àirde ann am benchmark GAIA, stèidhichte air na 3,090 modalan clàraichte uile.
A rèir mìneachadh a’ ghnìomhachais, tha GAIA, air a dhealbhadh le Meta AI agus air obrachadh le Hugging Face, a’ faighneachd do AI chan ann airson ‘comas aon rud a dhèanamh gu math’ ach airson ‘comas grunn chomasan a chur còmhla gus fìor dhuilgheadasan fhuasgladh’. Feumaidh e fiosrachadh a lorg air an lìon, clàran taobh a-staigh PDF a leughadh, ìomhaighean a sgrùdadh, còd a ruith gus àireamhachadh a dhèanamh, agus na toraidhean sin a chur còmhla gus aon fhreagairt cheart a thoirt seachad. Le 301 ceist phrìobhaideach, trì ìrean de dhuilgheadas, agus prionnsapal gun a bhith a’ foillseachadh nam freagairtean, tha an structar air a dhealbhadh gus nach bi cus-fhreagarrachadh no mealladh comasach.
Gus sgòr àrd fhaighinn san deuchainn seo, tha feum air dà rud. Comas reusanachaidh a’ mhodail chànain bhunaiteach, agus fuasgladh àidseant a cheanglas am modail ri innealan an t-saoghail fhìor agus a bheir comas dha gnìomhan a choileanadh gu fèin-riaghailteach. Ge bith dè cho math ’s a tha am modail, ma tha an t-àidseant lag chan urrainn dha Level 3 fhuasgladh; agus ge bith dè cho grinn ’s a tha an t-àidseant, ma tha comas reusanachaidh a’ mhodail gann, thèid freagairtean ceàrr a sgaoileadh aig na h-ìrean meadhanach.
Nuair a choimheadas sinn air structar làithreach bòrd-stiùiridh GAIA, chì sinn pàtran inntinneach. Tha a’ mhòr-chuid de na h-àidseantan aig a’ mhullach a’ gabhail ri ro-innleachd ‘measgachadh ioma-mhodail’, a’ cothlamadh grunn mhodalan bho chompanaidhean mòra teicneòlais leithid GPT, Claude agus Gemini. ’S e dòigh reusanta a tha seo a tha a’ cothlamadh neartan gach modail agus a’ dìon an aghaidh lùghdachadh sgòraidh mar thoradh air call fiosrachaidh agus adhbharan eile.
Ach cha deach Clevi còmhla ris an t-sreath sin. Bidh cip-5.5-agent (AI àidseantach), a chaidh a leasachadh bho scratch, a’ dealbhadh, a’ coileanadh agus a’ dearbhadh ghnìomhan iom-fhillte gu fèin-riaghailteach; agus bidh cip-5.5-mm (ioma-mhodail coitcheann àrd-choileanaidh) a’ tuigsinn agus ag reusanachadh thairis air diofar chruthan faidhle, leithid guth, ìomhaighean agus bhidio. Chaidh an dà mhodail seo a leasachadh gu neo-eisimeileach taobh a-staigh Clevi, agus cha deach API LLM bhon taobh a-muigh a chleachdadh idir.
Agus le bhith a’ cur 5 àidseantan a-steach do GAIA leis an stac mhodalan seilbhe seo, chlàraich iad uile sgòran sna 70an no nas àirde. Bho 79.07% aig a’ char as àirde gu 70.76%, dhearbh seo seasmhachd an staca gu lèir, chan e dìreach fortan aon toraidh.
A rèir mìneachadh na companaidh, tha àireamh eile air cùl na sgòra oifigeil de 79.07%. Rè ath-sgrùdadh iar-thoraidh taobh a-staigh CLEVI, chaidh a dhearbhadh gun robh àireamh mhòr de na 301 ceist air an robh an fhianais airson an fhreagairt cheart air chall bhon lìon phoblach làithreach. Nuair a chaidh an ath-mheasadh a dhèanamh a’ cleachdadh dìreach nan ceist aig a bheil am freagairt cheart fhathast ri fhaighinn air an lìon, bha ìre freagairt cheart CLEVI os cionn 98%. Tha seo nas àirde na a’ chuibheas daonna (92%) mu thràth.
Gu dearbh, nam biodh modalan coitcheann làidir bho chompanaidhean eile air an measgachadh, dh’fhaodadh an sgòr oifigeil a bhith air a thogail nas àirde. Ach cha do thagh CLEVI an ro-innleachd sin a dh’aona ghnothaich. B’ e amas a’ bhenchmairce seo dearbhadh an robh am model fhèin aig CLEVI, a chaidh a leasachadh from scratch, air ìre far am b’ urrainn dha farpais air an àrd-ùrlar chruinneil, seach farpais airson an sgòr as àirde.
Tha brìgh mhòr ann gum bi ainm air liosta stiùiridh GAIA, oir tha sin a’ ciallachadh gu bheil creideas dearbhte aige air a bhuileachadh le measadh neo-eisimeileach bho threas phàrtaidh. Tha seo na fhianais amasail a ghabhas cleachdadh ann an togail thasgaidhean, leudachadh thall thairis agus reic B2B anns gach ìre.
Thuirt riochdaire CLEVI: “Am measg nan 63 freagairt oifigeil cheàrr, thàinig mòran dhiubh bho neo-chòrdalachd ann an cruth an toraidh, mearachdan ann am mìneachadh stuth lèirsinneach agus ceistean nach gabhadh am freagairt air sgàth call fiosrachaidh. Chan eil seo cho mòr na chuingealachadh bunaiteach air reusanachadh loidsigeach ’s a tha e na dhuilgheadas le mionaideachd iar-ghiollachd agus ruigsinneachd air fiosrachadh bhon taobh a-muigh. Leis gur e model fhèin a th’ ann, faodaidh CLEVI e fhèin a leasachadh. Is e seo dìreach a’ bhuannachd structarail a tha aig model fhèin from scratch. Tha coileanadh CLEVI an turais seo a’ cur na ceiste seo air gnìomhachas AI Korean: “Dè cho fada ’s a bhios sinn an urra ri ‘eanchainn air iasad’?” Tha CLEVI air an rathad nas duilghe, from scratch, a thaghadh agus tha e airson an fhreagairt sin a dhearbhadh air àrd-ùrlar na cruinne.”