Naidheachdan

Farpais air a dhearbhadh le dàta—àidseant AI dachaigheil am measg nan 2.5% as àirde air GAIA Bench

Nuair a chaidh slat-tomhais GAIA fhoillseachadh an toiseach, cha do choilean eadhon GPT-4, a bha na mhodail aig an ìre as àirde aig an àm, ach sgòr de mu 30%. Leis gu bheil GAIA ag iarraidh barrachd na ceistean is fhreagairtean sìmplidh—reusanachadh iom-fhillte, cleachdadh innealan agus fuasgladh cheistean ioma-cheum—tha seo a’ ciallachadh gun robh AI aig an àm fhathast aig ìre thràth a thaobh “comas smaoineachadh agus gnìomhachadh”…

Brìgh sgòran GAIA — Dè cho mòr ’s a tha àidseantan AI air adhartas a dhèanamh?

Nuair a chaidh slat-tomhais GAIA fhoillseachadh an toiseach, cha do choilean eadhon GPT-4, a bha na mhodail aig an ìre as àirde aig an àm, ach sgòr de mu 30%. Leis gu bheil GAIA ag iarraidh barrachd na ceistean is fhreagairtean sìmplidh—reusanachadh iom-fhillte, cleachdadh innealan agus fuasgladh cheistean ioma-cheum—tha seo a’ ciallachadh gun robh AI aig an àm fhathast aig ìre thràth a thaobh “comas smaoineachadh agus gnìomhachadh”.

Ach an-diugh, tha na h-àidseantan aig a’ mhullach air 92.36% a ruighinn.

Chan e leasachadh coileanaidh sìmplidh a tha san atharrachadh seo. Tha e a’ sealltainn gu bheil AI a-nis air a dhol a-steach don ìre de ‘Agentic AI’, far a bheil e a’ dol nas fhaide na bhith a’ freagairt cheistean: bidh e ag eadar-mhìneachadh shuidheachaidhean, a’ taghadh nan innealan riatanach, agus a’ planadh is a’ cur an gnìomh grunn cheumannan leis fhèin.

Taobh a-staigh dìreach beagan bhliadhnaichean, tha AI air atharrachadh bho “inneal airson eòlas a chruthachadh” gu “neach-gnìomhachaidh a bhios a’ dèanamh obair”.

Ìomhaigh sa phrìomh theacsa

📌 Agus am measg nan 2.5% as àirde sin, tha CLEVI

Anns an àrainneachd cho-fharpaiseach chruinneil seo, tha clàradh àidseant CLEVI, a chaidh a leasachadh ann an Korea, am measg nan 2.5% as àirde air bòrd-stiùiridh GAIA a’ dearbhadh fèin-eisimeileachd theicneòlach agus a’ sealltainn gum faod àidseant AI a chaidh a chruthachadh ann an Korea coinneachadh ri inbhean cruinneil. Tha seo a’ ciallachadh barrachd na dìreach àireamh. Tha e a’ ciallachadh gu bheil an comas theicneòlach air a dhearbhadh gu h-oibseileach tro cho-fharpais le mìltean de mhodalan air slat-tomhais chruinneil fhosgailte, seach ann an àrainneachd demo shònraichte.

Nas cudromaiche buileach, chan e toradh fortanach de mhodail shingilte a tha san euchd seo; tha àidseantan le dealbhaidhean eadar-dhealaichte air coileanadh aig ìre àrd a chruthachadh a-rithist agus a-rithist air an aon Agent Stack.

Ann am faclan eile, chan e “toradh a thàinig a-mach gu math aon turas” a th’ ann an teicneòlas CLEVI, ach farpaiseachd structarail ath-riochdachail agus comas aig ìre àrd-ùrlair a ghabhas leudachadh gu diofar ghnìomhachasan agus shuidheachaidhean.

Ìomhaigh sa phrìomh theacsa

Mar sin, dè tha an comharra seo a’ ciallachadh?

Bho shealladh an neach-cleachdaidh, ’s e a’ cheist “An urrainn dhomh earbsa a chur ann agus an obair fhàgail na làmhan?” an cnap-starra as motha mu choinneimh gabhail ri AI.

Is e coileanadh a chaidh a dhearbhadh a-rithist is a-rithist air àrd-ùrlar treas-phàrtaidh—an leaderboard poblach cruinneil—seach ann an demoichean eireachdail no stuthan taisbeanaidh na companaidh fhèin, an fhreagairt as neo-eisimeiliche don cheist sin. Gu sònraichte, tha e cudromach ann an trì dòighean.

An toiseach, lùghdachadh ann an cunnart cur an gnìomh

Tha ceangal AI nach deach a dhearbhadh ri gnìomhan a-staigh na uallach mòr do chompanaidhean.

Faodar coileanadh ann am benchmarks earbsach leithid GAIA a chleachdadh gu dìreach mar bhunait earbsa aig ìre ath-sgrùdadh teicneòlais.

San dàrna àite, fèin-ghluasad ghnìomhan iom-fhillte ga dhèanamh practaigeach

Tha an àireamh 2.5% as àirde a’ riochdachadh ìre de dh’fhiosrachadh a tha a’ dol seachad air gnìomhan ath-aithriseach sìmplidh, a’ tuigsinn co-theacsa agus a’ dèanamh cho-dhùnaidhean ioma-cheum leis fhèin gus gnìomhan a choileanadh.

Faodaidh na raointean obrach a bha air am meas ro dhoirbh roimhe seo “a chur fo chùram AI” a bhith nan targaidean fìor airson fèin-ghluasad.

San treas àite, tèarainteachd dàta agus coileanadh air an coileanadh aig an aon àm

Tha structar Agent Stack fhèin a’ ciallachadh nach tèid sruth dàta a-mach.

Faodar faighinn seachad air an dileab a bh’ ann roimhe, far am feumadh tèarainteachd a bhith air a cho-rèiteachadh gus AI àrd-choileanaidh a chleachdadh.

Gu sònraichte ann an gnìomhachasan le dàta air leth mothachail, leithid ionmhas, cùram slàinte agus seirbheisean laghail, tha an structar seo na bhuannachd shònraichte dheatamach.

Tha comas ath-riochdachaidh an structair air tòiseachadh air a dhearbhadh mar-thà.

Agus bidh coileanadh gach àidseant a thèid a thogail air an structar sin a’ leantainn gu atharrachaidhean susbainteach san raon obrach.

“Aig a’ cheann thall, tha coileantachd teicneòlais air a crìochnachadh le ‘misneachd’ san raon obrach.”

Chan eil CLEVI dìreach a’ toirt seachad AI àrd-choileanaidh. ’S e ar n-inbhe a bhith a’ togail “bun-structar gnìomhach” a bhriseas sìos na cnapan-starra tèarainteachd a tha mu choinneamh chompanaidhean agus a chuireas crìoch dha-rìribh air obair phractaigeach iom-fhillte.

A-nis, seach a bhith fhathast aig ìre beachdachaidh air cur an gnìomh, tòisich air àrainneachd obrach AI thèarainte is chumhachdaich còmhla ri CLEVI.

Mar chom-pàirtiche earbsach as urrainn dhut obair a chur fo a chùram, cruthaichidh sinn ùr-ghnàthachadh susbainteach còmhla san ghnìomhachas agad.

Air ais dhan t-seòmar-naidheachd
CLEVI

Cànan agus roinn-dùthcha

Tha cànanan air an eadar-theangachadh le inneal air an comharrachadh. Tha am faighinn rim faighinn a rèir a’ phacaid làraich fhoillsichte.

136 cànan

Air a mholadh

1

Àisia an Ear

7

Àisia an Ear-dheas

11

Àisia a Deas

18

Meadhan Àisia

5

An Ear Mheadhanach agus a’ Chagais

10

An Roinn-Eòrpa an Iar agus An Roinn-Eòrpa a Deas

16

An Rìoghachd Aonaichte agus Èirinn

4

An Roinn-Eòrpa a Tuath

10

Meadhan na Roinn-Eòrpa agus na Balcanan

14

An Roinn-Eòrpa an Ear

5

Afraga an Ear

8

Afraga an Iar agus Meadhan Afraga

9

Ceann a Deas Afraga

8

An Dà Aimeireaga

5

Roinn a’ Chuain Sèimh

5
Farpais air a dhearbhadh le dàta—àidseant AI dachaigheil am measg nan 2.5% as àirde air GAIA Bench — CLEVI