Modelo

Os modelos CLEVI divídense en tres familias de produtos: CIP, responsable da intelixencia xeral e da automatización do traballo; Cosa, responsable da xeración e do recoñecemento de voz; e Cova, responsable da extracción de información de documentos e imaxes. Cada produto pode utilizarse de forma independente ou conectarse para ofrecer servizos que abranguen o recoñecemento de documentos, a análise, a execución de tarefas e a orientación por voz.

CIP

CIP é responsable da intelixencia xeral e da automatización do traballo. Está composto por cip-5.5-im e cip-5.5-mm, aos que se accede a través da pasarela, e por cip-5.5-sm, que se desprega en servidores de edge e en instalacións locais.

cip-5.5-im e cip-5.5-mm

cip-5.5-im é adecuado para tarefas cun obxectivo e un ámbito de traballo claros. Entre os usos representativos están extraer a información necesaria dos materiais proporcionados, redactar resultados no formato especificado e modificar código conforme aos requisitos. A saída máxima de 64K úsase para redactar informes detallados ou resultados compostos por varias partes.

• Asistencia ao desenvolvemento: escribe funcións e funcionalidades, corrixe erros cun ámbito claro e implementa conforme aos patróns existentes.
• Xeración de probas: redacta borradores de probas e casos de validación baseándose nos requisitos e na implementación.
• Tratamento de documentos: encárgase de resumir, clasificar, extraer elementos, converter formatos e redactar borradores.
• Análise multimodal: revisa imaxes de pantallas e táboas e gráficos de documentos xunto coas explicacións relacionadas.
• Asistencia interactiva ao traballo: responde preguntas baseándose nos materiais de traballo e redacta os resultados necesarios.
• Procesamento masivo: úsase para resumir individualmente numerosos documentos, clasificar solicitudes e transformar datos.
• Subaxente: encárgase de subtarefas cunha delimitación clara, como explorar código, revisar ficheiros específicos e organizar materiais.

Por exemplo, úsase para recibir requisitos funcionais e código relacionado e redactar propostas de modificación, probas e explicacións dos cambios, ou para clasificar documentos recibidos e crear resumos para os responsables.

cip-5.5-mm é adecuado para tarefas que esixen comprender as relacións entre a información e manter a coherencia do traballo no seu conxunto. No desenvolvemento, revisa as conexións entre requisitos, deseño, implementación e probas; na análise documental, sintetiza as afirmacións e evidencias, así como as diferenzas e contradicións, de varios materiais.

• Implementación de funcionalidades complexas: modifica conxuntamente o código, as probas e a documentación tendo en conta os contratos e o comportamento de varios módulos.
• Análise de código a grande escala: revisa as relacións de chamadas, o fluxo de datos e o alcance do impacto dos cambios.
• Análise das causas de incidentes: contrasta os rexistros, a configuración, o código e os resultados de execución para organizar hipóteses sobre as causas e os procedementos de verificación.
• Apoio ao deseño e á toma de decisións: estrutura os requisitos e as restricións e analiza o impacto das alternativas de implementación.
• Análise sintética de varios documentos: organiza, baseándose nas evidencias, os puntos en común, as diferenzas e as contradicións de informes e documentos técnicos.
• Revisión integradora multimodal: interpreta conxuntamente textos e materiais visuais para analizar problemas e requisitos.
• Axente de varias etapas: úsase en tarefas que inclúen investigación, planificación, execución de ferramentas e revisión dos resultados.
• Redacción de documentos especializados: redacta informes técnicos, propostas de deseño e documentos de revisión detallados que reflicten condicións complexas e as súas evidencias.

Por exemplo, úsase para revisar conxuntamente os códigos relacionados e os rexistros dos erros producidos en varios servizos, ou para tarefas que abranguen desde a análise dos requisitos dunha función complexa ata a implementación e a revisión dos resultados da validación.

cip-5.5-sm

cip-5.5-sm realiza inferencia local e automatización de tarefas en servidores edge e contornos on-premises. Como o tamaño do modelo se pode axustar no intervalo de 24B~40B, a configuración pódese escoller de acordo cos recursos de computación do equipamento de despregamento e co rendemento necesario no lugar de operación. Ao procesar os datos preto do punto no que se xeran, úsase para integrar sistemas locais e aproveitar datos internos; se os modelos e as ferramentas necesarios se configuran localmente, pode funcionar mesmo en contornos con conexión externa limitada.

Encárgase de interpretar a información xerada no lugar de operación e conectala cos procedementos de procesamento. Clasifica os rexistros e as solicitudes, extrae a información necesaria dos datos e realiza tarefas repetitivas mediante ferramentas internas e scripts conectados.

• Procesamento de eventos locais: clasifica os rexistros dos equipos e a información de estado, e selecciona os eventos que requiren comprobación.
• Preprocesamento de datos: extrae os elementos clave dos rexistros de traballo e clasifícaos, etiquétaos e normalízaos.
• Encamiñamento de solicitudes: transmite as solicitudes recibidas ao sistema responsable ou ao procedemento de procesamento correspondente.
• Axente de tarefas local: realiza tarefas repetitivas consultando sistemas internos e executando scripts.
• Asistencia para tarefas on-premises: responde preguntas baseándose en materiais internos e organiza o contido do traballo.
• Apoio á análise posterior: selecciona os materiais que requiren revisión adicional e resume o contido clave.

Por exemplo, úsase nun fluxo que clasifica os rexistros operativos nun servidor do centro de traballo, consulta o historial relacionado e redacta un resumo do caso para a persoa responsable.

Cosa

Cosa é unha familia de produtos de voz que converte texto en voz, recoñece a voz de entrada como texto e permite rexistrar e reutilizar a voz desexada. Úsase para a orientación sobre servizos, a creación de contido, o apoio á accesibilidade e as interfaces de voz de axentes conversacionais.

cosa-a e cosa-b encárganse da xeración de voz, mentres que cosa-asr se encarga do recoñecemento de voz. cosa-a e cosa-b son modelos independentes que ofrecen as súas propias listas de voces e configuracións de síntese, e pódense seleccionar desde a mesma interface de servizo. As funcións que ofrecen en común os dous modelos son as seguintes.

• Texto a voz: sintetiza o texto introducido coa voz seleccionada.
• Clonación de voz: rexistra unha voz a partir dunha gravación de referencia para a que se ten permiso de uso e sintetiza novas frases.
• Deseño de voz: crea e rexistra unha voz describindo as características desexadas.
• Reutilización de voz: usa a voz rexistrada en sínteses posteriores.
• Configuración da síntese: axusta a velocidade de fala, o idioma e outros parámetros.
• Entrega en streaming: sintetiza por fragmentos a medida que chega o texto e entrega o audio de forma secuencial.
• Control da reprodución: admite pausar, retomar, deter e introducir frases adicionais.

A entrada progresiva de texto permite iniciar a reprodución de voz antes de completar toda a resposta. Mentres CIP redacta a resposta, pódese configurar un servizo no que cosa lea os fragmentos que xa estean preparados.

cosa-a

cosa-a admite texto a voz, clonación de voz, deseño de voz e saída en streaming. Ademais das funcións básicas para seleccionar a voz, o idioma e a velocidade de fala, ofrece opcións de control adicionais, como a configuración do número de pasos de síntese, a intensidade da guía e a lonxitude da xeración. Úsase para axustar a configuración durante o proceso de creación da voz e revisar os resultados, ou para aplicar varias configuracións ao mesmo guión e escoller o resultado.

• Sintetiza indicacións e notificacións para aplicacións, quioscos e sistemas empresariais.
• Crea materiais formativos e manuais de uso en formato de voz.
• Produce narracións para contido de vídeo e audio.
• Crea contido recorrente coa voz rexistrada.
• Úsase para a saída de voz en streaming de axentes conversacionais.
• Úsase para a creación de voz axustando configuracións detalladas de síntese.

cosa-b

cosa-b admite a selección de voces predefinidas, o deseño de voz baseado en descricións, a clonación baseada en voces de referencia e a saída en streaming. Permite escoller unha voz da súa propia lista de voces ou rexistrar unha nova voz para usala no servizo.

A clonación de voz utiliza unha gravación de referencia e o texto correspondente. Tamén admite un fluxo no que se xera o texto de referencia mediante recoñecemento de voz durante o proceso de rexistro, e a voz rexistrada reutilízase en sínteses posteriores.

• Configura a personalidade vocal de servizos e personaxes.
• Crea voces personalizadas a partir dunha descrición ou dunha gravación de referencia.
• Sintetiza indicacións de marca, diálogos de personaxes e narracións de contido.
• Úsase para as respostas de voz de axentes conversacionais.
• Sintetiza mensaxes de indicación e guións que cambian mantendo a mesma voz.

Ao elixir entre cosa-a e cosa-b, tome como referencia a voz que desexa, o resultado real da síntese e os elementos de control que necesita.

cosa-asr

cosa-asr converte a voz de entrada en texto. Documenta gravacións ou transforma as solicitudes recibidas por voz en entradas que os sistemas posteriores de xestión poden procesar.

• Transcribe notas de voz e gravacións.
• Converte preguntas e solicitudes de traballo baseadas na voz en entradas.
• Xera texto de referencia para a clonación de voz.
• Utilízao para procesos posteriores á transcrición, como o resumo, a clasificación e a busca.

Ao transmitir os resultados da transcrición a CIP, o proceso continúa co resumo do contido, a clasificación das solicitudes e a elaboración de borradores de traballo. Se os resultados do procesamento se sintetizan con cosa-a ou cosa-b, obtense un servizo de xestión con entrada e saída de voz.

Cova

cova-1 é un modelo especializado en OCR visual baseado en LLM. Recoñece texto en documentos e imaxes, extrae o deseño e a estrutura das táboas e ofrece descricións sinxelas dos elementos visuais.

Converte os documentos que ven as persoas nun formato axeitado para o uso por parte de axentes e sistemas de xestión. Extrae o corpo do texto e as táboas como contido estruturado e transmite as imaxes incluídas nos documentos mediante descricións breves, permitindo que os axentes posteriores comprendan tanto o contido do documento como o contexto visual. Se configura un fluxo no que primeiro se analiza o material a partir do texto e as descricións extraídos e só se revisan adicionalmente os orixinais que requiren unha comprobación detallada, pode reducir a cantidade de veces que se introducen as imaxes orixinais e aforrar tokens de contexto.

• Dixitalización de documentos: converte documentos en papel e materiais escaneados en materiais baseados en texto.
• Recepción de documentos de traballo: extrae contido de formularios de solicitude, documentos xustificativos e informes.
• Procesamento de datos de táboas: utiliza as táboas incluídas nos documentos para o procesamento posterior dos datos.
• Preprocesamento para a busca de coñecemento: converte imaxes de documentos e materiais visuais en texto e estruturas que se poden buscar.
• Automatización da revisión de documentos: transmite os resultados extraídos a CIP para comprobar elementos, resumir e comparar materiais.
• Optimización das entradas do axente: organiza o corpo, as táboas e as descricións de imaxes de documentos longos para transmitir só a información necesaria.

Por exemplo, extrae o corpo e as táboas dun informe e describe un gráfico inserido como un gráfico que mostra a tendencia das vendas por trimestre. Coa descrición, o axente identifica a existencia e o propósito do gráfico e, cando precisa cifras ou tendencias exactas, revisa adicionalmente o orixinal correspondente.

Conexión de produtos

Ao conectar os produtos, pódese configurar o seguinte fluxo.

• Traballo baseado en documentos: Cova extrae o corpo, as táboas e as descricións de imaxes; CIP selecciona e revisa os orixinais necesarios para realizar análises e procesar o traballo; e Cosa transmite os resultados por voz.
• Traballo baseado na voz: Cosa ASR converte as solicitudes de voz en texto, e cosa-a ou cosa-b le en voz alta as respostas procesadas por CIP.
• Automatización no lugar de traballo: cip-5.5-sm clasifica os datos do lugar de traballo e realiza tarefas locais, e transfire a cip-5.5-im ou cip-5.5-mm os materiais que precisan de análise integral adicional.

Chamadas permitidas na pasarela

Os plans da pasarela determinan as chamadas permitidas para cada modelo. A táboa seguinte mostra o alcance que habilitan os plans LLM_FREE, TTS_FREE e STT_FREE, que se aplican automaticamente sen necesidade de solicitude. Non inclúe os modelos habilitados por outras vías.

cip-5.5-sm e cova-1 non están nesta táboa de plans. cip-5.5-im-chat, cip-5.5-mm-h, cosa-tts, ivy-4-embedding, ivy-4-embedding-mm e ivy-4-mm que aparecen na táboa son ID de modelos que non están incluídos nas descricións dos produtos anteriores. A documentación sobre as chamadas á API indica a que ruta corresponde a clave de chamada.