Sous : Jounal elektwonik, repòtè Lee Won-ji
Sitasyon konplè atik “CLEVI, avèk yon modèl pwòp li devlope from scratch, rive nan 79.07% sou GAIA... pami 2.5% pi bon nan 3,090 modèl”
Dat piblikasyon : 2026-04-07
Lyen : https://www.etnews.com/20260407000203
cip-5.5-agent·cip-5.5-mm pil modèl endepandan, 5 ajan, tout depase 70 pwen
Lè yo pran pèt enfòmasyon an konsiderasyon, to repons kòrèk la depase 98%, pi wo pase moun (92%)
Startup AI 'CLEVI' te anrejistre yon to repons kòrèk 79.07% sou 'GAIA', yon referans mondyal pou ajan AI, grasa itilizasyon yon modèl pwòp li devlope from scratch, epi li klase nan 2.5% pi bon yo pami 3,090 modèl ki anrejistre an total.
Dapre eksplikasyon endistri a, yo konsidere GAIA kòm yon referans ki reflete fidèlman kapasite 'ajan AI pratik' yo nan mache referans AI a. Meta AI, HuggingFace ak Inivèsite Paris-Saclay te devlope referans sa a ansanm, epi yo te pibliye l pou premye fwa nan mwa novanm 2023.
Gen twa aspè kle ki fè GAIA diferan de lòt referans yo. Premyèman, paske repons ki kòrèk yo pa piblik, li enposib pou fè surajisteman. Dezyèmman, paske li mande rezònman konplèks ki gen plizyè etap ak plizyè modalite, li enposib pou jwenn bon rezilta sèlman avèk matche modèl. Twazyèmman, plis pase 3,090 modèl atravè lemond konpetisyon nan menm kondisyon yo atravè klasman ofisyèl HuggingFace la.
Ansèyman tès la gen 301 kesyon an total. Level 1 mande itilizasyon yon sèl zouti ak rezònman senp; Level 2 mande konbinezon plizyè zouti ak rezònman entèmedyè; Level 3 se kesyon ki pi difisil yo, ki mande planifikasyon ak egzekisyon ajan sou 5 etap oswa plis. Lè yo te anonse referans la, rezilta yo te anviwon 15% pou modèl GPT yo (avèk plugin), epi ekip ki nan tèt klasman an kounye a rive nan nivo 70–80%.
Pami aspè sa yo, CLEVI te mete aksan sou lefèt ke pati ki pi enpòtan teknikman nan pèfòmans sa a se li pa t itilize okenn API LLM ekstèn tankou GPT, Claude oswa Gemini. Sa ki karakterize CLEVI se itilizasyon de modèl li devlope poukont li selon metòd from scratch.
cip-5.5-agent se yon modèl IA ajanik ki sèvi kòm sèvo prensipal yon tiyo ajan ki planifye (planning), egzekite (execution) epi verifye (verification) travay konplèks yo otonòm. cip-5.5-mm se yon modèl miltimodal jeneral ki gen gwo pèfòmans, ki konprann epi fè enferans sou divès fòma fichye, tankou vwa, imaj ak videyo. Piske yon gwo pati nan kesyon GAIA yo gen ladan antre ki pa tèks, tankou fichye PDF, imaj ak fichye odyo, kapasite miltimodal sa a te vin yon faktè kle pou jwenn bon nòt.
Sou baz de modèl pwòp li yo, CLEVI te patisipe nan GAIA avèk 5 konfigirasyon ajan diferan, epi tout yo te jwenn plis pase 70 pwen.
Dapre eksplikasyon konpayi an, yon revizyon apre evalyasyon ki te fèt anndan CLEVI te montre yon rezilta enteresan. Pami 301 kesyon yo an total, te gen kèk kote prèv pou repons ki kòrèk la pa disponib ankò sou entènèt piblik la. Sa rive lè enfòmasyon ki te kapab verifye sou entènèt oswa nan motè rechèch nan tan lontan te efase oswa modifye, epi li pa aksesib ankò. Lè yo te reevalye kesyon yo selon limit enfòmasyon moun ka verifye piblikman kounye a, to repons ki kòrèk CLEVI te depase 98%. Sa deja pi wo pase mwayèn moun nan, ki se 92%.
Yon reprezantan CLEVI te eksplike: “San melanje modèl ekstèn, CLEVI te fè tout 5 ajan yo jwenn 70+ sèlman avèk pwòp modèl li yo devlope from scratch ak pwòp solisyon ajan IA li yo, epi li antre nan 2.5% tèt yo nan yon benchmark piblik. Yo prevwa amelyorasyon adisyonèl nan nòt ofisyèl la alavni grasa amelyorasyon pwòp modèl ak solisyon ajan li yo. Reyisit sa a gen anpil enpòtans paske li montre yon ‘konfyans verifye’ ki mezire nan yon benchmark piblik mondyal, paske li reprezante rezilta yon konpayi devlopman IA Koreyen ki baze sou pwòp modèl li devlope from scratch, paske li se rezilta yon pil modèl endepandan olye de yon melanj modèl ekstèn, epi paske, lè nou konsidere pèt enfòmasyon nan kèk kesyon, li gen yon valè entèpretasyon ki depase nòt la.”