From-scratch Foundation Model CLEVI AI(ivy)

“Kepiye perusahaan cilik bisa nggawe model basa AI gedhé banget kanthi tingkat paling dhuwur ing donya?”

Kepiye startup cilik bisa nggawe model basa gedhé banget?

Iki minangka pitakonan sing paling kerep ditampa sawisé CLEVI ngumumake Foundation model kanthi ukuran 1,4 triliun parameter.

Beda karo akèh perusahaan sing mung nindakake fine-tuning prasaja marang model open source, CLEVI nindakake kabèh proses kanthi mandiri, wiwit saka nglumpukake data, ngrancang model, latihan terdistribusi skala gedhé, nganti verifikasi kualitas.

Ing ngisor iki, kita ngenalake kanthi rinci rahasia lan daya saing kasebut.

1. Perusahaan cilik nggawe model basa gedhé banget?

Ing wulan Juli 2025, nalika CLEVI ngumumake model basa gedhé banget sing dikembangake dhewe menyang pasar, akèh pelanggan (pangguna) padha gumun lan mangu-mangu. “Apa tenan dikembangake dhewe?” “Apa dudu mung model open source sing diowahi sethithik?”

Nyatane, akèh perusahaan ing njero lan njaba negeri mung nindakake transfer learning (fine-tuning) prasaja marang model open source, banjur ngiklanake minangka model dhewe.

Nanging, CLEVI ngunggulake **‘From-scratch Foundation Model’**.

Tegesé, kabèh proses, wiwit saka nglumpukake data, ngrancang model, latihan terdistribusi skala gedhé, nganti verifikasi kualitas, dirancang lan ditindakake langsung dhewe.

2. Alesan pangembangan model basa gedhé banget iku angel

Kanggo nglatih From-Scratch Foundation Model, kabèh item ing ngisor iki kudu disiapake lan dilatih.

Dataset skala gedhé kanthi kualitas dhuwur dibutuhake

• Keragaman: njamin keragaman basa, domain, lan format (teks, gambar, lsp.)
• Pangresikan: mbusak gangguan, ngatur kualitas, nyaring data duplikat/mbebayani
• Lisensi: njlentrehake hak cipta lan hak panggunaan data

Infrastruktur komputasi skala gedhé

• Klaster GPU/TPU kinerja dhuwur: teknologi kanggo nggabungake piranti kanthi ewonan nganti puluhan ewu node lan ndhukung latihan terdistribusi volume gedhé
• Framework latihan terdistribusi sing efisien: DeepSpeed, Megatron-LM, Ray, lsp.
• Panyimpenan/jaringan: input-output data volume gedhé lan lingkungan jaringan kanthi kacepetan dhuwur

Perancangan arsitektur model

• Nggambarake arsitektur paling anyar: Transformer, MoE(Mixture of Experts), multimodal, lan sapiturute
• Skalabilitas: Nimbang kemampuan ngembangake jumlah parameter, jumlah lapisan, dawa input, lan sapiturute
• Efisiensi: Ngoptimalake kacepetan pelatihan/inferensi lan panggunaan memori

Strategi lan algoritma pelatihan

• Tujuan pralatih: Model basa (contone, next token prediction), multimodal (contone, contrastive learning), lan sapiturute
• Teknik optimasi: mixed precision, gradient accumulation, learning rate schedule, lan sapiturute
• Normalisasi/stabilisasi: dropout, layer norm, weight decay, lan sapiturute

Sistem evaluasi lan verifikasi

• Set patokan: Nggunakake dataset standar (Benchmarks)
• Evaluasi internal: Evaluasi adhedhasar skenario panggunaan nyata
• Pemantauan terus-terusan: Mriksa kualitas, bias, lan keamanan nalika lan sawise pelatihan

Kapabilitas personel lan organisasi

• Peneliti AI/ML: Ngrancang model lan ngembangake algoritma
• Insinyur data: Ngumpulake, ngresiki, lan ngatur data
• Insinyur infrastruktur: Ngatur sistem terdistribusi, awan/on-premise
• Manajer proyek: Ngatur jadwal, anggaran, lan kualitas

Pertimbangan etika, hukum, lan keamanan

• Etika AI: Bias, keamanan, transparansi, lan akuntabilitas
• Kepatuhan hukum: Privasi, hak cipta, lan kedaulatan data
• Keamanan: Nyegah bocore data/model lan ngontrol akses

Saiki, jumlah tenaga riset AI ing saindenging donya kira-kira 2.000 wong, lan mayoritasé uga terkonsentrasi ing perusahaan teknologi gedhe kayata META, Google, XAI, lan sapiturute. Ing njero negeri, tim sing bisa ngrancang langsung Foundation model, wiwit saka pangumpulan data nganti infrastruktur pelatihan skala gedhe, arang banget.

3. Nggawe model basa raksasa kanthi tenaga kerja sing sithik.

Adhedhasar pengalaman luwih saka 10 taun nliti deep learning lan machine learning, telung taun kepungkur CEO Lee Hwan-ho ngedegake perusahaan (클레비) kanthi tujuan “nggawe AI paling apik ing donya”.

Kanthi ngrancang langsung kabeh proses, kalebu mbangun jalur pipa data perusahaan dhewe, ngrancang infrastruktur deep learning terdistribusi skala gedhe, ngembangake arsitektur model, lan verifikasi kualitas, perusahaan iki wis nduweni kapabilitas sing dibutuhake kanggo ngembangake Foundation Model.

Sawise nglatih model kaping pirang-pirang, saiki perusahaan iki wis nduweni model Clevi-5-x sing bisa nandhingi model-model paling apik ing donya.

Kanggo nglatih model basa gedhé banget kanthi efektif, dibutuhake infrastruktur sing nyambungaké saka atusan nganti ewonan GPU dadi kluster supaya bisa ngolah komputasi nganti puluhan kuadriliun operasi per detik kanthi bebarengan. Ing proses iki, teknologi kanggo nyinkronaké komputasi lan nyuda tundha komunikasi ing lingkungan distribusi skala gedhé dadi unsur sing wigati. Nganti saiki, ing Korea Kidul ora ana “algoritma kontrol presisi”, mula akèh perusahaan ora bisa nglatih model kanthi bener. CEO Clevi, Lee Hwan-ho, kanthi ngembangaké algoritma kontrol komputasi distribusi independen iki kanthi internal, kasil nglatih model basa gedhé banget kanthi skala 1,4 triliun (1.4 Trillion) parameter kanggo pisanan ing Korea Kidul.

4. Sebab bisa ngembangaké manéka warna model kanthi jumlah pangembang sing sithik

Akèh perusahaan big tech uga wis nduwèni teknologi kontrol infrastruktur skala gedhé lan pemurnian data.

Kanggo ngelola iki, dibutuhake atusan nganti ewonan tenaga peneliti.

Nanging, Clevi ngembangaké lan nduwèni manéka warna model kanthi jumlah tenaga peneliti sing sithik.

Kepiyé iki bisa ditindakake?

Clevi ngembangaké lan nduwèni manéka warna model kanthi jumlah tenaga kerja sing sithik liwat teknologi Teacher-Student Model(Knowledge Distilation).

Saiki ayo nliti teknologi Teacher-Student.

Teacher-Student(Éstilasi Kawruh)

Teknologi Teacher-Student, kanthi gampangé, minangka teknologi kanggo ngembangaké manéka warna model kanthi cepet, sanajan mung nganggo sawetara tenaga kerja, kanthi ngganti atusan tenaga peneliti liwat evaluasi lan umpan balik saka model anak (Student Model) nggunakake model basa gedhé banget (Teacher Model).

• Mother Model(model gedhé banget) ngevaluasi lan menehi umpan balik marang model ing manéka bidang, saéngga ngganti atusan tenaga peneliti.
• Yèn pelatihan ditindakake liwat Clevi-x-platform kanthi cara iki, model kinerja dhuwur kaya Reasoning, VLM, Physical AI, Coding Agent lan liya-liyané bisa dilatih lan dipasang sajrone 10–15 dina.

Clevi Coding Agent

Clevi Phsycal AI Learning Platform

VLM-Vision Language Model

Agen keamanan

5. Diferensiasi teknologi lan kualitas Clevi-x-platform

Kinerja lan skalabilitas model

• Kaunggulan inferensi (CoT/Reasoning): cip-5-x nglebokaké pangembangan logika bertahap lan panyedhiya dhasar bukti ing filosofi desainé, lan nuduhaké kemampuan komputasi lan interpretasi kanthi kapercayan dhuwur nalika ngrampungaké masalah ilmiah, matematika, lan rekayasa. Adhedhasar benchmark internal, model iki dirancang lan dioperasikaké kanthi target kemampuan kinerja tingkat GPT-5 utawa luwih dhuwur, déné reproduksibilitas lan verifiabilitas ing kondisi prompt sing padha dikelola minangka indikator kualitas utama.

• Spektrum multimodal lengkap: VLM berorientasi tujuan (cip-5-vision), model pangolahan multimodal kapasitas gedhé (ivy-4-mm), lan model ringan on-device (ivy-3-text) bisa diprodhuksi lan digabungaké ing siji platform, saéngga bisa milih kombinasi optimal sing cocog karo karakteristik tugas (panelusuran/klasifikasi/ringkesan vs. inferensi/penjelasan/eksekusi).

Kesesuaian kanggo perusahaan

• Keamanan lan kasedhiyan on-premises: operasi ing saindenging jaringan tertutup (input-pelatihan-layanan-cadangan), desain HA, ekspansi modular, uga SVCE (lingkungan eksekusi aman terisolasi) digunakaké kanggo misahaké lan nglindhungi data lan parameter model.
• Adopsi lan ekspansi kanthi cepet: Ivy Chat (obrolan/agen multimodal kanggo tugas bisnis), API Platform (SaaS standar global) ndhukung penerapan lan operasi kanthi cepet.

Kaunggulan Physical AI

• Kanthi nggabungaké simulasi adhedhasar NVIDIA Isaac lan reinforcement learning berbasis evolusi (Evolutionary RL), uga transfer Sim2Real lan pelatihan paralel nganggo data sintetis, efisiensi pelatihan lan kemampuan adaptasi ing lapangan wis ditingkataké. Cakupan saka pembelajaran digital-robotika nganti panyebaran ndadèkaké alternatifé arang ditemokaké.

Kualitas layanan lan tata kelola

• Manajemen versi model/prompt/peralatan, evaluation suite (kawruh basa Korea lan Inggris, tugas miturut industri, metrik halusinasi lan keamanan), manajemen pangowahan (SLO/SLA), lan observabilitas operasi (latensi/tingkat kasuksesan/TCO) dikelola nganggo prosedur siji platform.

Saiki ing Korea Kidul ana luwih saka kira-kira 300 perusahaan layanan model AI, nanging

mung Clevi sing bisa nyedhiyakake layanan on-premises lan cloud kanthi bebarengan liwat foundation model independen kanthi kinerja dhuwur.

6. Cara nggunakake model basa ing industri

Amarga adopsi AI mbutuhaké investasi gedhé lan validasi sing tliti, proses mbandhingaké lan nyoba langsung kanggo mesthekaké solusi kasebut pancèn migunani tumrap perusahaan iku wajib ditindakake.

• Clevi ora mung nggawe model, nanging uga nyedhiyakake solusi AI sing bisa diterapake ing lapangan industri nyata.
• Contone, Clevi wis nyiapake saluran enterprise kanthi lengkap, kalebu Ivy Chat Platform, Clevi API Platform, kustomisasi miturut industri, lan nanggapi syarat keamanan.
• Clevi nduweni kapabilitas teknis sing angel ditemokake ing njero lan njaba negeri, kayata AI fisik, robotika, lan pangolahan data multimodal.

Clevi nyedhiyakake solusi AI nyata sing ndadekake efisiensi kerja lan inovasi industri, kanthi AI minangka ‘sarana’, dudu ‘tujuan’. Rasakna langsung bedane model From-scratch Foundation sing sejati.

Pitakon lan panyuwunan demo: [email protected]

Hak cipta© 2025 Clevi Inc. Kabeh hak dilindhungi.