2024-08-22 | 김성태 기자

睁开眼的NAVER集团 AI“CLOVA X”…进化为多模态AI

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

NAVER集团的对话型人工智能(AI)CLOVA X将进化为可同时处理视觉信息的“多模态”(复合信息处理)AI。这距其推出大型语言模型(LLM)HyperCLOVA X约一年。今后还将搭载语音对话功能。

NAVER集团22日表示,将于本月27日在CLOVA X上搭载多模态大型语言模型“HyperCLOVA X Vision”,新增视觉信息处理能力。该模型也将引入基于HyperCLOVA X的企业间(B2B)云解决方案“CLOVA Studio”。

通过此次更新,用户可基于从上传至CLOVA X对话窗的图像中提取的信息与输入的提问与AI对话。

CLOVA X可执行描述照片中现象、推断情境等多种指令。例如,CLOVA X能够理解并分析以图像或图片形式呈现的表格、图表。

CLOVA X此前主要用于逻辑写作、编写代码、翻译等作业,如今凭借图像理解能力,作为个人生产力提升工具的应用范围进一步扩大。NAVER集团称,HyperCLOVA X Vision的性能达到OpenAI的GPT-4v水平。据NAVER集团介绍,HyperCLOVA X Vision在MMMU等8项指标上的平均分为71.59分,比GPT-4V(71.63)低0.04分。

作为更有力地反映韩国地区文化与价值的“主权AI”,其优势也得到体现。实际将韩国小学、初中、高中鉴定考试共1480道题以图像形式输入AI模型并作答的结果显示,CLOVA X的正确率约为84%,高于OpenAI的GPT-4o的78%。

NAVER集团还公开了基于HyperCLOVA X的语音AI技术“Audio LLM”。Audio LLM是比现有语音识别、语音合成技术更先进的模型,不仅改善了语言结构及发音准确度,还加入了情感表达,可实现自然对话。NAVER集团提出了该技术在实时语音翻译、语言学习、咨询等方面的多样服务可能性。

NAVER Cloud Corp.超大规模(Hyperscale)AI技术总负责人成洛浩表示:“以大型语言模型起步的HyperCLOVA X正发展为加入图像理解能力的大型视觉语言模型,并进一步走向语音多模态语言模型。”

阅读韩文原文