2026-08-16 | 서지혜 기자

向LG、SKT发起挑战的初创企业……“国家代表AI”四强争霸谁将胜出

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。

随着政府推进的“自主AI基础模型(独自基础模型)”项目第二阶段评估临近,LG AI研究院与SK电讯(017670)、Upstage、Motif Technologies等4支精锐团队的竞争进入最后阶段。尤其是近期海外评估中出现了规模相对较小的初创企业超越大企业的结果,各模型的技术特点与实际性能备受关注。

16日据韩国科学技术情报通信部报道,全球非营利AI研究机构Epoch AI近期将参与独自基础模型第二轮评估的4支团队的最新模型全部选为“值得关注的AI模型(Notable AI Models)”。Epoch AI是以技术影响力和研究重要性等为标准,筛选并记录全球主要AI模型的机构。斯坦福大学以人为本人工智能研究院(HAI)每年发布的“AI指数”也利用Epoch AI的数据分析各国AI模型开发现状。

在本次第二轮较量前,4支团队在提升模型规模与性能的同时,着力强化AI智能体能力。因为OpenAI、谷歌、Anthropic等全球AI企业的竞争舞台正迅速从单纯回答问题的聊天机器人,转向AI自行制定计划、使用工具完成复杂业务的智能体。

LG AI研究院“K-EXAONE 2.0”:7500亿参数在产业现场即时验证

LG AI研究院的“K-EXAONE 2.0”在四个模型中整体参数规模最大。整体参数达7500亿个,但在处理提问时仅激活约370亿个,采用了专家混合(MoE)方式。

LG AI研究院集中提升模型的通用问题解决能力。在自主评估中,包含数学、科学、编程、推理等24项基准的平均分为70.1分,比第一轮模型的63.3分高出10%以上。尤其在编程和AI智能体相关的3项评估中性能改善约30%,在使用数学竞赛题目的AIME 2026中取得92.3分。即在扩大模型体量的同时,一并强化了数学与科学推理、编程以及执行多阶段任务的能力。

K-EXAONE 2.0的另一优势是可在产业现场验证模型。可通过LG电子(066570)、LG化学、LG新能源等集团旗下公司,将AI应用于制造、生物、研发等多种业务。

不过此次也出现了意外变数。在全球AI评估机构Artificial Analysis的“智能指数(AAII)”中,K-EXAONE 2.0仅获31分,为四个模型中最低。与之对照,Motif 3为47分、Upstage Solar Open2为37分、SK电讯A.X K2为35分。AAII是综合数学、科学、编程、推理等多项全球基准的指标。不过AAII只是政府整体评估的一部分,第一轮评估排名第一的LG能否在综合评估中继续领先成为关注点。

SK电讯“A.X K2”:从模型到AIDC的“全栈AI”较量

SK电讯将“A.X K2”的整体参数由原A.X K1的5190亿个扩大至6880亿个。据SK电讯介绍,国内外14项基准的平均性能比上一代模型提升32.2个百分点,在长文本理解和智能体相关评估中性能也大幅改善。

SK电讯主打的差异点是将所开发AI扩散至产业现场和服务的“全栈”战略。在将A.X K2应用于制造、国防、生物、办公领域的同时,也一并开发视觉、音频模型等衍生模型。并在KG Steel和Conec的制造现场、国防部、SK Biopharm等形成了实际应用案例。SK电讯将模型、企业级AI服务以及驱动其运行的AI数据中心(AIDC)连接起来,聚焦于以API和企业级服务向外部供应自有模型,并进一步延伸至基础设施业务。

Upstage“Solar Open2”:可长时间执行任务的AI智能体模型

Upstage“Solar Open2”的胜负手是以较少算力处理长任务的能力。整体参数为2500亿个,但推理过程中实际激活的参数约为150亿个。因为其采用MoE结构,不必每次启动整个模型,而是只选取回答所需的部分专家。

特别是为能处理最多100万token的长上下文,采用了将普通注意力与线性注意力结合的混合结构。Upstage表示,Solar Open2的设计目标是面向经过多个阶段、长时间执行业务的AI智能体模型。即使AI智能体在执行业务过程中对话与作业记录不断变长,也能一次性参考。同时减轻了处理长输入时产生的内存负担。

整体模型规模小于LG和SK电讯,但其并不参与巨型模型的体量竞争,而是把胜负押在实际运行AI时所需的算力量和长时间作业能力上。

Motif“Motif 3”:只挑选所需专家的“效率设计”

本次竞争的最大变数是Motif Technologies。Motif并非去年首批入选的精锐团队,而是通过今年2月的追加公开招募较晚加入。政府通过评估其能否与原有3支团队展开有意义的竞争,将Motif选为追加精锐团队。

“Motif 3”是整体拥有3140亿个参数的MoE模型。但处理一个token时激活的参数仅为132亿个。其方式是在每个MoE层设置384个专家,其中仅选用8个。Motif在模型内部结构本身上实现了差异化。以MoE结构针对每个提问只挑选并启动所需专家,处理信息的“注意力”结构也自主设计,以提高运算效率。尤其应用了“Grouped Differential Latent Attention(GDLA)”,以便在长上下文中高效寻找并利用重要信息。与拥有大规模基础设施和业务生态的大企业不同,可以说这是一种不盲目扩大模型、而将技术力集中于如何高效利用既有算力资源的战略。

尤其Motif 3在AAII中获47分,领先于Upstage(37分)、SK电讯(35分)和LG AI研究院(31分)。相对较小的组织开发的模型在同一全球评估中获得最高分,表明不仅模型大小,架构和训练方式也可能左右性能。

4支团队中1支淘汰……AI竞争仍将继续

不过仅凭AAII排名难以预测此次被淘汰的企业。独自基础模型第二阶段评估综合基准评估、专家评估以及普通民众参与的用户评估进行。由200名国民评审团直接使用四个模型后进行评价的程序也已于8日至11日进行。本次第二轮评估中,四支团队中将有一支被淘汰。但在政府项目中被淘汰并不意味着该企业的AI开发就此中断。此前在第一轮评估中被淘汰的NAVER Cloud和NC AI也在继续开发自有AI模型。

阅读韩文原文