Contextual AI представила свою новую языковую модель (GLM), заявляя, что она превосходит текущие AI системы от Google, Anthropic и OpenAI по ключевым показателям правдивости.
Фактическая точность: новое нужное явление
Стартап, основанный пионерами технологии генерации, дополненной извлечением данных (RAG), сообщает, что его GLM достигла 88% в фактичности, на что конкуренты от Google, Anthropic и OpenAI могут похвастаться всего лишь 84,6%, 79,4% и 78,8% соответственно.
- Google’s Gemini 2.0 Flash — 84.6%
- Anthropic’s Claude 3.5 Sonnet — 79.4%
- OpenAI’s GPT-4o — 78.8%
Почему важна высокая точность?
Модели, с запутанной фактической достоверностью, часто называемые галлюцинациями, остаются критической задачей для внедрения в предприятия. Contextual AI стремится решить эту проблему и предлагает модель, оптимизированную специально для задач с высокой потребностью в точности.
Если вы решаете задачу RAG в строго регулируемой отрасли, никаких галлюцинаций не должно быть, — поясняет Доуве Киела, CEO и сооснователь Contextual AI.
GLM и концепция «заземленности»
Понятие «заземленности», или доведение ответов AI до строго соответствующих заданным данным, становится ключевым требованием для систем AI в таких отраслях, как финансы, здравоохранение и телекоммуникации. KIela добавляет:
Само умение сказать «Я не знаю» очень важно в корпоративных настройках.
Расширенные возможности RAG 2.0
Contextual AI развивает свою платформу с применением «RAG 2.0», которая идет дальше простого соединения готовых компонент. Компания использует смешанные методы извлечения и оптимизирует все элементы системы совместно.
От сложного текста до данных и диаграмм
Платформа Contextual AI теперь поддерживает многомодальное содержание, включая диаграммы и структурированные данные из различных популярных платформ. Основатель отмечает:
Большинство самых интересных проблем находятся на пересечении структурированных и неструктурированных данных.
Контекстуальному AI прокладывает дорогу в будущее
В ближайших планах компании развертывание специализированного компонента реранкинга и дальнейшее расширение возможностей понимания документов.
