Naver在生成型人工智能（AI）竞争中强调“本土化”优势。其战略是基于搜索、博客、社区等用户生成内容（UGC）、购物和地点等本地服务在一个门户生态系统中有机连接，实现AI搜索中的服务互联性。
Naver的目标是将搜索数据与AI结合，更准确地理解用户提问，并引导用户进行购物、预约等实际服务的使用。
此次发布的模型是基于现有的HyperCLOVA X（HCX）开发的轻量级模型“产品原生LLM”，专注于AI搜索。如果说通用AI模型侧重于多领域的知识和推理能力，那么产品原生LLM则专注于理解用户提问，并适当利用Naver的搜索、博客、地点和购物等服务。
Naver云的李基昌董事表示：“如果说现有的HyperCLOVA X是通用AI，那么下一代模型则是结合了通用推理能力和服务执行能力的模型。”他还指出：“在长对话中，响应时间不会急剧增加，能够稳定地执行AI代理功能。”
新模型在响应速度和处理能力上也有所改善。与旧模型在提问较长时响应时间显著增加不同，新模型在长对话中保持稳定性能。学习数据也从以往的教育中心数据扩展到法院判例和论文等专业知识。
从“记忆答案的AI”到“思考的AI”
学习方式也发生了变化。以往是通过重复学习正确答案，而下一代模型则积极应用通过试错寻找更好回答方式的强化学习。一个典型的例子是“清晰性强化学习”。当不知道答案时，模型学习生成看似合理的答案，而是向用户提出额外问题。
例如，对于“谁是《正义教育》的主演”这个问题可以回答，但对于“那部剧的主演是谁”这样对象不明确的问题，则会反问“您指的是哪部作品？”通过在缺乏回答所需信息的情况下进行额外提问的行为给予奖励，从而训练模型。
Naver还加强了与其服务的联动。当用户请求“推荐一家在江南氛围好的餐厅”时，模型会利用地点搜索结果；如果条件增加为“在新沙洞下午7点可以预约两人的地方”，则会确认预约的可能性并生成回答。这表明Naver的AI不仅仅是生成答案，而是选择必要工具综合结果。
Naver还介绍了AI标签的核心技术“Harness工程”。不是一个庞大的语言模型执行所有任务，而是通过优化的小型模型和搜索、预约等多种工具组合来运营AI服务。
Naver AI搜索负责人韩承均表示：“仅靠一个LLM很难提供稳定的服务，设计使用哪种模型和工具是AI服务的竞争力。”
Naver表示，通过这种方式，设备成本比以往降低了约三倍，响应速度提高了两倍以上。在服务执行能力评估中，其性能也超过了竞争模型的平均水平。
文本之后是图像
Naver计划将AI标签发展为基于智能镜头的多模态AI代理。当用户展示照片或视频时，AI将理解场景和上下文，执行搜索、购物、预约等实际操作。例如，当用户看到视频中的咖啡馆并请求“在我们附近预约四人下午7点的类似氛围的咖啡馆”时，AI将同时理解图像和文本并进行预约。
Naver的尹相斗负责人表示：“我们的目标是创造不仅能理解图像，还能让用户看到、理解并执行的AI。”他还表示：“我们将实现与Naver服务最紧密连接的多模态AI。”
此外，Naver表示目前没有计划在AI标签中引入广告。公司解释称，目前阶段更重要的是建立用户信任，而非盈利。不过，未来根据服务成熟度和经营判断，可能会考虑引入广告。
※ 本报道经人工智能（AI）系统翻译与编辑。
