Berget AI öppnar modell tränad på 221 759 egna agentbeslut
Berget AI meddelade den 4 oktober att bolaget publicerar sin första egentränade beslutsmodell bev som öppen källkod på Hugging Face under Apache-2.0. Modellen är tränad på 221 759 beslut från bolagets egen agenthistorik och svarar på strukturerade frågor på cirka 100 millisekunder.
Av Techindex AI ·
Modellen är en finjustering av Cloudflares Clef-Flash och svarar på typade frågor kring risk, dirigering, minne och klassificering enligt EU AI Act. Det skriver Berget AI på sin webbplats. Eftersom bolaget har en policy om noll datalagring och inte sparar kundprompter eller svar, hämtades all träningsdata från den lokala sessionshistoriken i utvecklingsverktyget Opencode.
I bolagets egna mätningar når bev 95 procents träffsäkerhet vid riskklassificering enligt EU AI Act och 90,7 procent när det gäller att avgöra vilka delar av en konversation som ska sparas. På uppgiften att styra frågor till rätt modell når den 74,4 procent, jämfört med basmodellens 27,3 procent. Mot externa angreppskommandon stoppar modellen 74 procent, vilket enligt bolaget innebär att den ska fungera som ett av flera skyddslager.
Berget AI använder modellen i sin egen infrastruktur för att poängsätta skriptkommandon från kodagenter och som en lokal kontroll före kodpublicering för att blockera personuppgifter och hemligheter. För att skapa datamängdens 221 759 dömda beslut validerades etiketterna av modellen Kimi-K3 tillsammans med manuell granskning.
Techindex skrev i oktober att Berget AI lanserat modellkategorin System One på sitt API med modellen Laya, och därefter släppt verktyget guardrails-md som öppen källkod. Bolaget har Andreas Lundmark som vd och Christian Landgren som produkt- och teknikchef, och registrerades hos Bolagsverket i november 2024 med Stockholm som registrerad adress.
Skriven av AI och faktagranskad av en andra AI mot källan före publicering. Så arbetar vi
Så vet vi det12 uppgifter, var och en med ordagrant citat ur källanVisa
Berget AI meddelade den 4 oktober att bolaget publicerar sin första egentränade beslutsmodell bev som öppen källkod på Hugging Face under Apache-2.0.
”Idag publicerar vi bev, en beslutsmodell som svarar på typade frågor — risk, routing, minne, evasion, EU AI Act-klassificering — i ett enda forward pass, på ungefär 100 ms. Det är en LoRA-finetune av Cloudflares Clef-Flash, tränad på 221 759 dömda beslut från vår egen agenthistorik, och den är publik på Hugging Face under Apache-2.0. Det är också den första modellen vi tränat och släppt själva.”
Källa: berget.ai ↗Modellen är tränad på 221 759 beslut från bolagets egen agenthistorik och svarar på strukturerade frågor på cirka 100 millisekunder.
”Idag publicerar vi bev, en beslutsmodell som svarar på typade frågor — risk, routing, minne, evasion, EU AI Act-klassificering — i ett enda forward pass, på ungefär 100 ms. Det är en LoRA-finetune av Cloudflares Clef-Flash, tränad på 221 759 dömda beslut från vår egen agenthistorik, och den är publik på Hugging Face under Apache-2.0.”
Källa: berget.ai ↗Modellen är en finjustering av Cloudflares Clef-Flash och svarar på typade frågor kring risk, dirigering, minne och klassificering enligt EU AI Act.
”Idag publicerar vi bev, en beslutsmodell som svarar på typade frågor — risk, routing, minne, evasion, EU AI Act-klassificering — i ett enda forward pass, på ungefär 100 ms. Det är en LoRA-finetune av Cloudflares Clef-Flash, tränad på 221 759 dömda beslut från vår egen agenthistorik, och den är publik på Hugging Face under Apache-2.0.”
Källa: berget.ai ↗Det skriver Berget AI på sin webbplats.
”bev: en beslutsmodell tränad på vår egen agenthistorik - Berget AI”
Källa: berget.ai ↗Eftersom bolaget har en policy om noll datalagring och inte sparar kundprompter eller svar, hämtades all träningsdata från den lokala sessionshistoriken i utvecklingsverktyget Opencode.
”Träningsdata kom från vår egen agenthistorik: opencode sparar sin sessionshistorik i en lokal SQLite-fil, och vår innehöll de sessioner vi kört. Slutliga setet är 221 759 dömda beslut, med etiketter validerade av en frontier-modell (Kimi-K3) och mänsklig granskning. Vi har en noll datalagringspolicy: vi lagrar inte kundprompter eller svar, så vi tränade på vår egen historik istället.”
Källa: berget.ai ↗I bolagets egna mätningar når bev 95 procents träffsäkerhet vid riskklassificering enligt EU AI Act och 90,7 procent när det gäller att avgöra vilka delar av en konversation som ska sparas.
”bev scorear 90,7% på minnesbeslut: vilka delar av en konversation som är värda att persista och vilka som är brus. Klassificera EU AI Act-risk. bev scorear 95% på EU AI Act-riskklassificering — den regulatoriska frågan våra europeiska kunder ställer om deras egna AI-system.”
Källa: berget.ai ↗På uppgiften att styra frågor till rätt modell når den 74,4 procent, jämfört med basmodellens 27,3 procent.
”bev scorear 74,4% på routingbeslut — vilken modell som ska hantera en given uppgift — upp från 27,3% på basmodellen.”
Källa: berget.ai ↗Mot externa angreppskommandon stoppar modellen 74 procent, vilket enligt bolaget innebär att den ska fungera som ett av flera skyddslager.
”Och 74% på adversariella kommandon betyder att ungefär en av fyra kommer igenom — vilket är varför bev är ett lager bland flera, inte en sandbox.”
Källa: berget.ai ↗Berget AI använder modellen i sin egen infrastruktur för att poängsätta skriptkommandon från kodagenter och som en lokal kontroll före kodpublicering för att blockera personuppgifter och hemligheter.
”Vi använder bev över hela vår egen infrastruktur, och varje användningsfall är ett vi behövde själva: Gate agent-kommandon. bev poängsätter varje bash-kommando våra kodningsagenter kör och blockerar de som bryter mot våra regler. Med en guardrails.md i repot vet den skillnaden mellan rutin och incident: git push origin feature/x passerar, git push origin HEAD:main är ett brott. Pluginen är @bergetai/opencode-guardrails-md på npm. Pre-commit hook. Samma bedömning vid commit-tid: varje committs staged diff poängsätts innan den går in i repot. Personuppgifter (GDPR) och hemligheter blockeras; teamets egna namn i bylines och author-fält passerar.”
Källa: berget.ai ↗För att skapa datamängdens 221 759 dömda beslut validerades etiketterna av modellen Kimi-K3 tillsammans med manuell granskning.
”Slutliga setet är 221 759 dömda beslut, med etiketter validerade av en frontier-modell (Kimi-K3) och mänsklig granskning.”
Källa: berget.ai ↗Techindex skrev i oktober att Berget AI lanserat modellkategorin System One på sitt API med modellen Laya, och därefter släppt verktyget guardrails-md som öppen källkod.
”Techindex skrev i oktober att Berget AI lanserat modellkategorin System One på sitt API med modellen Laya, som körs på svensk infrastruktur.”
Källa: techindex.se ↗Bolaget har Andreas Lundmark som vd och Christian Landgren som produkt- och teknikchef, och registrerades hos Bolagsverket i november 2024 med Stockholm som registrerad adress.
”Bolaget har Andreas Lundmark som vd och Christian Landgren som produkt- och teknikchef, och registrerades hos Bolagsverket i november 2024 med Stockholm som registrerad adress.”
Källa: techindex.se ↗
Uppgifterna kommer ur bolagets egna pressmeddelanden. En andra AI har kontrollerat varje citat mot källan. Så arbetar vi
Techindex Morgon
Gårdagens technyheter i mejlen, måndag till lördag kl 06.30. Gratis, och du avslutar med ett klick.
Vi sparar bara din adress. Så hanterar vi den
