DTGO Corporation Limited is een samenwerking aangegaan met SenseTime, een toonaangevend AI-softwarebedrijf met hoofdkantoor in Hong Kong, om DTLM (DTGO Large Language Model) te ontwikkelen. DTLM is een groot taalmodel (LLM) dat gebruik maakt van de expertise in AI-ontwikkeling en het eigendom van DTGO en SenseTime's big data voor taalbeheersing in drie talen: Thai, Chinees en Engels. Het model is ontworpen om op efficiënte wijze te voldoen aan meertalige vereisten in deze drie talen, en biedt krachtige mogelijkheden in elke taal, terwijl het de lokale Thaise taal en cultuur begrijpt.

Door de samenwerking met SenseTime is DTLM een LLM die voortbouwt op de toonaangevende SenseNova Large Model Series van het bedrijf. Op de 2024 World Artificial Intelligence Conference (WAIC) in Shanghai onthulde SenseTime vorige week zijn verbeterde SenseNova 5.5 Large Model. Door gebruik te maken van SenseNova 5.5's aanzienlijk verbeterde taalmogelijkheden, uitgebreide kennisdatabase en hoge informatiedichtheid, is DTLM in staat om natuurlijke en responsieve real-time conversaties aan te gaan.

DTLM is 's werelds eerste model dat efficiënt werkt in deze drie talen. DTLM is ontwikkeld met behulp van machine learning-technologie die niet alleen op vertaling vertrouwt, en biedt een authentiek lokale generatieve AI-ervaring, inclusief het lezen van teksten, het stellen van vragen en het natuurlijk en snel reageren in realtime. Door Thaise klanten te voorzien van deze innovatieve AI-oplossing, wil DTLM de groei in verschillende sectoren stimuleren en het Thaise AI-ecosysteem verder verrijken, waardoor nieuwe kansen en mogelijkheden ontstaan.

DTLM zal zich in eerste instantie richten op zakelijke klanten, door hen kosteneffectief gebruik aan te bieden, hen te helpen hun uitgaven efficiënt te beheersen en een digitaal vertrouwenssysteem in te bouwen voor klanten die een zeer betrouwbaar model nodig hebben. DTLM kan op verschillende manieren worden toegepast, vooral in verticale sectoren waar interne organisatiegegevens samen met LLM kunnen worden gebruikt om vragen over interne kennis effectief te beantwoorden. Het kan ook worden gebruikt om diensten en externe toepassingen te ontwikkelen, zoals in universiteitsbibliotheken.