طورت شركة NC AI الكورية للذكاء الاصطناعي نموذجًا خفيف الوزن للغة البصرية VAETKI Vision 3B، الذي يحتوي على حوالي 30 مليار معلمة، وقد حقق متوسط درجات 63.8 في ثلاثة اختبارات معيارية لفهم الروبوتات والفضاء، متفوقًا على ستة نماذج عالمية مفتوحة اختارتها الشركة. تستهدف التقنيات ذات الصلة الصناعات مثل التصنيع، وبناء السفن، والدفاع، وتهدف إلى تمكين الروبوتات والمعدات الصناعية من فهم البيئة المحيطة بها بشكل مستقل.
تتمثل الوظيفة الرئيسية لنموذج اللغة البصرية في التعرف على الأشياء والعلاقات المكانية في الصور ومقاطع الفيديو، وفهم معانيها. إذا كان من المقرر أن يكمل الروبوت الأعمال الفعلية بناءً على تعليمات البشر، يجب عليه أولاً تقييم مواقع الأشياء المحيطة، وحركتها، وظروف البيئة. كانت فكرة NC AI هي تصغير حجم النموذج، حيث أن الروبوتات والمعدات الإنتاجية لا تمتلك نفس القدر من الطاقة والحوسبة مثل الخوادم، مما يجعل من الصعب تحميل نماذج كبيرة مباشرة.
VAETKI Vision 3B يحقق أداءً ممتازًا في الاختبارات المعيارية
تشمل الاختبارات الثلاثة المستخدمة في التقييم BLINK الذي يختبر العلاقات المكانية المتعددة، وERIQ الذي يفهم حركات الروبوت والسياقات المحيطة، وERQA الذي يستنتج مواقع الأشياء والعلاقات المكانية. في الوضع التقليدي الذي لا يتطلب استدلالات معقدة، حصل VAETKI Vision 3B على متوسط درجات 63.8، متفوقًا على نماذج مفتوحة أخرى تتراوح معلماتها بين 20 مليار و80 مليار مثل Tongyi Qianwen من Alibaba وMistral؛ وفي وضع الاستدلال التدريجي، حصل على متوسط درجات 63.2، متفوقًا بـ 14.8 نقطة على MiniStral 3 8B Reasoning الذي يحتوي على 80 مليار معلمة والذي حصل على 48.4 نقطة.
من المهم الإشارة إلى أن هذه الأرقام تستند إلى شروط تقييم محددة أعلنتها الشركة، ولا تمثل أداء النموذج في جميع مهام اللغة البصرية. حصل النموذج أيضًا على أعلى الدرجات مقارنة بالنماذج في اختباري ChartQA لفهم الرسوم البيانية وTextVQA لفهم النصوص في الصور، ويمكن استخدامه لتحليل لوحات التحكم، والرسومات، وأدلة العمل في المواقع الصناعية؛ كما يمكنه معالجة مقاطع الفيديو التي تصل مدتها إلى 4 ثوانٍ، و8 إطارات متزامنة، لتحديد حركة الأشياء وتغير مواقعها.

