Das südkoreanische KI-Unternehmen NC AI hat ein leichtgewichtiges visuelles Sprachmodell namens VAETKI Vision 3B entwickelt, das etwa 30 Milliarden Parameter umfasst und in drei Benchmark-Tests zur Robotik und Raumverständnis einen Durchschnittswert von 63,8 Punkten erzielt hat, was besser ist als die sechs global ausgewählten Modelle des Unternehmens. Die zugehörige Technologie richtet sich an Bereiche wie die Fertigungsindustrie, den Schiffbau und die Verteidigung, mit dem Ziel, Robotern und Industrieanlagen ein eigenständiges Verständnis ihrer Umgebung zu ermöglichen.
Die Hauptfunktion des visuellen Sprachmodells besteht darin, Objekte und räumliche Beziehungen in Bildern und Videos zu erkennen und deren Bedeutung zu verstehen. Damit Roboter reale Aufgaben basierend auf menschlichen Anweisungen ausführen können, müssen sie zunächst die Position, Bewegung und den Zustand der Umgebung bewerten. Der Ansatz von NC AI besteht darin, das Modell zu miniaturisieren, da Roboter und Produktionsanlagen nicht über die ausreichende Energie und Rechenleistung wie Server verfügen, um große Modelle direkt zu integrieren.
VAETKI Vision 3B zeigt hervorragende Leistungen in Benchmark-Tests
Die drei verwendeten Benchmark-Tests sind BLINK, der die räumlichen Beziehungen mehrerer Bilder untersucht, ERIQ, der die Bewegungen von Robotern und deren Umgebung versteht, sowie ERQA, der die Position von Objekten und räumliche Beziehungen ableitet. Im regulären Modus, der keine komplexen Schlussfolgerungen erfordert und direkte Antworten liefert, erzielte VAETKI Vision 3B einen Durchschnittswert von 63,8 Punkten und übertraf damit sechs öffentliche Modelle mit 20 bis 80 Milliarden Parametern, darunter Alibaba's Tongyi Qianwen und Mistral. Im schrittweisen Schlussfolgerungsmodus lag der Durchschnittswert bei 63,2 Punkten, was 14,8 Punkte über den 48,4 Punkten des 80 Milliarden Parameter umfassenden MiniStral 3 8B Reasoning liegt.
Es ist zu beachten, dass diese Zahlen auf spezifischen Bewertungskriterien basieren, die vom Unternehmen veröffentlicht wurden, und nicht repräsentativ für die Leistung des Modells in allen visuellen Sprachaufgaben sind. Das Modell erzielte auch die höchsten Punktzahlen im Vergleich zu anderen Modellen in den Aufgaben ChartQA und TextVQA, die zur Analyse von Instrumententafeln, Plänen und Arbeitsanleitungen in der Industrie verwendet werden können; zudem kann es Videos mit einer Länge von bis zu 4 Sekunden und 8 synchronisierten Bildern verarbeiten und die Bewegung und Positionsänderung von Objekten beurteilen.

