Perusahaan kecerdasan buatan asal Korea Selatan, NC AI, telah mengembangkan model bahasa visual ringan VAETKI Vision 3B dengan skala parameter sekitar 3 miliar. Model ini berhasil memperoleh rata-rata skor 63,8 dalam tiga uji standar pemahaman robot dan ruang, mengungguli enam model publik global yang dipilih oleh perusahaan. Teknologi terkait ditujukan untuk kecerdasan buatan fisik di bidang industri, perkapalan, dan pertahanan, dengan tujuan agar robot dan peralatan industri dapat memahami lingkungan di sekitarnya secara mandiri.
Fungsi utama model bahasa visual adalah untuk mengenali objek dan hubungan ruang dalam gambar dan video, serta memahami maknanya. Agar robot dapat menyelesaikan tugas nyata berdasarkan instruksi manusia, mereka harus terlebih dahulu mengevaluasi posisi, gerakan, dan kondisi lingkungan objek di sekitarnya. Pendekatan NC AI adalah memperkecil ukuran model, karena robot dan peralatan produksi tidak memiliki daya dan kemampuan komputasi yang cukup seperti server, sehingga sulit untuk langsung menginstal model besar.
VAETKI Vision 3B Menunjukkan Kinerja Unggul dalam Uji Standar
Tiga uji standar yang digunakan dalam pengujian adalah BLINK, yang menguji hubungan ruang multi-gambar; ERIQ, yang memahami gerakan robot dan konteks sekitarnya; serta ERQA, yang menyimpulkan posisi objek dan hubungan ruang. Dalam mode reguler tanpa melakukan penalaran kompleks dan langsung memberikan jawaban, VAETKI Vision 3B memperoleh skor rata-rata 63,8, mengungguli enam model publik dengan parameter antara 2 miliar hingga 8 miliar seperti Tongyi Qianwen dari Alibaba dan Mistral; dalam mode penalaran bertahap, skor rata-ratanya adalah 63,2, lebih tinggi 14,8 poin dibandingkan dengan MiniStral 3 8B Reasoning yang memiliki 48,4 poin.
Perlu dicatat bahwa angka-angka ini didasarkan pada kondisi evaluasi tertentu yang diumumkan oleh perusahaan dan tidak mencerminkan bahwa model ini lebih kuat dalam semua tugas bahasa visual. Model ini juga memperoleh skor tertinggi di antara model perbandingan dalam dua kategori, yaitu ChartQA untuk pertanyaan grafik dan TextVQA untuk pemahaman teks dalam gambar, yang dapat digunakan untuk menganalisis dasbor, gambar, dan panduan kerja di lokasi industri; model ini juga mampu memproses video sinkron hingga 4 detik dan 8 bingkai, serta menilai gerakan objek dan perubahan posisi.

