NC AI 推出 30 亿参数 VAETKI Vision 3B 模型 助力机器人空间理解技术提升

·作者 Henderson·AI
NC AI 推出 30 亿参数 VAETKI Vision 3B 模型 助力机器人空间理解技术提升

韩国人工智能公司 NC AI 开发出一款轻量级视觉语言模型 VAETKI Vision 3B,参数规模约 30 亿,却在机器人及空间理解的三项基准测试中取得平均 63.8 分,优于公司挑选的 6 款全球公开模型。相关技术面向制造业、造船及国防等领域的物理人工智能,目标是让机器人和工业设备能够自行理解周围环境。

视觉语言模型的主要功能是识别图像与影片中的物体及空间关系,并理解其含义。机器人若要根据人类指令完成实际工作,必须先评估周围物体的位置、运动及环境状况。NC AI 的思路是将模型小型化,因为机器人和生产设备不像服务器那样拥有充足的电力与运算能力,难以直接搭载大型模型。

VAETKI Vision 3B 在基准测试中表现优异

测试所用的三项基准分别是考察多图空间关系的 BLINK、理解机器人动作与周围情境的 ERIQ,以及推理物体位置与空间关系的 ERQA。在不进行复杂推理、直接给出答案的常规模式下,VAETKI Vision 3B 平均得分 63.8,领先阿里巴巴的通义千问、Mistral 等 20 亿至 80 亿参数级的 6 款公开模型;在逐步推理模式下,平均得分 63.2,较 80 亿参数的 MiniStral 3 8B Reasoning 的 48.4 分高出 14.8 分。

需要说明的是,这些数字是基于公司公布的特定评测条件,并不代表该模型在所有视觉语言任务上均表现更强。该模型在图表问答 ChartQA 和图中文字理解 TextVQA 两项上亦取得对比模型中的最高分,可用于分析工业现场的仪表板、图纸和作业指导书;它还能处理长达 4 秒、8 幅同步的影片,判断物体运动与位置变化。

H
关于作者
Henderson