【CNMO 科技消息】韩国 AI 公司 NC AI 开发出一款轻量视觉语言模型 VAETKI Vision 3B，参数规模约 30 亿，却在机器人、空间理解的三项基准测试中拿到平均 63.8 分，高于公司挑选的 6 款全球公开模型。相关技术面向制造业、造船和国防等领域的物理 AI，目标是让机器人和工业设备自己看懂周围的情况。

AI 示意图

视觉语言模型要做的事，是识别图像与视频中的物体和空间关系并理解其含义。机器人要按人的指令完成实际作业，必须先判断周围物体的位置、运动和环境状况。NC AI 的思路是把模型做小：机器人和生产设备不像服务器那样有充足的电力与算力，很难直接搭载大模型。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。

在不做复杂推理、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 63.2 分，比 80 亿参数的 MiniStral 3 8B Reasoning 的 48.4 分高出 14.8 分。需要说明的是，这些数字基于公司公布的特定评测条件，并不代表它在所有视觉语言任务上都更强。该模型在图表问答 ChartQA 和图中文字理解 TextVQA 两项上也拿到对比模型中的最高分，可用于分析工业现场的仪表盘、图纸和作业指导书；它还能处理 4 秒长、8 帧同步的视频，判断物体运动与位置变化。

版权所有，未经许可不得转载