La empresa surcoreana de inteligencia artificial NC AI ha desarrollado un modelo de lenguaje visual ligero, VAETKI Vision 3B, con un tamaño de aproximadamente 30 mil millones de parámetros, que ha obtenido un promedio de 63.8 puntos en tres pruebas de referencia sobre robots y comprensión espacial, superando a seis modelos públicos seleccionados a nivel mundial. La tecnología está orientada hacia la inteligencia artificial física en sectores como la manufactura, la construcción naval y la defensa, con el objetivo de permitir que los robots y los equipos industriales comprendan su entorno de manera autónoma.
La principal función del modelo de lenguaje visual es identificar objetos y relaciones espaciales en imágenes y videos, así como comprender su significado. Para que los robots puedan realizar tareas prácticas basadas en instrucciones humanas, deben evaluar primero la posición, el movimiento y el estado del entorno de los objetos circundantes. La estrategia de NC AI es miniaturizar el modelo, ya que los robots y los equipos de producción no cuentan con la misma capacidad de energía y procesamiento que los servidores, lo que dificulta la incorporación de modelos grandes.
VAETKI Vision 3B destaca en las pruebas de referencia
Las tres pruebas utilizadas en la evaluación son BLINK, que examina las relaciones espaciales en múltiples imágenes; ERIQ, que comprende las acciones de los robots y el contexto circundante; y ERQA, que razona sobre la posición de los objetos y las relaciones espaciales. En un modo convencional que no requiere razonamiento complejo y proporciona respuestas directas, VAETKI Vision 3B obtuvo una puntuación promedio de 63.8, superando a seis modelos públicos de entre 20 mil millones y 80 mil millones de parámetros, como Tongyi Qianwen de Alibaba y Mistral; en un modo de razonamiento progresivo, la puntuación promedio fue de 63.2, superando en 14.8 puntos a los 48.4 del MiniStral 3 8B Reasoning de 80 mil millones de parámetros.
Es importante señalar que estos números se basan en condiciones de evaluación específicas publicadas por la empresa y no representan el rendimiento del modelo en todas las tareas de lenguaje visual. El modelo también obtuvo las puntuaciones más altas en ChartQA, una prueba de preguntas sobre gráficos, y en TextVQA, que evalúa la comprensión de texto en imágenes, lo que permite analizar tableros de instrumentos, planos y manuales de operación en entornos industriales; además, puede procesar videos de hasta 4 segundos y 8 fotogramas sincronizados, evaluando el movimiento y los cambios de posición de los objetos.

