NC AIが30億パラメータのVAETKI Vision 3Bモデルを発表、ロボットの空間理解技術を向上

·著者 Henderson·AI
NC AIが30億パラメータのVAETKI Vision 3Bモデルを発表、ロボットの空間理解技術を向上

韓国の人工知能企業NC AIは、軽量な視覚言語モデルVAETKI Vision 3Bを開発した。このモデルは約30億のパラメータを持ち、ロボットおよび空間理解に関する3つのベンチマークテストで平均63.8点を獲得し、同社が選定した6つの世界的な公開モデルを上回った。関連技術は製造業、造船、国防などの分野に向けた物理的な人工知能を対象としており、目標はロボットや産業機器が周囲の環境を自ら理解できるようにすることである。

視覚言語モデルの主な機能は、画像や動画内の物体および空間関係を認識し、その意味を理解することである。ロボットが人間の指示に基づいて実際の作業を完了するためには、まず周囲の物体の位置、動き、環境状況を評価する必要がある。NC AIの考え方は、モデルを小型化することである。なぜなら、ロボットや生産設備はサーバーのように十分な電力や計算能力を持っていないため、大型モデルを直接搭載することが難しいからである。

VAETKI Vision 3Bがベンチマークテストで優れた成績を収める

テストで使用された3つのベンチマークは、それぞれ多画像の空間関係を評価するBLINK、ロボットの動作と周囲の状況を理解するERIQ、物体の位置と空間関係を推論するERQAである。複雑な推論を行わず、直接答えを出す通常モードでは、VAETKI Vision 3Bは平均63.8点を獲得し、AlibabaのTongyi QianwenやMistralなどの20億から80億パラメータ級の6つの公開モデルをリードした。また、逐次推論モードでは平均63.2点を獲得し、80億パラメータのMiniStral 3 8B Reasoningの48.4点を14.8点上回った。

なお、これらの数字は同社が公表した特定の評価条件に基づいており、このモデルがすべての視覚言語タスクでより優れた性能を示すわけではない。モデルは、図表質問ChartQAや図文字理解TextVQAの2つのタスクでも比較モデルの中で最高得点を獲得しており、工業現場のダッシュボード、図面、作業指導書の分析に利用できる。また、最大4秒、8フレームの同期動画を処理し、物体の動きや位置の変化を判断することも可能である。

H
著者について
Henderson