บริษัท NC AI ซึ่งเป็นบริษัทด้านปัญญาประดิษฐ์จากเกาหลีใต้ ได้พัฒนาโมเดลภาษาเชิงภาพที่มีน้ำหนักเบา VAETKI Vision 3B โดยมีขนาดพารามิเตอร์ประมาณ 30 พันล้าน แต่สามารถทำคะแนนเฉลี่ย 63.8 ในการทดสอบมาตรฐานสามรายการด้านหุ่นยนต์และการเข้าใจพื้นที่ ซึ่งดีกว่าหกโมเดลสาธารณะที่บริษัทเลือกมา เทคโนโลยีที่เกี่ยวข้องมุ่งเป้าไปที่อุตสาหกรรมการผลิต การต่อเรือ และการป้องกันประเทศ โดยมีเป้าหมายให้หุ่นยนต์และอุปกรณ์อุตสาหกรรมสามารถเข้าใจสภาพแวดล้อมรอบตัวได้ด้วยตนเอง
ฟังก์ชันหลักของโมเดลภาษาเชิงภาพคือการระบุวัตถุและความสัมพันธ์ทางพื้นที่ในภาพและวิดีโอ รวมถึงการเข้าใจความหมาย หากหุ่นยนต์ต้องทำงานตามคำสั่งของมนุษย์ จะต้องประเมินตำแหน่ง การเคลื่อนไหว และสภาพแวดล้อมของวัตถุรอบตัวก่อน แนวคิดของ NC AI คือการทำให้โมเดลมีขนาดเล็กลง เนื่องจากหุ่นยนต์และอุปกรณ์การผลิตไม่เหมือนเซิร์ฟเวอร์ที่มีพลังงานและความสามารถในการประมวลผลเพียงพอ จึงยากที่จะติดตั้งโมเดลขนาดใหญ่ได้โดยตรง
VAETKI Vision 3B ทำคะแนนได้ดีในการทดสอบมาตรฐาน
การทดสอบใช้มาตรฐานสามรายการ ได้แก่ BLINK ซึ่งตรวจสอบความสัมพันธ์ทางพื้นที่หลายภาพ, ERIQ ซึ่งเข้าใจการเคลื่อนไหวของหุ่นยนต์และบริบทโดยรอบ, และ ERQA ซึ่งใช้ในการอนุมานตำแหน่งของวัตถุและความสัมพันธ์ทางพื้นที่ ในโหมดปกติที่ไม่ต้องทำการอนุมานที่ซับซ้อนและให้คำตอบโดยตรง VAETKI Vision 3B ทำคะแนนเฉลี่ย 63.8 ซึ่งนำหน้าหกโมเดลสาธารณะที่มีพารามิเตอร์ระหว่าง 20 พันล้านถึง 80 พันล้าน เช่น Tongyi Qianwen ของ Alibaba และ Mistral; ในโหมดการอนุมานทีละขั้นตอน ทำคะแนนเฉลี่ย 63.2 ซึ่งสูงกว่า MiniStral 3 8B Reasoning ที่มีพารามิเตอร์ 80 พันล้าน ที่ทำคะแนน 48.4 ถึง 14.8 คะแนน
ต้องชี้แจงว่า ตัวเลขเหล่านี้อิงจากเงื่อนไขการประเมินที่บริษัทประกาศ และไม่ได้หมายความว่าโมเดลนี้จะแสดงผลได้ดีกว่าในทุกภารกิจด้านภาษาเชิงภาพ โมเดลนี้ยังทำคะแนนสูงสุดในสองรายการคือ ChartQA และ TextVQA ซึ่งสามารถใช้ในการวิเคราะห์แผงควบคุม แผนผัง และคู่มือการทำงานในสถานที่อุตสาหกรรม นอกจากนี้ยังสามารถจัดการวิดีโอที่มีความยาวถึง 4 วินาที และ 8 เฟรมซิงโครไนซ์ เพื่อประเมินการเคลื่อนไหวและการเปลี่ยนแปลงตำแหน่งของวัตถุ

