韓國人工智能公司 NC AI 開發出一款輕量級視覺語言模型 VAETKI Vision 3B，參數規模約 30 億，卻在機器人及空間理解的三項基準測試中取得平均 63.8 分，優於公司挑選的 6 款全球公開模型。相關技術面向製造業、造船及國防等領域的物理人工智能，目標是讓機器人和工業設備能夠自行理解周圍環境。
視覺語言模型的主要功能是識別圖像與影片中的物體及空間關係，並理解其含義。機器人若要根據人類指令完成實際工作，必須先評估周圍物體的位置、運動及環境狀況。NC AI 的思路是將模型小型化，因為機器人和生產設備不像伺服器那樣擁有充足的電力與運算能力，難以直接搭載大型模型。
VAETKI Vision 3B 在基準測試中表現優異
測試所用的三項基準分別是考察多圖空間關係的 BLINK、理解機器人動作與周圍情境的 ERIQ，以及推理物體位置與空間關係的 ERQA。在不進行複雜推理、直接給出答案的常規模式下，VAETKI Vision 3B 平均得分 63.8，領先阿里巴巴的通義千問、Mistral 等 20 億至 80 億參數級的 6 款公開模型；在逐步推理模式下，平均得分 63.2，較 80 億參數的 MiniStral 3 8B Reasoning 的 48.4 分高出 14.8 分。
需要說明的是，這些數字是基於公司公佈的特定評測條件，並不代表該模型在所有視覺語言任務上均表現更強。該模型在圖表問答 ChartQA 和圖中文字理解 TextVQA 兩項上亦取得對比模型中的最高分，可用於分析工業現場的儀錶板、圖紙和作業指導書；它還能處理長達 4 秒、8 幀同步的影片，判斷物體運動與位置變化。
