NC AIが3B級視覚言語モデル「VAKEY Vision 3B」を発表

NC AIは11月3日、物理AIやロボット、産業用エッジデバイス向けの30億パラメーターの軽量視覚言語モデル「VAKEY Vision 3B」を開発したと発表した。同社によると、溶接データセットで追加学習した特化型モデル「VAKEY Vision 3B Weld」も合わせて公開する。

VAKEY Vision 3Bは動画入力を4秒間・8フレーム単位で解析し、フレーム間の関係を比較してロボットの動作や物体の軌道を追跡する。学習データには溶接欠陥などの産業画像や、ロボット・空間推論のデータが含まれる。

汎用応答モードでは、BLINK、ERIQ、ERQAの3ベンチマークで平均63.8点を記録し、Qwen3-VL-2B/4B、Qwen3.5-2B/4B、Ministral-3-3B/8Bを含む公開モデル6種を上回った。推論モードではRealWorldQAを加えた4ベンチマークで平均63.2点となり、Ministral-3-8B-Reasoningの48.4点を上回っている。

計器や図面、作業指示書の読み取りといった文書理解にも対応し、比較対象モデルの中でChartQAとTextVQAのスコアが最も高かった。溶接特化型のVAKEY Vision 3B Weldは、RIAWELC、Khvatskii、RefWeldの各ベンチマークでベースのSFTモデルを上回った。

事前学習と追加学習は、国内の基幹産業や防衛分野のセキュリティ確保のため自社インフラで実施した。今後は強化学習を追加し、ロボットやエッジデバイス上で視覚言語行動モデルとして実装する計画だ。

NC AIのイ・ヨンスCEOは、VAKEY Vision 3Bが鉄鋼、造船、防衛分野で同社のロボティクスとVLA技術を展開するうえで中核的な役割を担うと述べた。この発表はaitimes.comが報じている。