PLAMo 2.1-VL 技术报告

我们推出 PLAMo 2.1-VL，这是一种用于自主设备的轻量级视觉语言模型 (VLM)，提供 8B 和 2B 变体，专为通过日语操作进行本地和边缘部署而设计。我们以视觉问答（VQA）和视觉目标定位为核心能力，针对两个实际应用场景开发和评估模型：通过工具识别进行工厂任务分析和基础设施异常检测。我们还开发了大规模的合成数据生成管道和全面的日语训练和评估资源。 PLAMo 2.1-VL 在日语和英语基准测试中的性能优于同类开放模型，在 JA-VG-VQA-500 上达到 61.5 ROUGE-L，在日语 Ref-L4 上达到 85.2% 的准确度。对于这两个应用场景，它在工厂任务分析上实现了 53.9% 的零样本准确率，微调 在电厂数据上将异常检测 bbox + 标签 F1 分数从 39.7 提高到 64.9。