Trong phiên bản mới nhất được công bố vào sáng nay, mô hình VLM-9 từ cộng đồng mã nguồn mở Hugging Face đã gây chú ý khi đạt điểm benchmark vượt qua một số mô hình thương mại lớn trong các hạng mục hiểu nhận thức đa phương thức. Điểm nổi bật nhất là khả năng xử lý biểu đồ khoa học phức tạp và suy luận về vị trí không gian trong hình ảnh y tế, nơi mà các phiên bản trước thường gặp lỗi mờ.
Điểm thu hút lớn nhất với các kỹ sư AI là kích thước file tối ưu hóa và khả năng chạy trên phần cứng GPU tiêu dùng cao cấp. Theo các đánh giá ban đầu từ cộng đồng GitHub, mô hình này được coi là lựa chọn thay thế khả thi nhất cho các hệ thống chatbot cần xử lý ảnh mà không tốn chi phí API đắt đỏ. Nhiều startup tại Việt Nam đã nhanh chóng thử nghiệm tích hợp VLM-9 vào quy trình rà soát giấy tờ và hình ảnh sản phẩm.
Tuy nhiên, giới chuyên gia vẫn cảnh báo về khả năng 'ảo giác' (hallucination) khi mô hình mô tả các chi tiết nhỏ không tồn tại trong ảnh, một vấn đề kinh điển cần được giải quyết trong các lần cập nhật tiếp theo.