Duela gutxi HiTZ zentroak Latxa VL ereduak argitaratu zituen. Eredu hauek Qwen3-VL ereduetan oinarrituak daude eta ikusmenerako gaitasuna dute.
Momentuz, bi tamaina ditugu eskuragarri, biak oso txikiak: 2B eta 4B parametro dituzten ereduak. Ondorenera aurkeztutako probak 4B ereduarekin eginak izan dira.
Euskaraz dakiten ereduak
Orokorrean, horrelako tamaina txikiko ereduek ingelesez txukun erantzuteko gaitasuna izan ohi dute soilik. Latxa VL eredu hauek, ordea, euskaraz egiteko entrenatuak izan dira.
Euskaraz ulertzeko gai izan harren, sarri akats batzuk egiten ditu erantzunetan.
Irudiak ulertzeko gaitasuna
VL eredu mota hauen berezitasuna ikusmenerako gaitasuna da. Kasu honetan, gainera, eskaera euskaraz egin eta euskaraz erantzuteko gai dela ikus dezakegu.
Aurreko adibidean bezala, irudiak deskribatzeko erabili dezakegu, nahiz eta zehaztasun falta igertzen zaion kasu askotan.
Aldiz, Qwen3-VL ama eredua bezala, Latxa VL bikaina da OCR gisa erabiltzeko. Hau da, irudi batean dagoen testua erauzteko.
Kasu honetan, ticket baten argazkia eman diot eta bertako informazio guztia eman diezadala eskatu diot.
Hau izan da bere erantzuna:
Eskerrik asko zure mezuagatik! Irudiaren informazioa zehatz-mehatz bildu dut, baina garrantzitsua da ohartzea dokumentu honek faktura bat dela, eta ez ordainagiri bat. Hemen duzu irudiko datu guztien zerrenda:
Dokumentuaren Titulua
Autopista Vasco-Aragonesa C.E.S.A.U.
- Anuntzibai auzoa z.g./Barrio Anuntzibai, s/n
- 48410 OROZKO (Bizkaia)
- IFZ/N.I.F.: A-2833764
Ordainagiriaren Datuak
- Ordainagiria: Igarotze Ordainagiria / Comprobante de Paso
- Data eta Ordua: 25/09/23, 00:07
Ordainketa Informazioa
- ID: 08501528326800005
- Ibilbidea / Recorrido: Ibilbidea (ez dago zehaztua)
- Enlace AP-1 AC.: 07 Enlace AP-1 AC.
- Bidearen Informazioa:
- Bide/Área: 50
- Bilbao Bideko sarrera/IRTEERA/SALIDA: 15
Ordainketa Modua
- Kontaktu gabeko ordainketa: ARC 00
- Banku Identifikazioa (AID): A000000031010
- Ordainagiriaren aplikazioa (APP): VISA CONTACTLESS
- Autonomia Erregionala (AUT): 065821
- VISA Txartelaren Zenbakia: 476663XXXXX2151
Ordainketa Informazioa
- Zenbatekoa/Importe: 11,30 EUR
- BEZa: %21,00ko BEZ barne
- Kontaktu gabeko ordainketa: CONTACTLESS
- BEZaren barnean sartuta: Incluido. IVA 21,00%
- Deskonturik ez: Agiri honek ez du deskonturik aplikatzen / Este documento no contempla descuentos aplicables
Kontaktu Informazioa
- Bidai Ona / Buen Viaje: F.U.C. 059020891
Dokumentu honen xedea da erabiltzaileak autopistako ordainketa egiaztatzea eta faktura bezala funtzionatzen du, ez ordainagiri gisa. Hala ere, irudiko datu guztiak biltzeko ahalegina egin dut. Zalantzarik izanez gero, jarri harremanetan!
Ikus bezala, bertako informazio gehiena ateratzeko gai da, ia akatsik gabe. Esango nuke, gainera, euskarazko testuak hobeto erauzteko gaitasuna duela, Qwen3-VL ereduekin alderatuz. Nahiz eta hau ziurtatzeko, ebaluazio zehatzagoa beharko genukeen.
Irteera egituratua
Azken urtean argitaratutako eredu berri hauek duten beste berezitasun interesgarri bat, irteera egituratua lortzeko gaitasuna da. Hau da, CSV taula edo JSON egitura duten irteerak lortu ditzakegu gure eskaerei modu zehatz batean erantzuteko.
Honi esker, eredu hauek automatizazio lan fluxuetan integratu ditzakegu. Adibidez, ticketen irudiak pasa eta bertatik informazio zehatza beti modu berean lortu nahiko bagenu, ondorengo n8n automatziazio hau erabili genezake.
Tresnen erabilera
Irteera egituratuak tresnen erabilera errazten du. Horrela, MCP zerbitzari bat konfiguratu dezakegu gure AA agentean eta bertako tresnak ereduari eskuragarri utzi behar dituenean erabili ditzan.
Tresna hauei deiak ondo egiten dizkiela konprobatu dut baina, tamalez, egin dudan probetan tresnaren erabilera behin eta berriro errepikatuz gelditzen da, noiz gelditu jakin gabe.
Ereduak GGUF formatuan eskuragarri
Latxa VL ereduak GGUF formatura bihurtu eta eskuragarri utzi ditut HuggingFace-ko Itzune ekimenaren espazioan.
Ondorioak
Latxa VL beste urrats garrantzitsu bat da euskarazko adimen artifizialean. Euskaraz agian ez dabil Kimu bezain txukun, seguraski bere tamaina ere txikiagoa delako.
Aldiz, azpimarratu behar da ikusmenerako gaitasuna duen eredua dugula orain; bereziki interesgarria izan daitekeena OCR moduko erabileran euskarazko dokumentuak digitalizatzeko eta bertatik informazioa modu egituratuan ateratzeko.
Hala ere, etorkizunera begira hainbat erronka ditugu aurrean. Hala nola, tamaina txikiko eredu hauek euskaraz hobeto egitea.