ٹیثر نے 460M پیرامیٹر ویژن ماڈل کو ڈیوائس پر AI کے لیے اوپن سورس کر دیا ہے

ٹیثر ڈیٹا نے ایک 460 ملین پیرامیٹر والی ویژن-زبان ماڈل کو اوپن سورس کر دیا ہے جو بادل سرورز پر انحصار کیے بغیر فون پر براہ راست چلائی جا سکتی ہے۔

کمپنی کے AI تحقیقی شعبے کے ذریعے بدھ کو جاری کیا گیا، QVAC، VisionPsy-Nano تصاویر، دستاویزات اور چارٹس کا جائزہ لے سکتا ہے، اور ماخذ کے مواد کو کسی ریموٹ سسٹم پر بھیجے بغیر سوالات کے جواب دے سکتا ہے۔ فون دونوں ان پٹ اور ریسپانس کو ہینڈل کرتا ہے، جس سے سافٹ ویئر آف لائن کام کر سکتا ہے اور ڈیٹا ڈیوائس پر ہی رکھا جا سکتا ہے۔

QVAC کا کہنا ہے کہ ٹیذر AI ریسرچ کا ماڈل 500 ملین پیرامیٹرز سے کم والے ویژن-زبانی سسٹمز میں سب سے اعلیٰ کل اسکور ریکارڈ کیا۔ 17 بینچ مارکس میں سے 16 پر اس نے مقابلہ کرنے والے ماڈلز کو شکست دی۔

ماڈل نے 62.3 کا نارملائزڈ اسکور پوسٹ کیا، جبکہ Liquid AI کے LFM2.5-VL-450M کا اسکور 59.6 اور Hugging Face کے SmolVLM2-500M کا اسکور 52.5 تھا۔ QVAC کے پہلے nanoVLM-460M-8k بنیادی ماڈل کا اسکور 54.9 تھا۔

ٹیذر ڈیٹا کی ریلیز دو ورژنز میں آتی ہے۔ معیاری بِلڈ درستگی پر زور دیتی ہے، جبکہ فلش تھوڑی سی معیار کے نقصان کے بدلے تیز ردعمل فراہم کرتی ہے۔ QVAC کے مطابق، فلش مکمل ماڈل کی تقریباً 99% کارکردگی برقرار رکھتی ہے جبکہ اس کا پہلا آؤٹ پٹ اینڈرائڈ فونز پر SmolVLM2-500M سے تقریباً 23 گنا اور iPhone 15 پر 36 گنا تیز ہوتا ہے۔

موبائل ہارڈویئر پر ریسپانس ٹائم اہم ہے۔ ایک مختصر ماڈل ٹیسٹنگ میں اچھا سکور کر سکتا ہے لیکن اگر صارفین کو ڈیوائس کے ایک تصویر کو پروسیس کرنے کے لیے انتظار کرنا پڑے تو وہ غیر عملی محسوس ہو سکتا ہے۔ فلش کو ابتدائی تاخیر کو کم کرنے کے لیے ڈیزائن کیا گیا ہے۔

مصنوعی ذہانت (AI) سسٹم دستاویزات کی تجزیہ اور آپٹیکل کریکٹر ریکگنیشن کو بھی سپورٹ کرتا ہے، جس میں فنانشل رپورٹس، فلو چارٹس اور انفوگرافکس سے متن اور ساخت استخراج کی جاتی ہے۔

QVAC کا کہنا ہے کہ مدل نے ویژل ریزننگ ٹیسٹس میں اپنے مشابہ سائز کے مقابلہ کرنے والوں کو اوسطاً 7.4% سے بہتر کیا۔ اس نے MM-IFEval اور POPE پر Qwen اور InternVL کے اجراوں سمیت اپنے سے دوگنا سے زیادہ سائز کے مڈلز کو بھی پیچھے چھوڑ دیا۔

ڈیٹا سینٹر سے فون پر متحرک تصویر کی پروسیسنگ منتقل کرنا، میموری، گرمی، بیٹری کے استعمال اور کمپیوٹنگ طاقت کے حوالے سے سخت حدود متعین کرتا ہے۔ کمپیکٹ ماڈلز عام طور پر صرف متن کو ہی سنبھالتے ہیں لیکن اگر گھنے چارٹس، ٹیبلز یا اسکین کردہ دستاویزات پڑھنے کی کوشش کرتے ہیں تو ان کی درستگی کم ہو جاتی ہے۔

QVAC کے معیاری نتائج سے ظاہر ہوتا ہے کہ ماڈل نے اس صلاحیت کا بڑا حصہ برقرار رکھا جبکہ صارفین کے ڈیوائسز کے لیے کافی چھوٹا رہا۔ مقامی پروسیسنگ کا مطلب یہ بھی ہے کہ دستاویزات کو اپ لوڈ کرنے کی ضرورت نہیں ہوتی، اور سافٹ ویئر نیٹ ورک کنکشن کے بغیر بھی کام جاری رکھ سکتا ہے۔

ڈیولپرز Hugging Face Transformers، llama.cpp کے لیے کوانتائزڈ GGUF ورژن، یا زیادہ حجم کے سرور استعمال کے لیے vLLM بیک اینڈ کے ذریعے ماڈل تک رسائی حاصل کر سکتے ہیں۔

QVAC نے اپنے بینچ مارک کنفیگریشنز بھی VLMEvalKit کے ذریعے شائع کیے، جس سے باہر کے تحقیق کاروں کو ٹیسٹ دہرائے جانے کی اجازت ہے۔ دونوں ورژنز Apache 2.0 لائسنس کا استعمال کرتے ہیں، جو تجارتی استعمال، ترمیم اور دوبارہ توزیع کی اجازت دیتے ہیں۔

ٹیذر کے سی ای او پاولو ارڈونو نے کہا کہ یہ ریلیز کمپنی کے مقامی، کارآمد AI سسٹمز کی طرف بڑھنے کے کوششوں کو سپورٹ کرتا ہے۔

"صرف 460 ملین پیرامیٹرز پر جنرل ویژن ٹاسکس پر بہترین کوالٹی اور پرفارمنس حاصل کرنا ثابت کرتا ہے کہ لوکل-فرسٹ، بہت زیادہ موثر AI ایک عملی راستہ ہے،" ارڈونو نے کہا۔

یہ ماڈل اکتوبر 2025 سے متعلق کئی QVAC ریلیزز کو فولو کرتا ہے، جن میں سنتھیٹک ٹریننگ ڈیٹا سیٹس، ایک کراس پلیٹ فارم سافٹ ویئر ڈویلپمنٹ کٹ، اور فونز اور ویئر ایبل ڈیوائسز کے لیے ڈیزائن کردہ میڈیکل ماڈلز شamil ہیں۔

ڈویلپرز کے لیے، اس ریلیز میں استعمال کے بنیاد پر API لاگتوں کے بغیر آف لائن تصویر تجزیہ شامل ہے۔ کاروباری ادارے اپنے حساس دستاویزات ڈیوائس پر رکھ سکتے ہیں، جبکہ صارفین سگنل کے بغیر AI خصوصیات استعمال کر سکتے ہیں۔ تحقیق کار وضاحت شدہ ترتیبات کا استعمال کرتے ہوئے کمپنی کے پرفارمنس کے دعوؤں کا آزادانہ طور پر جائزہ لے سکتے ہیں۔

ٹیتر نے اپنے USDT اسٹیبل کوائن کے کاروبار سے حاصل ہونے والے منافع کے ذریعے اپنی AI کی توسیع کو فنانس کیا ہے۔ اس نے AI انفراسٹرکچر، بائیو ٹیکنالوجی اور روبوٹکس میں بھی سرمایہ کاری کی ہے، جس میں NEURA Robotics میں $1.4 ارب تک کی سیریز C کی سرمایہ کاری شامل ہے۔