Er is een nieuw vision-language model geïntroduceerd, genaamd VectraYX-Vision-1B, dat specifiek is ontwikkeld voor cybersecurity-toepassingen binnen de Spaanse en Latijns-Amerikaanse context. Het model combineert visuele redenering met het vermogen om tools direct te gebruiken.
Onderzoeker Juan S. Santillana heeft de details van het model gepubliceerd in een wetenschappelijk document via arxiv.org. Het model, dat minder dan twee miljard parameters bevat, is ontworpen om complexe visuele informatie te analyseren en om te zetten in gestructureerde redeneringen, wat essentieel is voor het detecteren en analyseren van dreigingen in de digitale veiligheid.
Technische evolutie en optimalisatie
Het project heeft een aanzienlijke ontwikkeling doorgemaakt tussen de eerste publicatie op 9 augustus 2026 en de meest recente revisie op 10 september 2026. In de derde versie (v3) van het onderzoek is een belangrijke technische wijziging doorgevoerd: het transplanteren van een visuele toren van Qwen2-VL op een bevroren decoder.
Volgens de leidde deze aanpassing tot een significante verbetering in de nauwkeurigheid van het herkennen van specifieke gegevensvelden. Zo steeg de score voor het zogenaamde '8-nibble address field' van 0,00 naar 0,81 exact. Deze resultaten suggereren dat de resolutie van beelden niet de enige bepalende factor is voor de prestaties, aangezien de verbetering werd behaald met een grover token-budget dan bij gebruik van 2x2 tiling.
Correcties en datakwaliteit
Tijdens het ontwikkelingsproces zijn diverse correcties doorgevoerd om de betrouwbaarheid van de resultaten te waarborgen. In een eerdere versie (v2) werd een score van 0,08 voor de 'B6 tool-id' ingetrokken nadat er drie fouten in de benchmark-harnas waren ontdekt. Na het herstellen van deze fouten bleken alle metrieken voor B6 en B7 op 0,0 te liggen, zoals vermeld in de .
Daarnaast is er een tweede vooraf geregistreerd veld geïdentificeerd dat voor 63% gecontamineerd was, waardoor dit veld in de analyse is gedegradeerd. De technische updates omvatten ook het oplossen van een bug in de LoRA learning rate (LR) en een fout in de volgorde van het laden van checkpoints.
Toepassing en toegankelijkheid
Het model onderscheidt zich door 'native tool use', wat betekent dat het model direct instrumenten kan aansturen om cybersecurity-taken uit te voeren zonder dat daar uitgebreide externe tussenlagen voor nodig zijn. Om de transparantie en reproduceerbaarheid te vergroten, zijn de code en de checkpoints van het model beschikbaar gesteld op Hugging Face (HF), een platform dat vaak wordt gebruikt voor het delen van open-source AI-modellen, zoals aangegeven in de .
De focus op de Spaanse en Latijns-Amerikaanse markt is een bewuste keuze, aangezien cybersecurity-modellen vaak dominant Engelstalig zijn. Door visuele redenering te koppelen aan specifieke regionale taalbehoeften, biedt VectraYX-Vision-1B een gespecialiseerde oplossing voor professionals in deze regio's.
Het volledige onderzoek beslaat 25 pagina's en bevat tien tabellen die de prestaties van het model onderbouwen. De meest recente versie van het artikel is op 10 september 2026 bijgewerkt om de nieuwste bevindingen over de visuele toren en de lineaire probes te integreren, zoals te lezen is via de .