VectraYX-Vision-1B: A Sub-2B Spanish/LATAM Cybersecurity Vision-Language Model with Structured Visual Reasoning and Native Tool Use

Immagina un mondo in cui i computer sono come bibliotecari incredibilmente intelligenti che hanno letto ogni libro mai scritto ma non hanno mai visto un'immagine, un grafico o uno schermo. Per molto tempo, questi "bibliotecari solo testo" potevano rispondere a domande su ciò che una foto potrebbe contenere basandosi sulle descrizioni, ma non potevano effettivamente vedere l'immagine stessa. Poi, è arrivato un nuovo tipo di cervello informatico chiamato "Modello Visione-Linguaggio" (VLM). Pensa a questi come a bibliotecari a cui sono stati finalmente aperti gli occhi: possono guardare una foto e leggere il testo al suo interno, collegando ciò che vedono con ciò che sanno. Questo è un grande passo avanti per settori come la cybersecurity, dove gli esperti trascorrono le loro giornate fissando schermi complessi pieni di codice, mappe di rete e avvisi di sicurezza. Tuttavia, la maggior parte di questi "super-occhi" è gigantesca, costosa e parla solo inglese, rendendola inutile per i team più piccoli o per chi ha bisogno di mantenere i propri dati completamente privati e offline.

Questo articolo presenta un nuovo, minuscolo e specializzato cervello informatico chiamato VectraYX-Vision-1B. È progettato specificamente per esperti di cybersecurity di lingua spagnola che hanno bisogno di analizzare schermi di sicurezza senza inviare i propri dati al cloud. Il ricercatore ha costruito questo modello affinché fosse abbastanza piccolo da poter girare su un normale laptop (meno di 2 miliardi di parametri) pur essendo in grado di "pensare ad alta voce" su ciò che vede e persino di chiedere aiuto ad strumenti esterni. Ma ecco il colpo di scena: l'autore sta essendo incredibilmente onesto riguardo a un grosso intoppo. Sebbene il modello sia brillante nel parlare spagnolo e nel seguire le istruzioni, attualmente fatica a comprendere davvero le immagini che sta guardando. È come uno studente che sa scrivere un saggio perfetto in spagnolo ma continua a fissare una pagina bianca quando gli viene chiesto di descrivere un diagramma. L'articolo non sostiene di aver risolto il problema; al contrario, rilascia il progetto dello studente, le domande del test e un mistero specifico su come il cervello dello studente sia cablato, invitando altri a risolvere l'enigma.

La storia del piccolo detective di sicurezza che parla spagnolo

Il Problema: Punti ciechi nella sicurezza
Gli analisti di sicurezza sono come detective digitali. Trascorrono le loro giornate guardando schermi pieni di codice, traffico di rete e log di errore. A volte devono capire se un software è un virus, o se una scansione di rete mostra un pericolo nascosto. Fino ad ora, gli strumenti di IA che li aiutavano erano o troppo grandi per essere eseguiti su un computer locale (richiedendo una connessione al cloud, il che è un divieto assoluto per i dati segreti) o non sapevano parlare bene lo spagnolo. I "super-occhi" esistenti erano anche troppo generici; erano bravissimi a descrivere un gatto o un tramonto, ma terribili nel leggere lo schermo di uno strumento di sicurezza complesso.

La Soluzione: Un detective costruito su misura
L'autore ha costruito VectraYX-Vision-1B, un modello progettato fin dall'inizio per questo compito specifico.

• È Minuscolo: Con soli 1,04 miliardi di parametri, è abbastanza piccolo da adattarsi a un computer normale, permettendogli di lavorare in ambienti "air-gapped" (computer fisicamente scollegati da Internet per motivi di sicurezza).
• Parla Spagnolo: È stato addestrato specificamente per comprendere e parlare spagnolo, rendendolo accessibile per i team di sicurezza dell'America Latina.
• Pensa ad Alta Voce: Prima di dare una risposta, il modello utilizza speciali token (come <thought>) per scrivere il proprio processo di ragionamento, simile a come un detective umano potrebbe annotare gli indizi prima di risolvere un caso.
• Può Usare Strumenti: Può persino chiamare strumenti esterni (come uno scanner) per aiutare l'indagine, usando un speciale token di "chiamata allo strumento" (tool call).

Il Grande Intoppo: Il detective "cieco"
Ecco dove la storia diventa reale. Il ricercatore ha addestrato questo modello su circa 16 milioni di token di dati (un mix di immagini di sicurezza e testo). Si aspettava che imparasse a guardare uno screenshot di uno strumento di sicurezza e a spiegare cosa sta accadendo. Inveve, ha riscontrato un risultato deludente: il modello ignora per lo più le immagini.

Quando testato su 50 diversi screenshot di sicurezza, il modello è riuscito a identificare correttamente lo strumento utilizzato in circa l'8% dei casi (punteggio 0,08). Poteva scrivere frasi fluide in spagnolo, ma se gli veniva chiesto cosa c'era nell'immagine, spesso tirava a indovinare o allucinava, ignorando completamente il contenuto visivo. L'autore chiama questo un "risultato negativo", un modo elegante per dire: "Ci abbiamo provato, non ha ancora funzionato, ed ecco esattamente perché pensiamo sia successo".

Il Mistero: Un bug nel cablaggio
L'articolo scava nel profondo per capire perché è successo questo. Hanno scoperto due cose principali:

1. Mancanza di Pratica: Il modello semplicemente non ha visto abbastanza esempi di immagini di sicurezza per imparare come collegare i puntini. Il volume di addestramento attuale è troppo basso.
2. Un Bug Insidioso: All'inizio, un bug del software ha causato il caricamento del modello con pesi casuali e non addestrati invece del cervello intelligente che avevano costruito. Questo faceva sembrare che il modello fosse "collassato" o fallito completamente, ma una volta corretto il bug, il modello stava effettivamente funzionando — solo che non era ancora abbastanza bravo a vedere.

La Grande Domanda: Il puzzle del "NoPE"
La parte più eccitante dell'articolo non è il fallimento, ma il mistero che lascia dietro di sé. Il cervello del modello usa un trucco speciale chiamato NoPE (No Positional Encoding) su ogni quarto livello. La maggior parte dei modelli di IA usa un sistema che indica l'ordine delle parole o dei pixel (come "primo", "secondo", "terzo"). NoPE cerca di imparare l'ordine implicitamente.

L'autore si chiede: Il trucco NoPE aiuta o danneggia il modello quando guarda le immagini?

• Ipotesi 1: Forse NoPE è ottimo perché le immagini (come una griglia di pixel) non hanno un ordine rigido "da sinistra a destra", quindi forzare un ordine potrebbe confondere il modello.
• Ipotesi 2: Forse NoPE è negativo perché il modello è stato addestrato sul testo (che ha un ordine rigoroso), quindi si confonde quando guarda una griglia disordinata di pixel di un'immagine.

L'articolo rilascia la "ricetta" e il "test" per questo mistero, invitando altri scienziati a eseguire l'esperimento e vedere quale ipotesi è vera. Non l'hanno ancora risolto, ma hanno consegnato a tutti gli strumenti per scoprirlo.

Cosa viene dopo?
L'autore è molto chiaro: questo non è un prodotto finito. Il modello è funzionale e può girare offline, ma non è pronto per sostituire un analista umano perché non riesce ancora a "vedere" lo schermo in modo affidabile. Prevedono di eseguire un ulteriore addestramento con più dati e una diversa strategia di apprendimento per risolvere il problema della visione.

Nel frattempo, hanno rilasciato tutto: il codice, i dati di addestramento, i benchmark e il modello stesso. Stanno essenzialmente dicendo: "Abbiamo costruito un figo, minuscolo detective di sicurezza che parla spagnolo, ma al momento è cieco. Ecco il progetto, le domande del test e una domanda specifica su come il suo cervello è cablato. Speriamo possiate aiutarci a insegnargli a vedere".

Questo approccio è rinfrescante perché privilegia l'onestà rispetto all'hype. Invece di pretendere che il modello sia perfetto, ammettono il fallimento, spiegano le ragioni tecniche e trasformano il problema in una sfida aperta per la comunità. È un promemoria del fatto che nella scienza, sapere cosa non funziona è altrettanto prezioso di sapere cosa funziona, specialmente quando si cerca di costruire uno strumento critico per proteggere i segreti digitali.