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

Imagine um mundo onde os computadores são como bibliotecários incrivelmente inteligentes que leram todos os livros já escritos, mas nunca viram uma imagem, um gráfico ou uma tela de verdade. Por muito tempo, esses bibliotecários "apenas de texto" podiam responder perguntas sobre o que uma imagem poderia conter com base em descrições, mas não conseguiam realmente ver a imagem em si. Então, um novo tipo de cérebro computacional chamado "Modelo de Linguagem-Visão" (VLM) chegou. Pense nestes como bibliotecários que finalmente abriram os olhos; eles podem olhar para uma foto e ler o texto dentro dela, conectando o que veem com o que sabem. Isso é um grande avanço para áreas como a cibersegurança, onde especialistas passam seus dias encarando telas complexas cheias de código, mapas de rede e alertas de segurança. No entanto, a maioria desses "superolhos" é gigante, cara e só fala inglês, tornando-os inúteis para equipes menores ou para aqueles que precisam manter seus dados completamente privados e offline.

Este artigo apresenta um novo, pequeno e especializado cérebro computacional chamado VectraYX-Vision-1B. Ele foi projetado especificamente para especialistas em cibersegurança que falam espanhol e que precisam analisar telas de segurança sem enviar seus dados para a nuvem. O pesquisador construiu este modelo para ser pequeno o suficiente para rodar em um laptop comum (menos de 2 bilhões de parâmetros), enquanto ainda é capaz de "pensar" em voz alta sobre o que vê e até mesmo pedir ajuda de ferramentas externas. Mas aqui está a reviravolta: o autor está sendo incrivelmente honesto sobre um grande contratempo. Embora o modelo seja brilhante em falar espanhol e seguir instruções, ele atualmente tem dificuldade em realmente entender as imagens que está olhando. É como um estudante que consegue escrever uma redação perfeita em espanhol, mas continua encarando uma página em branco quando lhe pedem para descrever um diagrama. O artigo não afirma ter resolvido isso ainda; em vez disso, ele libera o projeto do estudante, as perguntas do teste e um mistério específico sobre como o cérebro do estudante é conectado, convidando outros a ajudar a resolver o enigma.

A História do Pequeno Detetive de Segurança que Fala Espanhol

O Problema: Pontos Cegos na Segurança
Analistas de segurança são como detetives digitais. Eles passam seus dias olhando para telas cheias de código, tráfego de rede e registros de erros. Às vezes, eles precisam descobrir se um software é um vírus ou se um escaneamento de rede mostra um perigo oculto. Até agora, as ferramentas de IA que os ajudavam eram ou grandes demais para rodar em um computador local (exigindo uma conexão com a nuvem, o que é proibido para dados secretos) ou não falavam bem o espanhol. Os "superolhos" existentes também eram muito genéricos; eram ótimos para descrever um gato ou um pôr do sol, mas terríveis para ler a tela de uma ferramenta de segurança complexa.

A Solução: Um Detetive Construído Sob Medida
O autor construiu o VectraYX-Vision-1B, um modelo projetado do zero para este trabalho específico.

• É Minúsculo: Com apenas 1,04 bilhão de parâmetros, é pequeno o suficiente para caber em um computador comum, permitindo que funcione em ambientes "air-gapped" (computadores que estão fisicamente desconectados da internet por questões de segurança).
• Fala Espanhol: Foi treinado especificamente para entender e falar espanhol, tornando-o acessível para equipes de segurança da América Latina.
• Pensa em Voz Alta: Antes de dar uma resposta, o modelo usa tokens especiais (como ``) para escrever seu processo de raciocínio, de forma semelhante a como um detetive humano poderia anotar pistas antes de resolver um caso.
• Pode Usar Ferramentas: Ele pode até chamar ferramentas externas (como um scanner) para ajudar na investigação, usando um token especial de "chamada de ferramenta".

O Grande Contratempo: O Detetive "Cego"
É aqui que a história fica real. O pesquisador treinou este modelo com cerca de 16 milhões de tokens de dados (uma mistura de imagens de segurança e texto). Eles esperavam que ele aprendesse a olhar para uma captura de tela de uma ferramenta de segurança e explicar o que está acontecendo. Em vez disso, encontraram um resultado decepcionante: o modelo majoritariamente ignora as imagens.

Ao ser testado em 50 diferentes capturas de tela de segurança, o modelo conseguiu identificar corretamente a ferramenta sendo usada em apenas cerca de 8% dos casos (pontuação de 0,08). Ele conseguia escrever frases fluentes em espanhol, mas se você perguntasse o que havia na imagem, ele frequentemente apenas adivinhava ou alucinava, ignorando o conteúdo visual inteiramente. O autor chama isso de um "resultado negativo", que é uma forma elegante de dizer: "Nós tentamos, não funcionou ainda, e aqui está exatamente o porquê achamos que isso aconteceu".

O Mistério: Uma Falha na Fiação
O artigo investiga profundamente o porquê disso ter acontecido. Eles descobriram duas coisas principais:

1. Falta de Prática: O modelo simplesmente não viu exemplos suficientes de imagens de segurança para aprender a conectar os pontos. O volume de treinamento atual é muito baixo.
2. Um Bug Escondido: No início, um erro de software fez com que o modelo fosse carregado com pesos aleatórios e não treinados, em vez do cérebro inteligente que haviam construído. Isso fez parecer que o modelo havia "colapsado" ou falhado completamente, mas assim que corrigiram o bug, o modelo estava de fato funcionando — apenas não era bom o suficiente em "ver" ainda.

A Grande Pergunta: O Enigma do "NoPE"
A parte mais emocionante do artigo não é o fracasso, mas o mistério que ele deixa para trás. O cérebro do modelo usa um truque especial chamado NoPE (No Positional Encoding) em cada quarta camada. A maioria dos modelos de IA usa um sistema que indica a ordem das palavras ou pixels (como "primeiro", "segundo", "terceiro"). O NoPE tenta aprender a ordem implicitamente.

O autor se pergunta: O truque do NoPE ajuda ou prejudica o modelo quando ele olha para imagens?

• Hipótese 1: Talvez o NoPE seja ótimo porque imagens (como uma grade de pixels) não têm uma ordem estrita de "esquerda para a direita", então forçar uma ordem poderia confundir o modelo.
• Hipótese 2: Talvez o NoPE seja ruim porque o modelo foi treinado em texto (que possui uma ordem estrita), então ele fica confuso ao olhar para uma grade bagunçada de pixels de imagem.

O artigo libera a "receita" e o "teste" para este mistério, convidando outros cientistas a realizar o experimento e ver qual hipótese é verdadeira. Eles ainda não resolveram isso, mas entregaram a todos as ferramentas para descobrir.

O Que Vem a Seguir?
O autor é muito claro: este não é um produto finalizado. O modelo é funcional e pode rodar offline, mas não está pronto para substituir um analista humano porque ainda não consegue "ver" a tela de forma confiável. Eles planejam realizar mais treinamentos com mais dados e uma estratégia de aprendizado diferente para corrigir o problema de visão.

Enquanto isso, eles liberaram tudo: o código, os dados de treinamento, os benchmarks e o próprio modelo. Eles estão essencialmente dizendo: "Construímos um detetive de segurança minúsculo e que fala espanhol, mas ele está temporariamente cego. Aqui está o projeto, as perguntas de teste e uma pergunta específica sobre como o céreão dele é conectado. Esperamos que vocês possam nos ajudar a ensinar ele a enxergar".

Esta abordagem é revigorante porque prioriza a honestidade em vez do hype. Em vez de fingir que o modelo é perfeito, eles admitem a falha, explicam as razões técnicas e transformam o problema em um desafio aberto para a comunidade. É um lembrete de que, na ciência, saber o que não funciona é tão valioso quanto saber o que funciona, especialmente quando se tenta construir algo tão crítico quanto uma ferramenta para manter segredos digitais seguros.