Pour entraîner un modèle à vérifier l'état d'un entrepôt, nous collons les états dans de vraies images, pour que chaque exemple vienne avec une vérité connue par construction.
Les benchmarks vision-langage existants ne mesurent pas ce dont une caméra surveillée a besoin : un état décrit est-il vrai dans une zone, sous des clauses, avec une confiance calibrée.
Un petit modèle vision-langage ne décrira pas mieux une image quelconque que Gemini ou GPT. Il n'en a pas besoin. Sur une question étroite, posée sur des caméras fixes, il peut gagner là où ça compte.
