কাকাও ওপেন সোর্স দুটি কানানা-২ ভিশন এনকোডার, দাবি করেছে গুগল, মেটা, অ্যাপল মডেলের উপর জয়ী

যা মুক্তি পেল

কাকাও 21 অক্টোবর বুধবার ঘোষণা করেছে যে, এটি হাগিং ফেস-এ দুটি অভ্যন্তরীণ উন্নত ভিশন এনকোডার, "কানানা-2-ভিশন-এনকোডার," প্রকাশ করেছে: 426 মিলিয়ন প্যারামিটার সহ একটি মাঝারি সংস্করণ এবং 98 মিলিয়ন প্যারামিটার সহ একটি ক্ষুদ্র সংস্করণ, যেমনটি তার বিকাশকারী সম্মেলনে "ইফ কাকাও 26।" উভয় মডেলই "কানানা ওপেন লাইসেন্স" এর অধীনে প্রকাশ করা হয়েছে, যা শুধুমাত্র গবেষণা এবং উন্নয়নের জন্য নয়, বাণিজ্যিক উদ্দেশ্যেও ব্যবহারের অনুমতি দেয়৷

সম্পূর্ণ প্রতিবেদন

কাকাও-এর মতে, দুটি মডেল প্রধান গ্লোবাল ভিশন এনকোডারকে ছাড়িয়ে গেছে — Google-এর SigLIP 2, Meta's Perception Encoder, Apple-এর AIMv2 এবং আলিবাবার Qwen3.5-ViT — নয়টি ডোমেন এবং 42টি বেঞ্চমার্ক জুড়ে, যার মধ্যে সাধারণ ভিজ্যুয়াল প্রশ্নের উত্তর, ইংরেজি এবং কোরিয়ান ও সূক্ষ্ম নথিপত্র বোঝানো হয়েছে। উল্লেখযোগ্যভাবে, ক্ষুদ্র মডেল, 100 মিলিয়নেরও কম প্যারামিটার সহ, কিছু প্রতিযোগী মডেলকে 400 মিলিয়নেরও বেশি প্যারামিটারের সাথে কিছু নির্দিষ্ট মানদণ্ডে পরাজিত করেছে — সমস্তই কাকাও-এর নিজস্ব প্রকাশিত মূল্যায়ন অনুসারে, স্বাধীন তৃতীয়-পক্ষ যাচাইকরণ এখনও বাকি আছে।

The Elec রিপোর্ট করেছে যে Kakao প্রশিক্ষণের সময় তার অভ্যন্তরীণ কানানা-2 ভাষার মডেল ব্যবহার করেছে, প্রশিক্ষণের দক্ষতা পূর্ববর্তী পদ্ধতির তুলনায় প্রায় চারগুণ উন্নত করেছে, এবং প্রধান প্রতিযোগী মডেলগুলির তুলনায় এটির উচ্চ-রেজোলিউশন ইমেজ প্রসেসিং আর্কিটেকচার প্রসেসিং লেটেন্সি 60% এর বেশি উন্নতি করেছে। কাকাও বলেছেন কোরিয়ান টেক্সট স্বীকৃতি, নথি বোঝার এবং বস্তুর স্থানীয়করণে কর্মক্ষমতা ব্যবধান বিশেষভাবে উল্লেখযোগ্য ছিল। ডেভেলপারদের ডাউনলোড করে চেষ্টা করার জন্য মডেল কার্ডটি Hugging Face (kakaocorp/kanana-2-vision-encoder-tiny) এ লাইভ।