Kakao از دو رمزگذار Vision Kanana-2 استفاده می کند، ادعاها بر گوگل، متا، مدل های اپل پیروز می شوند.

آنچه منتشر شد

کاکائو روز چهارشنبه، 21 اکتبر اعلام کرد که دو رمزگذار دید توسعه‌یافته داخلی، "Kanana-2-vision-encoder" را در Hugging Face منتشر کرده است: یک نسخه متوسط با 426 میلیون پارامتر و یک نسخه کوچک با 98 میلیون پارامتر، همانطور که در کنفرانس توسعه دهندگان "If Kakao 26" پیش‌نمایش شده بود. هر دو مدل تحت "مجوز Open Kanana" منتشر شده اند، که اجازه استفاده را نه تنها برای تحقیق و توسعه بلکه برای اهداف تجاری نیز می دهد.

گزارش کامل

به گفته کاکائو، این دو مدل از رمزگذارهای اصلی بینایی جهانی - SigLIP 2 Google، Meta's Perception Encoder، AIMv2 اپل و Alibaba Qwen3.5-ViT - در 9 دامنه و 42 معیار، از جمله پاسخگویی به سؤالات بصری کلی، انگلیسی و کره ای، OCR تصویری دقیق و درک مستندات، عملکرد بهتری داشتند. قابل ذکر است، مدل کوچک با کمتر از 100 میلیون پارامتر، برخی از مدل‌های رقیب را با بیش از 400 میلیون پارامتر در معیارهای خاص شکست داد - همه براساس ارزیابی‌های منتشر شده خود کاکائو، با تأیید شخص ثالث مستقل که هنوز در راه است.

Elec گزارش می دهد که کاکائو از مدل زبان داخلی Kanana-2 خود در طول آموزش استفاده کرده است، که کارایی آموزش را حدوداً چهار برابر بیشتر از رویکرد قبلی بهبود می بخشد، و بهبود معماری پردازش تصویر با وضوح بالا، تاخیر پردازش را بیش از 60 درصد در مقایسه با مدل های رقیب اصلی کاهش می دهد. کاکائو می‌گوید شکاف عملکرد به‌ویژه در تشخیص متن کره‌ای، درک سند و بومی‌سازی شی بسیار مهم بود. کارت مدل در Hugging Face (kakaocorp/kanana-2-vision-encoder-tiny) برای توسعه‌دهندگان قابل دانلود و امتحان است.