Kakao publie en open source deux encodeurs visuels Kanana-2 et revendique de meilleurs résultats que Google, Meta et Apple

Pourquoi c'est important

Un encodeur visuel est les « yeux » d'une IA : il extrait d'une image des caractéristiques visuelles — objets, texte, positions, formes — puis les transmet à un modèle de langage qui répond aux questions de l'utilisateur, qu'il s'agisse de lire les plats et les prix d'un menu, de comprendre la mise en page d'un document ou de décrire une photo. En en publiant deux d'un coup sous une licence autorisant l'usage commercial, Kakao offre aux développeurs d'IA multimodale une nouvelle option prête à l'emploi.

Ce qui a été publié

Kakao a annoncé mercredi 21 octobre avoir publié sur Hugging Face deux encodeurs visuels développés en interne, « Kanana-2-vision-encoder » : une version medium de 426 millions de paramètres et une version tiny de 98 millions de paramètres, comme annoncé lors de sa conférence développeurs « If Kakao 26 ». Les deux modèles sont publiés sous la « Kanana Open License », qui autorise non seulement la recherche et le développement, mais aussi l'usage commercial.

Lire l'article

Selon Kakao, les deux modèles ont surpassé les principaux encodeurs visuels mondiaux — SigLIP 2 de Google, Perception Encoder de Meta, AIMv2 d'Apple et Qwen3.5-ViT d'Alibaba — sur neuf domaines et 42 tests, dont la réponse visuelle aux questions générales, la reconnaissance optique de caractères et la compréhension de documents en anglais et en coréen, le repérage visuel et la perception fine. Fait notable, le modèle tiny, avec moins de 100 millions de paramètres, a battu sur certains tests des modèles concurrents dépassant les 400 millions de paramètres — le tout selon les évaluations publiées par Kakao elle-même, en attendant une vérification indépendante.

The Elec rapporte que Kakao a utilisé son modèle de langage interne Kanana-2 pendant l'entraînement, multipliant par quatre environ l'efficacité de l'entraînement, et que les améliorations de son architecture de traitement d'images haute résolution ont réduit la latence de plus de 60 % par rapport aux principaux modèles concurrents. Kakao affirme que l'écart de performance est particulièrement marqué sur la reconnaissance du texte coréen, la compréhension de documents et la localisation d'objets. La fiche du modèle est en ligne sur Hugging Face (kakaocorp/kanana-2-vision-encoder-tiny) pour les développeurs.