カカオ、2 つのKanana-2 Vision エンコーダをオープンソース、Google、Meta、Apple モデルに勝ると主張

リリースされたもの

カカオは10月21日水曜日、開発者カンファレンス「イフ・カカオ26」でプレビューされたように、自社開発の2つのビジョンエンコーダ「Kanana-2-vision-encoder」をHugging Faceでリリースしたと発表した。1つは4億2,600万のパラメータを備えた中型バージョン、もう1つは9,800万のパラメータを備えた小型バージョンである。両モデルとも、研究開発だけでなく商用目的でも利用を認める「Kanana Open License」に基づいて発売される。

完全なレポート

カカオによると、この 2 つのモデルは、一般的な視覚的質問応答、英語と韓国語の OCR と文書の理解、視覚的グラウンディング、きめ細かな知覚を含む 9 つのドメインと 42 のベンチマークにわたって、主要なグローバル ビジョン エンコーダ (Google の SigLIP 2、Meta の Perception Encoder、Apple の AIMv2、Alibaba の Qwen3.5-ViT) よりも優れたパフォーマンスを示しました。注目すべき点は、パラメーター数が 1 億未満のこの小さなモデルが、特定のベンチマークで 4 億以上のパラメーターを持つ競合モデルを上回ったことです。これらはすべてカカオ自身が公開した評価によるもので、独立したサードパーティによる検証はまだこれからです。

Elec の報告によると、カカオはトレーニング中に社内のKanana-2 言語モデルを使用し、以前のアプローチに比べてトレーニング効率が約 4 倍向上し、高解像度画像処理アーキテクチャの改善により、主要な競合モデルと比較して処理遅延が 60% 以上削減されたと報告しています。カカオ氏は、韓国語のテキスト認識、文書理解、オブジェクトのローカリゼーションにおいてパフォーマンスの差が特に大きかったと述べています。モデル カードは、開発者がダウンロードして試すことができるように、Hugging Face (kakaocorp/kanana-2-vision-encoder-tiny) で公開されています。