ਕਾਕਾਓ ਓਪਨ-ਸੋਰਸਜ਼ ਦੋ ਕੰਨਨਾ-2 ਵਿਜ਼ਨ ਏਨਕੋਡਰ, ਗੂਗਲ, ਮੈਟਾ, ਐਪਲ ਮਾਡਲਾਂ 'ਤੇ ਜਿੱਤ ਦਾ ਦਾਅਵਾ ਕਰਦਾ ਹੈ

ਕੀ ਜਾਰੀ ਕੀਤਾ ਗਿਆ ਸੀ

ਕਾਕਾਓ ਨੇ ਬੁੱਧਵਾਰ, ਅਕਤੂਬਰ 21 ਨੂੰ ਘੋਸ਼ਣਾ ਕੀਤੀ ਕਿ ਇਸ ਨੇ ਹੱਗਿੰਗ ਫੇਸ 'ਤੇ ਦੋ ਅੰਦਰੂਨੀ ਵਿਕਸਤ ਵਿਜ਼ਨ ਏਨਕੋਡਰ, "ਕਾਨਨਾ-2-ਵਿਜ਼ਨ-ਏਨਕੋਡਰ," ਜਾਰੀ ਕੀਤੇ ਹਨ: 426 ਮਿਲੀਅਨ ਪੈਰਾਮੀਟਰਾਂ ਵਾਲਾ ਇੱਕ ਮੱਧਮ ਸੰਸਕਰਣ ਅਤੇ 98 ਮਿਲੀਅਨ ਪੈਰਾਮੀਟਰਾਂ ਵਾਲਾ ਇੱਕ ਛੋਟਾ ਸੰਸਕਰਣ, ਜਿਵੇਂ ਕਿ ਇਸਦੀ ਡਿਵੈਲਪਰ ਕਾਨਫਰੰਸ "ਇਫ ਕਾਕਾਓ 26" ਵਿੱਚ ਝਲਕਦਾ ਹੈ। ਦੋਵੇਂ ਮਾਡਲ "ਕਾਨਨਾ ਓਪਨ ਲਾਇਸੈਂਸ" ਦੇ ਤਹਿਤ ਜਾਰੀ ਕੀਤੇ ਗਏ ਹਨ, ਜੋ ਨਾ ਸਿਰਫ਼ ਖੋਜ ਅਤੇ ਵਿਕਾਸ ਲਈ, ਸਗੋਂ ਵਪਾਰਕ ਉਦੇਸ਼ਾਂ ਲਈ ਵੀ ਵਰਤਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।

ਪੂਰੀ ਰਿਪੋਰਟ

ਕਾਕਾਓ ਦੇ ਅਨੁਸਾਰ, ਦੋ ਮਾਡਲਾਂ ਨੇ ਪ੍ਰਮੁੱਖ ਗਲੋਬਲ ਵਿਜ਼ਨ ਏਨਕੋਡਰ - Google ਦੇ SigLIP 2, Meta's Perception Encoder, Apple ਦੇ AIMv2 ਅਤੇ ਅਲੀਬਾਬਾ ਦੇ Qwen3.5-ViT - ਨੂੰ ਨੌਂ ਡੋਮੇਨਾਂ ਅਤੇ 42 ਬੈਂਚਮਾਰਕਾਂ ਵਿੱਚ ਪਛਾੜ ਦਿੱਤਾ, ਜਿਸ ਵਿੱਚ ਜਨਰਲ ਵਿਜ਼ੂਅਲ ਸਵਾਲ ਜਵਾਬ, ਅੰਗਰੇਜ਼ੀ ਅਤੇ ਕੋਰੀਅਨ, ਗਰਾਉਂਡ ਓ.ਸੀ.ਆਰ. ਅਤੇ ਡੌਕੂਮੈਂਟ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਮਝਣਾ ਸ਼ਾਮਲ ਹੈ। ਖਾਸ ਤੌਰ 'ਤੇ, ਛੋਟੇ ਮਾਡਲ, 100 ਮਿਲੀਅਨ ਤੋਂ ਘੱਟ ਮਾਪਦੰਡਾਂ ਦੇ ਨਾਲ, ਕੁਝ ਮਾਪਦੰਡਾਂ 'ਤੇ 400 ਮਿਲੀਅਨ ਤੋਂ ਵੱਧ ਮਾਪਦੰਡਾਂ ਦੇ ਨਾਲ ਕੁਝ ਪ੍ਰਤੀਯੋਗੀ ਮਾਡਲਾਂ ਨੂੰ ਮਾਤ ਦਿੰਦੇ ਹਨ - ਸਾਰੇ ਕਾਕਾਓ ਦੇ ਆਪਣੇ ਪ੍ਰਕਾਸ਼ਿਤ ਮੁਲਾਂਕਣਾਂ ਦੇ ਅਨੁਸਾਰ, ਸੁਤੰਤਰ ਤੀਜੀ-ਧਿਰ ਪੁਸ਼ਟੀਕਰਣ ਅਜੇ ਆਉਣੀ ਬਾਕੀ ਹੈ।

The Elec ਰਿਪੋਰਟ ਕਰਦਾ ਹੈ ਕਿ ਕਾਕਾਓ ਨੇ ਸਿਖਲਾਈ ਦੌਰਾਨ ਆਪਣੇ ਅੰਦਰੂਨੀ ਕੰਨਨਾ-2 ਭਾਸ਼ਾ ਦੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਪਿਛਲੇ ਪਹੁੰਚ ਨਾਲੋਂ ਸਿਖਲਾਈ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਲਗਭਗ ਚਾਰ ਗੁਣਾ ਸੁਧਾਰ ਕੀਤਾ, ਅਤੇ ਇਸਦੇ ਉੱਚ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਮੁੱਖ ਪ੍ਰਤੀਯੋਗੀ ਮਾਡਲਾਂ ਦੇ ਮੁਕਾਬਲੇ 60% ਤੋਂ ਵੱਧ ਪ੍ਰੋਸੈਸਿੰਗ ਲੇਟੈਂਸੀ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ ਗਿਆ। ਕਾਕਾਓ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਕੋਰੀਅਨ ਟੈਕਸਟ ਮਾਨਤਾ, ਦਸਤਾਵੇਜ਼ ਦੀ ਸਮਝ ਅਤੇ ਆਬਜੈਕਟ ਲੋਕਾਲਾਈਜ਼ੇਸ਼ਨ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਅੰਤਰ ਖਾਸ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਸੀ। ਮਾਡਲ ਕਾਰਡ ਹੱਗਿੰਗ ਫੇਸ (kakaocorp/kanana-2-vision-encoder-tiny) 'ਤੇ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਡਾਊਨਲੋਡ ਕਰਨ ਅਤੇ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਲਈ ਲਾਈਵ ਹੈ।