N環球 
Kakao abre código para dois codificadores de visão Kanana-2, afirma que vence modelos do Google, Meta e Apple
Kakao lançou dois codificadores de visão internos, Kanana-2-vision-encoder, no Hugging Face sob a Kanana Open License comercialmente utilizável; a empresa afirma ter superado os modelos do Google, Meta, Apple e Alibaba em 42 benchmarks.
Por que isso importa
Um codificador de visão são os “olhos” de uma IA: ele extrai características visuais – objetos, texto, locais, formas – de imagens e as passa para um modelo de linguagem que responde às dúvidas dos usuários, desde a leitura de itens de menu e preços até a compreensão de layouts de documentos e descrição de fotos. A Kakao, lançando dois deles de uma vez, sob uma licença que permite o uso comercial, oferece aos desenvolvedores de IA multimodal uma nova opção pronta.
O que foi lançado
Kakao anunciou na quarta-feira, 21 de outubro, que lançou dois codificadores de visão desenvolvidos internamente, "Kanana-2-vision-encoder", no Hugging Face: uma versão média com 426 milhões de parâmetros e uma versão minúscula com 98 milhões de parâmetros, conforme apresentado em sua conferência de desenvolvedores "If Kakao 26". Ambos os modelos são lançados sob a “Licença Aberta Kanana”, que permite o uso não apenas para pesquisa e desenvolvimento, mas também para fins comerciais.
Relatório completo
De acordo com Kakao, os dois modelos superaram os principais codificadores de visão globais - SigLIP 2 do Google, Perception Encoder da Meta, AIMv2 da Apple e Qwen3.5-ViT do Alibaba - em nove domínios e 42 benchmarks, incluindo resposta visual geral a perguntas, OCR em inglês e coreano e compreensão de documentos, embasamento visual e percepção refinada. Notavelmente, o pequeno modelo, com menos de 100 milhões de parâmetros, superou alguns modelos concorrentes com mais de 400 milhões de parâmetros em determinados benchmarks – tudo de acordo com as avaliações publicadas pela própria Kakao, com verificação independente por terceiros ainda por vir.
The Elec relata que Kakao usou seu modelo interno de linguagem Kanana-2 durante o treinamento, melhorando a eficiência do treinamento cerca de quatro vezes em relação à abordagem anterior, e que melhorias em sua arquitetura de processamento de imagem de alta resolução reduziram a latência de processamento em mais de 60% em comparação com os principais modelos concorrentes. Kakao diz que a lacuna de desempenho foi particularmente significativa no reconhecimento de texto coreano, na compreensão de documentos e na localização de objetos. O cartão modelo está disponível no Hugging Face (kakaocorp/kanana-2-vision-encoder-tiny) para os desenvolvedores baixarem e experimentarem.
💬 Comments
No comments yet. Be the first!