N環球 
Kakao открыла исходный код двух кодировщиков Kanana-2 Vision и претендует на победу над моделями Google, Meta и Apple
Kakao выпустила два собственных видеокодера, Kanana-2-vision-encoder, на Hugging Face под коммерчески используемой открытой лицензией Kanana; Компания заявляет, что они превосходят модели Google, Meta, Apple и Alibaba по 42 тестам.
Почему это важно
Кодировщик изображений — это «глаза» ИИ: он извлекает визуальные особенности — объекты, текст, местоположения, формы — из изображений и передает их в языковую модель, которая отвечает на запросы пользователей, от чтения пунктов меню и цен до понимания макетов документов и описания фотографий. Kakao, выпустив сразу два из них по лицензии, разрешающей коммерческое использование, дает разработчикам мультимодального ИИ готовую новую опцию.
Что было выпущено
В среду, 21 октября, компания Kakao объявила, что выпустила два видеокодера собственной разработки «Kanana-2-vision-encoder» для Hugging Face: среднюю версию с 426 миллионами параметров и крошечную версию с 98 миллионами параметров, как было представлено на конференции разработчиков «If Kakao 26». Обе модели выпускаются по «Открытой лицензии Kanana», которая разрешает использование не только для исследований и разработок, но и в коммерческих целях.
Полный отчет
По словам Какао, обе модели превзошли основные глобальные кодировщики машинного зрения — SigLIP 2 от Google, Perception Encoder от Meta, AIMv2 от Apple и Qwen3.5-ViT от Alibaba — в девяти областях и 42 тестах, включая общие визуальные ответы на вопросы, распознавание текста на английском и корейском языках, а также понимание документов, визуальное обоснование и детальное восприятие. Примечательно, что крошечная модель с менее чем 100 миллионами параметров превзошла некоторые конкурирующие модели с более чем 400 миллионами параметров в определенных тестах — все согласно опубликованным оценкам Kakao, а независимая сторонняя проверка еще впереди.
The Elec сообщает, что Kakao использовала собственную языковую модель Kanana-2 во время обучения, что повысило эффективность обучения примерно в четыре раза по сравнению с предыдущим подходом, а улучшения в архитектуре обработки изображений с высоким разрешением сократили задержку обработки более чем на 60% по сравнению с основными конкурирующими моделями. Какао говорит, что разрыв в производительности был особенно значительным в распознавании корейского текста, понимании документов и локализации объектов. Карточка модели доступна на Hugging Face (kakaocorp/kanana-2-vision-encoder-tiny), чтобы разработчики могли ее скачать и опробовать.
💬 Comments
No comments yet. Be the first!