N環球 
Kakao Open-Sources Dalawang Kanana-2 Vision Encoder, Nanalo ang Mga Claim Sa Google, Meta, Apple Models
Naglabas si Kakao ng dalawang in-house vision encoder, Kanana-2-vision-encoder, sa Hugging Face sa ilalim ng magagamit na komersyal na Kanana Open License; sinabi ng kumpanya na tinalo nila ang mga modelo mula sa Google, Meta, Apple at Alibaba sa 42 mga benchmark.
Bakit ito mahalaga
Ang vision encoder ay ang "mga mata" ng isang AI: kinukuha nito ang mga visual na feature — mga bagay, text, lokasyon, hugis — mula sa mga larawan at ipinapasa ang mga ito sa isang modelo ng wika na sumasagot sa mga query ng user, mula sa pagbabasa ng mga item sa menu at presyo hanggang sa pag-unawa sa mga layout ng dokumento at paglalarawan ng mga larawan. Ang paglabas ng Kakao ng dalawa sa kanila nang sabay-sabay, sa ilalim ng isang lisensya na nagpapahintulot sa komersyal na paggamit, ay nagbibigay sa mga multimodal AI developer ng isang handa na bagong opsyon.
Kung ano ang pinakawalan
Inanunsyo ng Kakao noong Miyerkules, Okt 21, na naglabas ito ng dalawang in-house na binuong vision encoder, "Kanana-2-vision-encoder," sa Hugging Face: isang medium na bersyon na may 426 milyong mga parameter at isang maliit na bersyon na may 98 milyong mga parameter, tulad ng na-preview sa developer conference nito na "If Kakao 26." Ang parehong mga modelo ay inilabas sa ilalim ng "Kanana Open License," na nagpapahintulot sa paggamit hindi lamang para sa pananaliksik at pag-unlad kundi pati na rin para sa mga komersyal na layunin.
Buong ulat
Ayon kay Kakao, nalampasan ng dalawang modelo ang mga pangunahing global vision encoder — SigLIP 2 ng Google, Meta's Perception Encoder, AIMv2 ng Apple at Qwen3.5-ViT ng Alibaba — sa siyam na domain at 42 benchmark, kabilang ang pangkalahatang visual na pagsagot sa tanong, English at Korean OCR at pag-unawa sa dokumento, visual na saligan at mahusay na pananaw. Kapansin-pansin, ang maliit na modelo, na may mas kaunti sa 100 milyong mga parameter, ay tinalo ang ilang nakikipagkumpitensyang modelo na may higit sa 400 milyong mga parameter sa ilang partikular na mga benchmark — lahat ay ayon sa sariling na-publish na mga pagsusuri ng Kakao, na may independiyenteng pag-verify ng third-party na darating pa.
Iniulat ng Elec na ginamit ng Kakao ang in-house na modelo ng wikang Kanana-2 nito sa panahon ng pagsasanay, na pinapabuti ang kahusayan sa pagsasanay nang halos apat na beses kaysa sa nakaraang diskarte, at ang mga pagpapahusay sa mataas na resolusyon na arkitektura ng pagproseso ng imahe nito ay nagbawas ng latency sa pagproseso ng higit sa 60% kumpara sa mga pangunahing nakikipagkumpitensyang modelo. Sinabi ni Kakao na ang agwat sa pagganap ay partikular na makabuluhan sa Korean text recognition, pag-unawa sa dokumento at pag-localize ng object. Live ang model card sa Hugging Face (kakaocorp/kanana-2-vision-encoder-tiny) para ma-download at subukan ng mga developer.
💬 Comments
No comments yet. Be the first!