N環球 
Kakao відкриває два кодери Kanana-2 Vision, перемагає моделі Google, Meta та Apple
Kakao випустив два власних кодувальники зору, Kanana-2-vision-encoder, на Hugging Face під комерційною відкритою ліцензією Kanana; компанія каже, що вони перемагають моделі Google, Meta, Apple і Alibaba за 42 тестами.
Чому це важливо
Кодер зору — це «очі» штучного інтелекту: він витягує візуальні характеристики — об’єкти, текст, розташування, форми — із зображень і передає їх мовній моделі, яка відповідає на запити користувачів, від читання пунктів меню та цін до розуміння макетів документів і опису фотографій. Kakao випускає відразу два з них за ліцензією, яка дозволяє комерційне використання, дає розробникам мультимодального ШІ готову нову опцію.
Що випустили
Kakao оголосив у середу, 21 жовтня, що він випустив на Hugging Face два власно розроблені кодувальники візуалізації «Kanana-2-vision-encoder»: середню версію з 426 мільйонами параметрів і крихітну версію з 98 мільйонами параметрів, як було показано на конференції розробників «If Kakao 26». Обидві моделі випускаються за «Відкритою ліцензією Kanana», яка дозволяє використовувати не лише для досліджень і розробок, але й у комерційних цілях.
Повний звіт
За словами Kakao, дві моделі перевершили основні глобальні кодери зору — SigLIP 2 від Google, Perception Encoder від Meta, AIMv2 від Apple і Qwen3.5-ViT від Alibaba — у дев’яти доменах і 42 контрольних тестах, включаючи загальні візуальні відповіді на запитання, оптичне розпізнавання символів англійською та корейською мовами та розуміння документів, візуальну підготовку та дрібне сприйняття. Примітно, що крихітна модель із менш ніж 100 мільйонами параметрів перевершила деякі конкуруючі моделі з понад 400 мільйонами параметрів за певними тестами — усе згідно з власними опублікованими оцінками Kakao, а незалежна стороння перевірка ще попереду.
Elec повідомляє, що Kakao використовував свою власну мовну модель Kanana-2 під час навчання, підвищивши ефективність навчання приблизно в чотири рази порівняно з попереднім підходом, і що вдосконалення його архітектури обробки зображень із високою роздільною здатністю скоротили затримку обробки більш ніж на 60% порівняно з основними конкуруючими моделями. Kakao каже, що розрив продуктивності був особливо значним у розпізнаванні тексту корейською мовою, розумінні документів і локалізації об’єктів. Картка моделі доступна на Hugging Face (kakaocorp/kanana-2-vision-encoder-tiny), яку розробники можуть завантажити та спробувати.
💬 Comments
No comments yet. Be the first!