N環球 
کاکاو اوپن سورسز نے دو کنانا-2 ویژن انکوڈرز، گوگل، میٹا، ایپل ماڈلز پر جیت کا دعویٰ کیا
Kakao نے دو اندرون خانہ وژن انکوڈر، Kanana-2-vision-encoder، کو Hugging Face پر تجارتی طور پر قابل استعمال Kanana Open License کے تحت جاری کیا ہے۔ کمپنی کا کہنا ہے کہ انہوں نے گوگل، میٹا، ایپل اور علی بابا کے ماڈلز کو 42 بینچ مارکس میں پیچھے چھوڑ دیا۔
یہ کیوں اہمیت رکھتا ہے۔
ایک وژن انکوڈر ایک AI کی "آنکھیں" ہے: یہ تصویروں سے بصری خصوصیات — اشیاء، متن، مقامات، شکلیں — نکالتا ہے اور انہیں ایک ایسے زبان کے ماڈل تک پہنچاتا ہے جو صارف کے سوالات کے جوابات دیتا ہے، مینو آئٹمز اور قیمتوں کو پڑھنے سے لے کر دستاویز کے لے آؤٹ کو سمجھنے اور تصاویر کو بیان کرنے تک۔ کاکاو ان میں سے دو کو ایک ساتھ جاری کرتے ہوئے، ایک ایسے لائسنس کے تحت جو تجارتی استعمال کی اجازت دیتا ہے، ملٹی موڈل AI ڈویلپرز کو ایک ریڈی میڈ نیا آپشن فراہم کرتا ہے۔
جو جاری کیا گیا۔
کاکاو نے بدھ، 21 اکتوبر کو اعلان کیا کہ اس نے دو اندرون خانہ تیار کردہ وژن انکوڈرز، "Kanana-2-vision-encoder" کو Hugging Face پر جاری کیا ہے: 426 ملین پیرامیٹرز کے ساتھ ایک درمیانہ ورژن اور 98 ملین پیرامیٹرز کے ساتھ ایک چھوٹا ورژن، جیسا کہ اس کی ڈویلپر کانفرنس میں پیش نظارہ "If Kakao 26"۔ دونوں ماڈلز "کنانا اوپن لائسنس" کے تحت جاری کیے گئے ہیں، جو نہ صرف تحقیق اور ترقی کے لیے بلکہ تجارتی مقاصد کے لیے بھی استعمال کی اجازت دیتا ہے۔
مکمل رپورٹ
کاکاو کے مطابق، دو ماڈلز نے بڑے عالمی وژن انکوڈرز — گوگل کے سگلِپ 2، میٹا کے پرسیپشن انکوڈر، ایپل کے AIMv2 اور علی بابا کے Qwen3.5-ViT — کو نو ڈومینز اور 42 بینچ مارکس میں پیچھے چھوڑ دیا، جن میں عمومی بصری سوالوں کے جوابات، انگریزی اور کورین، زمینی OCR اور دستاویزی سمجھ بوجھ کے بارے میں معلومات شامل ہیں۔ خاص طور پر، چھوٹے ماڈل نے، 100 ملین سے کم پیرامیٹرز کے ساتھ، کچھ مسابقتی ماڈلز کو 400 ملین سے زیادہ پیرامیٹرز کے ساتھ کچھ معیارات پر شکست دی - یہ سب کاکاو کے اپنے شائع شدہ جائزوں کے مطابق، آزاد فریق ثالث کی تصدیق کے ساتھ ابھی آنا باقی ہے۔
The Elec رپورٹ کرتا ہے کہ Kakao نے تربیت کے دوران اپنے اندرون خانہ Kanana-2 زبان کے ماڈل کا استعمال کیا، جس سے تربیت کی کارکردگی کو پچھلے نقطہ نظر کے مقابلے میں تقریباً چار گنا بہتر کیا گیا، اور اس کی اعلی ریزولوشن امیج پروسیسنگ آرکیٹیکچر کٹ پروسیسنگ لیٹنسی میں بڑے مسابقتی ماڈلز کے مقابلے میں 60 فیصد سے زیادہ بہتری آئی۔ کاکاو کا کہنا ہے کہ کارکردگی کا فرق خاص طور پر کوریائی متن کی شناخت، دستاویز کی تفہیم اور آبجیکٹ لوکلائزیشن میں نمایاں تھا۔ ماڈل کارڈ Hugging Face (kakaocorp/kanana-2-vision-encoder-tiny) پر ڈویلپرز کو ڈاؤن لوڈ کرنے اور آزمانے کے لیے لائیو ہے۔
💬 Comments
No comments yet. Be the first!