Kakao mã nguồn mở Hai bộ mã hóa tầm nhìn Kanana-2, tuyên bố giành chiến thắng trước các mô hình của Google, Meta, Apple

Những gì đã được phát hành

Kakao đã thông báo vào thứ Tư, ngày 21 tháng 10 rằng họ đã phát hành hai bộ mã hóa thị giác được phát triển nội bộ, "Kanana-2-vision-encoding" trên Hugging Face: một phiên bản trung bình với 426 triệu thông số và một phiên bản nhỏ với 98 triệu thông số, như được xem trước tại hội nghị nhà phát triển "If Kakao 26". Cả hai mô hình đều được phát hành theo "Giấy phép mở Kanana", cho phép sử dụng không chỉ cho nghiên cứu và phát triển mà còn cho mục đích thương mại.

Báo cáo đầy đủ

Theo Kakao, hai mô hình này đã vượt trội so với các bộ mã hóa tầm nhìn lớn trên toàn cầu – SigLIP 2 của Google, Bộ mã hóa nhận thức của Meta, AIMv2 của Apple và Qwen3.5-ViT của Alibaba – trên 9 miền và 42 điểm chuẩn, bao gồm trả lời câu hỏi trực quan chung, OCR và hiểu tài liệu bằng tiếng Anh và tiếng Hàn, nền tảng trực quan và nhận thức chi tiết. Đáng chú ý, mô hình nhỏ bé, với ít hơn 100 triệu thông số, đã đánh bại một số mô hình cạnh tranh với hơn 400 triệu thông số ở một số điểm chuẩn nhất định - tất cả đều theo đánh giá được công bố của chính Kakao và vẫn chưa có xác minh độc lập của bên thứ ba.

Elec báo cáo rằng Kakao đã sử dụng mô hình ngôn ngữ Kanana-2 nội bộ của mình trong quá trình đào tạo, cải thiện hiệu quả đào tạo gấp bốn lần so với phương pháp trước đó và những cải tiến đối với kiến ​​trúc xử lý hình ảnh có độ phân giải cao giúp giảm hơn 60% độ trễ xử lý so với các mô hình cạnh tranh chính. Kakao cho biết khoảng cách về hiệu suất đặc biệt quan trọng trong nhận dạng văn bản tiếng Hàn, hiểu tài liệu và bản địa hóa đối tượng. Thẻ mô hình hiện có trên Hugging Face (kakaocorp/kanana-2-vision-encoding-tiny) để các nhà phát triển tải xuống và dùng thử.