N環球 
Kakao 开源两款自研视觉编码器 Kanana-2：98M 小模型号称超越 4 亿参数对手
Kakao 在 Hugging Face 开源两款自研视觉编码器 Kanana-2-vision-encoder，采用允许商用的 Kanana Open License；Kakao 称其在 42 项基准测试中超越 Google、Meta、苹果与阿里巴巴的同类模型。
为何重要
视觉编码器是 AI 的「眼睛」：它从图像中提取物体、文字、位置与形状等视觉特征，再交给语言模型解读并回答用户提问，例如读取菜单上的菜品与价格、理解文件内容与排版、描述照片里的场景。Kakao 这次一次开源两款、且授权允许商用，对多模态 AI 应用开发者来说是即插即用的新选项。
开源内容
Kakao 于 10 月 21 日（周三）宣布，在全球 AI 模型分享平台 Hugging Face 上发布两款自主研发的视觉编码器 Kanana-2-vision-encoder：medium 版 4.26 亿参数、tiny 版 9800 万参数。这是该公司在本月开发者大会「If Kakao 26」上预告的内容。两款模型均采用 Kanana Open License，不仅可用于研发，也允许商业用途。
完整报导
Kakao 称，两款模型在 9 大领域、共 42 项基准测试（包括通用视觉问答、英韩文 OCR 与文件理解、视觉定位与细粒度感知）中，超越了 Google 的 SigLIP 2、Meta 的 Perception Encoder、苹果的 AIMv2 与阿里巴巴的 Qwen3.5-ViT 等全球主要视觉编码器。尤其值得注意的是，参数不足 1 亿的 tiny 版在部分基准上超越了参数超过 4 亿的对手模型——以上均为 Kakao 自行公布的评测结果，独立第三方验证有待后续。
据 The Elec 报导，Kakao 在训练中用了自研的 Kanana-2 语言模型，使训练效率比此前方式提升约 4 倍；改良后的高解析度图像处理架构，也让处理延迟比主要竞品降低超过 60%。Kakao 表示，韩文文字识别、文件理解与物体定位是其领先最明显的环节。模型卡已同步上线 Hugging Face（kakaocorp/kanana-2-vision-encoder-tiny），开发者可直接下载试用。
💬 留言
暂时还没有留言，来抢沙发！