Kakao 開源視覺編碼器 Kanana-2-vision-encoder：medium 與 tiny 兩版上架 Hugging Face，訓練效率提升 4 倍、延遲降低逾 60%

Kakao 於 10 月 22 日宣布，將自研視覺辨識模型 Kanana-2-vision-encoder 釋出為開源模型並上架 Hugging Face，公開 4.26 億參數的 medium 與 9,800 萬參數的 tiny 兩個版本，授權採 Kanana Open License，可用於研究與商業用途。視覺編碼器負責從影像中擷取物件、文字、位置與形狀等資訊，再交由語言模型理解與回應，可應用於菜單與文件辨識、圖片內容理解及視覺問答。 Kakao 稱，依其內部評測，兩款模型在一般視覺問答、英文與韓文 OCR、文件理解、影像定位與細粒度辨識等基準上，整體表現優於多款國際主流視覺編碼器；該數據來自公司自行測試，尚未見第三方獨立驗證。模型以自家語言模型 Kanana-2 訓練，訓練效率較先前提升約 4 倍，並透過針對高解析度影像設計的架構，使處理延遲較主要國際比較模型降低逾 60%。tiny 版本不到 1 億參數，定位於裝置端（On-device）應用。 Kakao 已於 10 月 13 日的 if(kakao)26 開發者大會預告此開源計畫，表示目的在降低國內外研究人員與企業導入多模態 AI 的門檻。