N環球 
Kakao 開源兩款自研視覺編碼器 Kanana-2：98M 小模型號稱超越 4 億參數對手
Kakao 在 Hugging Face 開源兩款自研視覺編碼器 Kanana-2-vision-encoder，採用允許商用的 Kanana Open License；Kakao 稱其在 42 項基準測試中超越 Google、Meta、蘋果與阿里巴巴的同類模型。
為何重要
視覺編碼器是 AI 的「眼睛」：它從圖像中提取物體、文字、位置與形狀等視覺特徵，再交給語言模型解讀並回答用戶提問，例如讀取菜單上的菜品與價格、理解文件內容與排版、描述照片裡的場景。Kakao 這次一次開源兩款、且授權允許商用，對多模態 AI 應用開發者來說是即插即用的新選項。
開源內容
Kakao 於 10 月 21 日（週三）宣布，在全球 AI 模型分享平台 Hugging Face 上發布兩款自主研發的視覺編碼器 Kanana-2-vision-encoder：medium 版 4.26 億參數、tiny 版 9800 萬參數。這是該公司在本月開發者大會「If Kakao 26」上預告的內容。兩款模型均採用 Kanana Open License，不僅可用於研發，也允許商業用途。
完整報導
Kakao 稱，兩款模型在 9 大領域、共 42 項基準測試（包括通用視覺問答、英韓文 OCR 與文件理解、視覺定位與細粒度感知）中，超越了 Google 的 SigLIP 2、Meta 的 Perception Encoder、蘋果的 AIMv2 與阿里巴巴的 Qwen3.5-ViT 等全球主要視覺編碼器。尤其值得注意的是，參數不足 1 億的 tiny 版在部分基準上超越了參數超過 4 億的對手模型——以上均為 Kakao 自行公布的評測結果，獨立第三方驗證有待後續。
據 The Elec 報導，Kakao 在訓練中用了自研的 Kanana-2 語言模型，使訓練效率比此前方式提升約 4 倍；改良後的高解析度圖像處理架構，也讓處理延遲比主要競品降低超過 60%。Kakao 表示，韓文文字識別、文件理解與物體定位是其領先最明顯的環節。模型卡已同步上線 Hugging Face（kakaocorp/kanana-2-vision-encoder-tiny），開發者可直接下載試用。
💬 留言
暫時還沒有留言，來搶沙發！