Kakao开源Kanana-2视觉编码器，tiny版本性能超过4亿参数竞品

Kakao已将其自研人工智能图像识别模型Kanana-2-vision-encoder的两个版本开源。两个版本分别为参数量4.26亿的medium版本和参数量9800万的tiny版本，均已在全球AI模型共享平台Hugging Face上线。

视觉编码器用于分析图像中的视觉信息，包括物体、文本、位置和形状，并将这些信息传递给语言模型。该技术应用于多模态AI场景，例如识别文档内容与结构，或根据照片回答用户问题。

Kakao在9大类共42项基准测试中评估了两款模型，测试范围涵盖通用视觉问答（VQA）、英文和韩文光学字符识别（OCR）、文档理解以及图像内目标定位等。Kakao称，与谷歌SigLIP 2、Meta Perception Encoder、苹果AIMv2和阿里巴巴Qwen3.5-ViT等主要竞品模型相比，两款模型在9个评估类别中均取得最高性能。

其中，参数不足1亿的tiny版本在某些基准测试中，表现超过了一些参数超过4亿的竞品模型。Kakao表示，在韩文文本识别、文档理解和目标定位方面，性能差距尤为明显。

Kakao还称，其在训练过程中使用了自研Kanana-2语言模型，使视觉编码器的训练效率较此前方法提升约4倍。同时，对高分辨率图像处理架构的改进，使处理延迟较主要竞品降低60%以上。

两款模型均以Kanana Open License发布，该许可证允许研究、开发和商业使用。Kakao计划支持韩国及海外企业和研究人员，利用这些模型开发韩文文档识别和基于图像的AI服务。此外，该公司还计划逐步开放其自研多模态AI模型Kanana-o的语言、视觉和音频处理组件。