Kakao开源两款Kanana视觉编码器模型

IT时代网10月21日消息，Kakao 宣布在 Hugging Face 开源两款自研的 Kanana-2-Vision Encoder 视觉编码器模型，参数规模分别为 4.26 亿的 Medium 版本与 9800 万的 Tiny 版本，允许研究与商用。

视觉编码器相当于帮助人工智能理解图像的眼睛，负责提取图像中的物体、文字、位置与形状等视觉特征并传递给语言模型，其捕捉图像信息的精细程度直接决定多模态 AI 的回答质量。这一领域的公开可用模型相对稀缺，长期以来业界普遍使用谷歌、Meta 与苹果等大厂的模型作为事实标准。

Kakao 在通用视觉问答、英文字符识别与文档理解、韩文字符识别与文档理解、图像定位与细粒度识别等九大领域 42 项基准上对两款模型进行了评测，结果显示其表现超过了谷歌 SigLIP2、Meta Perception Encoder、苹果 AIMv2 与阿里巴巴 Qwen3.5-ViT 等全球主流视觉编码器。其中 Tiny 版本以不足 1 亿的参数量，在图像定位与韩文相关测试中领先多款参数量超过 4 亿的全球模型。

Kakao 方面介绍，通过自研学习技术保留小字号文本与复杂文档结构的细节视觉信息，强化了光学字符识别与文档理解这两项视觉语言模型的核心能力，Tiny 版本面向端侧 AI 应用场景设计。

注：本文配图由AI生成。文中包含AI辅助创作的内容。

编辑：林一舟