Kakao abre dos versiones del 'codificador de visión Kanana-2' como código abierto en Hugging Face, evaluado en 42 puntos de referencia de 9 áreas
Fortalezas en comprensión de documentos en coreano e identificación de posiciones en imágenes; el modelo ligero también registra alto rendimiento
Aumenta eficiencia de aprendizaje 4 veces y reduce latencia de procesamiento en 60%; aplicable bajo licencia de uso comercial
![Kakao ha presentado públicamente dos tipos de codificadores visuales de desarrollo propio 'Kanana-2-vision-encoder' como código abierto en Hugging Face. [Foto: Kakao]](https://image.ajunews.com/content/image/2026/10/21/20261021094659606167.jpg)
Kakao anunció el 21 de octubre que ha puesto a disposición del público, como código abierto en la plataforma Hugging Face, dos versiones del codificador visual 'Kanana-2-vision-encoder', desarrollado de forma interna.
El codificador visual actúa como el "ojo" que permite que la inteligencia artificial comprenda imágenes. Extrae características visuales de objetos, texto, posiciones y formas dentro de una imagen, las transmite al modelo de lenguaje, y este las interpreta junto con la pregunta del usuario para generar una respuesta. Esta tecnología se utiliza en aplicaciones como la lectura de menús con precios y la comprensión del contenido y la disposición de documentos.
El codificador de visión Kanana está disponible en dos versiones: una "mediana" con 426 millones de parámetros y una "pequeña" con 98 millones de parámetros. Kakao anticipó la publicación de código abierto del codificador visual durante la presentación principal de la conferencia 'if(kakao)26' celebrada el 13 de octubre.
Kakao evaluó el rendimiento de sus modelos en 42 puntos de referencia distribuidos en 9 áreas, incluyendo respuesta a preguntas visuales generales, reconocimiento de caracteres en coreano e inglés, y comprensión de documentos. Según la empresa, ambos modelos registraron el rendimiento más alto en comparación con codificadores visuales de empresas globales líderes como Google, Meta, Apple y Alibaba. En particular, el modelo ligero "pequeño" mostró alto rendimiento en la comprensión de documentos en coreano y la identificación de posiciones dentro de imágenes, superando incluso a modelos con más de 400 millones de parámetros.
Utilizando el modelo de lenguaje 'Kanana-2' desarrollado internamente, Kakao logró aumentar la eficiencia de aprendizaje del codificador visual aproximadamente cuatro veces en comparación con métodos anteriores, además de adquirir la capacidad de extraer información visual detallada.
Kakao previamente publicó tres versiones del modelo de lenguaje Kanana-2 como código abierto en diciembre del año pasado, seguidas por cuatro modelos mejorados en enero de este año. En julio, también presentó cuatro modelos de lenguaje ligeros que pueden ejecutarse en dispositivos como teléfonos inteligentes, expandiendo continuamente el alcance de la publicación de sus modelos de IA internos.
Kakao ha decidido poner a disposición ambos modelos bajo la licencia abierta Kanana, permitiendo su utilización tanto en investigación y desarrollo como en aplicaciones comerciales. La empresa tiene como objetivo aumentar la accesibilidad de investigadores y empresas nacionales e internacionales a estas tecnologías, y respaldar el avance de la investigación en IA multimodal.
Noh Byeong-seok, líder de resultados de modelos fundamentales en la Fundación Unificada de Kakao, declaró: "Con el surgimiento de la era de la IA agéntica, la tecnología de 'computer use' —que permite que los sistemas comprendan y manipulen directamente pantallas de computadoras y dispositivos móviles— ha ganado relevancia, ampliando el papel crucial de los codificadores visuales capaces de analizar imágenes de alta resolución con precisión". Agregó: "Continuaremos mejorando la competitividad de nuestros modelos de IA internos y publicando tecnologías relacionadas para contribuir al desarrollo del ecosistema de la IA".
* Este artículo ha sido traducido por IA.