カカオは自社開発したビジョンエンコーダー『カナナ ビジョンエンコーダー(Kanana-2-vision-encoder)』2種をハギングフェイスにオープンソース公開したと発表した。
ビジョンエンコーダーはAIが画像を理解するための『目』の役割を果たす技術である。画像内の物体や文字、位置、形状などの視覚的特徴を抽出し、言語モデルに伝えることで、言語モデルはこれを利用者の質問と共に解釈し、回答を生成する。メニューの料理や価格を読み取ったり、文書の内容や配置を把握するのに活用される。
カナナ ビジョンエンコーダーは4億2600万パラメータ規模の『ミディアム』と9800万パラメータ規模の『タイニ』である。カカオは先日開催された『イフカカオ・if(kakao)26』カンファレンスの基調講演でビジョンエンコーダーのオープンソース公開を予告した。
カカオは一般的な視覚的質問応答や韓国語・英語の文字認識、文書理解など9つの領域、合計42のベンチマークで性能を評価した。会社によれば、両モデルはグーグル・メタ・アップル・アリババなどの主要グローバル企業のビジョンエンコーダーと比較して最も高い性能を記録した。特に軽量モデルであるタイニは4億以上のパラメータを持つモデルと比較しても、韓国語文書理解や画像内位置把握において高い性能を示した。
カカオは自社開発した『カナナ2(Kanana-2)』言語モデルを活用し、ビジョンエンコーダーの学習効率を従来の約4倍向上させ、細かな視覚情報を抽出する能力を確保した。
カカオは昨年12月に言語モデルカナナ2の3種をオープンソース公開した後、今年1月に性能を改善したモデル4種を追加公開した。7月にはスマートフォンなどのデバイスで動作可能な軽量言語モデル4種も発表し、自社AIモデルの公開範囲を拡大してきた。
カカオは両モデルを研究・開発だけでなく商業的にも活用できるカナナオープンライセンスで公開する。国内外の研究者や企業の技術活用やサービス開発のアクセスを高め、マルチモーダルAI研究の発展を支援する計画である。
ノ病石カカオユニファイドファウンデーションモデル成果リーダーは「最近エージェンティックAI時代を迎え、PCやモバイル画面を直接理解し操作する『コンピューターユーズ』技術が注目されており、高解像度画像を正確に分析するビジョンエンコーダーの役割が大きくなっている」と述べ、「今後も自社AIモデルの競争力を継続的に高め、関連技術を公開してAIエコシステムの発展に寄与する」と語った。
* この記事はAIによって翻訳されました。
