카카오, 이미지 이해 AI ‘카나나 비전 인코더’ 2종 공개…상업 활용 허용

카카오가 이미지와 문서를 이해하는 AI의 구성요소 ‘Kanana-2-vision-encoder’ 2종을 허깅페이스에 공개했다고 21일 밝혔다. 연구·개발뿐 아니라 상업적 활용도 가능한 카나나 오픈 라이선스를 적용했다.

공개 모델은 파라미터 4억2,600만 개 규모의 medium과 9,800만 개 규모의 tiny다. 지난 13일 if(kakao)26 콘퍼런스에서 예고한 공개를 이행했으며, 공식 배포 페이지에 두 모델을 각각 등록했다. 기기 안에서의 활용을 고려한 tiny는 경량화와 지식 증류 기술로 개발했다.

두 모델은 이미지 속 사물과 글자, 위치, 형태 등 시각적 특징을 추출해 언어모델에 전달한다. 카카오는 메뉴판의 음식과 가격 읽기, 문서 내용과 배치 파악, 사진 속 상황 설명 등을 활용 예시로 들었다. 자체 학습 기술을 통해 작은 글자와 복잡한 문서 구조의 세부 정보를 보존하는 데 초점을 맞췄다.

성능 검증에는 일반 시각 질의응답, 영어·한국어 문자 인식과 문서 이해, 이미지 내 위치 파악과 세밀한 인식 등 9개 영역의 42개 벤치마크를 사용했다. 비교군에는 구글 SigLIP 2, 메타 Perception Encoder, 애플 AIMv2, 알리바바 Qwen 계열 비전 모델 등이 포함됐다. 카카오는 자사가 수행한 이 평가에서 두 모델이 높은 성능을 기록했다고 설명했다.

공개한 비교 그림에서 medium의 9개 영역 평균 점수는 55.62점, tiny는 51.81점으로 제시됐다. medium 비교군은 47.31~51.54점, tiny 비교군은 44.20~49.62점이었다. 카카오는 한국어 시험과 문자 인식·문서 이해, 이미지 안의 위치 파악에서 차이가 컸다고 밝혔으며, 이 결과는 해당 비교 조건에서 산출한 회사 측 평가다.

학습에는 자체 언어모델 Kanana-2를 활용했다. 언어모델의 성능을 비전 인코더 학습에 이용해 세밀한 시각 정보를 추출하는 능력을 높였다는 설명이다. 카카오는 기존 대비 학습 효율을 약 4배 높이고 고해상도 이미지 처리 설계로 주요 비교 비전 인코더 대비 지연 시간을 60% 이상 줄였다고 밝혔다. medium을 개발한 뒤 지식 증류와 경량화를 거쳐 tiny까지 모델 구성을 확장했다.

카카오는 비전 인코더와 언어모델, 시각·음성 처리 모듈 등 옴니 언어모델 ‘Kanana-o’의 구성요소를 자체 개발하고 있다. 이번 두 모델에 이어 다른 구성요소도 순차적으로 공개할 계획이다.