카카오, 비전 인코더 Kanana-2 2종 공개, 지연 시간 60% 이상 줄여

카카오가 10월 21일 고해상도 이미지와 문서·문자 인식에 특화한 자체 비전 인코더 2종을 Hugging Face에 오픈소스로 내놓았다. 모델 이름은 Kanana-2-vision-encoder이며, 멀티모달 AI 경쟁력을 높이려는 목적이다.

카나나 오픈 라이선스가 적용돼 연구와 개발뿐 아니라 상업 서비스에도 쓸 수 있다. 구성은 매개변수 4억2600만 개의 미디움(medium)과 9800만 개의 타이니(tiny)다. 카카오는 10월 13일 이프 카카오(if(kakao)26) 키노트에서 이미 공개 계획을 언급했다.

카카오가 밝힌 성능

카카오는 9개 영역, 42개 벤치마크로 두 모델을 시험했다고 밝혔다. 일반 시각 질의응답을 비롯해 영어와 한국어의 글자 읽기 및 문서 이해, 이미지 안에서 대상 위치 찾기, 세밀한 인식이 들어 있다. 카카오에 따르면 미디움과 타이니 모두 SigLIP2, Perception Encoder, AIMv2, Qwen3.5-ViT 등 주요 비전 인코더보다 성능이 높았다.

타이니는 매개변수가 1억 개에 못 미치는 경량 모델인데도 4억 개 이상인 일부 글로벌 모델보다 점수가 높았다고 한다. 격차가 특히 컸던 곳은 이미지 속 위치 파악, 한국어 시험 문항, 한국어 글자 읽기와 문서 이해다.

처리 속도도 내세웠다. 높은 해상도의 이미지를 빠르게 다루도록 설계해, 주요 글로벌 비전 인코더보다 지연 시간이 60% 이상 짧다는 것이다.

비전 인코더의 역할과 학습 방식

비전 인코더는 AI의 눈에 해당하는 기술이다. 이미지에서 사물, 글자, 위치, 형태를 추려 언어모델에 넘기면, 언어모델이 이를 사용자의 질문과 함께 읽고 답을 만든다. 메뉴판의 음식과 가격 읽기, 문서의 내용과 배치 파악, 사진 속 장면 설명이 예다. 이미지에서 얼마나 정확하고 촘촘하게 정보를 뽑는지에 따라 멀티모달 AI의 답변 품질이 달라진다.

카카오는 자체 개발한 언어모델 Kanana-2를 활용해 비전 인코더의 학습 효율을 기존 대비 약 4배 높였다고 밝혔다. 독자 학습 기법 덕에 작은 글자나 복잡한 문서 레이아웃의 디테일이 사라지지 않아 광학 문자 인식(OCR)과 문서 이해가 좋아졌다는 설명이다. 지식 증류와 경량화 기술을 적용해 미디움부터 온디바이스 활용을 고려한 타이니까지 개발했다.

노병석 카카오 유니파이드 파운데이션 모델 성과리더는 에이전틱 AI 시대에 PC와 스마트폰 화면을 AI가 보고 직접 다루는 컴퓨터 사용 에이전트가 주목받는다며, 고해상도 이미지를 정확히 읽는 비전 인코더의 비중이 커질 것이라고 말했다. 자체 모델 경쟁력을 계속 키우고 기술도 계속 공개하겠다는 뜻도 밝혔다.