Kakao 开源视觉编码器，9800 万参数打赢 4 亿级

它不能聊天，也不能回答问题。它只做一件事：把图像变成语言模型能读的特征。Kakao 这次开源的，就是这只「眼睛」。

一、发生了什么

2026 年 10 月 21 日，Kakao 在 Hugging Face 放出两个视觉编码器：Kanana-2-vision-encoder 的 Medium 版（4.26 亿参数）和 Tiny 版（9800 万）。

许可用 Kakao 自己的「Kanana Open License」，允许研发与商业使用，但要按其条件执行。想商用的团队应自己读条款，别默认等同于 Apache 2.0。

技术上有几处值得看。两个模型都基于 Kakao 自家的 Kanana-2-0.9B 语言模型，去掉了文本生成模块，只保留特征提取，所以它们是视觉语言模型的零件，不是成品助手。图像按原生分辨率处理、保持宽高比；注意力上用了滑动窗口注意力和分组查询注意力，目的都是降低高分辨率下的计算量。训练分三段推进：224×224 固定尺寸、640×640 保比例、1280×1280 保比例。

Kakao 的评测横跨 9 个领域、42 项基准，含视觉问答、英韩文字识别、文档理解、图内定位与细粒度识别。公司称两个版本的综合表现高于谷歌 SigLIP 2、Meta Perception Encoder、苹果 AIMv2、阿里 Qwen3.5-ViT。尤其强调 Tiny 在不到 1 亿参数下与 4 亿参数以上模型有竞争力，差距主要在图内定位、韩国标准化考试、韩文文字识别和文档理解上。

另两组数字：用 Kanana-2 当老师训练，效率比此前方法提升约 4 倍；针对高分辨率优化的注意力配置，在 2560×2560 分辨率下把延迟降低 61.8%、峰值显存降低 21.8%。两组都是与自家基线比较，不是跨厂商横评。

Kakao 统一基础模型性能负责人卢炳锡（Noh Byung-seok）给出的理由是：「computer use」这类直接理解和操作电脑、手机屏幕的技术正在升温，能准确解析高分辨率图像的编码器因此变得更重要。

二、跟你有什么关系

做韩语产品或面向韩国市场的团队。 这是它最强的地方：韩文 OCR、文档版面、韩国考试题。用英文基准选型会低估。

做端侧多模态的团队。 9800 万参数，显存与算力压力小，适合放进手机或本地设备做第一道视觉处理。

做文档解析和截图理解的团队。 原生分辨率保比例对长截图、表格、扫描件更友好。

三、怎么用

读到这儿，可以顺路看 Pico CSS 停更，作者把原因算在 AI 头上 极简 CSS 框架 Pico CSS 停在 2.1.1 并归档仓库，作者说 AI 已经能生成页面真正需要的那点样式。这篇讲清现有站点会不会坏、fork 要注意什么、以及这个判断哪里对哪里过头。

先想清楚它是零件：你要自己接语言模型，它只负责把图变成特征。
按语言选规格。韩语、韩文文档优先试 Tiny；多语种或复杂场景再上 Medium。
造 30 张图做对照。挑业务里最难的截图、表格、模糊照片，和现有编码器跑同一套题。
商用前读许可。条款允许商业使用，但条件是 Kakao 定的，和常见开源协议不同。
别拿延迟数字当承诺。61.8% 是与自家基线比，换硬件、换分辨率都会变。

四、三个别信的说法

「9800 万打赢 4 亿」。 准确说法是：Kakao 自测中，Tiny 在部分任务上与 4 亿参数级模型有竞争力，差距集中在韩语和文档。综合榜单名次要看具体分项，不是全面超越。

「这是个小号多模态模型」。 它不能生成文字，只输出图像特征。拿它当聊天模型用会直接失败。

「42 项基准全胜」。 公司说的是综合表现更高。分项落后多少，要看模型卡的完整表格，不是新闻稿结论。

五、一句话结论

它证明的不是「小模型更强」，而是「小模型加上一门本地语言，可以在一片被大厂占满的市场里切开一道口子」。

信息来源

Kakao open-sources two in-house vision encoders - Asia Today，2026 年 10 月 21 日
kakaocorp/kanana-2-vision-encoder-tiny - Hugging Face，2026 年 10 月 21 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 22 日。