멀티모달 AI의 ‘눈’ 역할 비전 인코더 2종 공개… 9개 평가 영역서 비교 모델 대비 최고 성능
한국어 문서 이해·이미지 기반 질의응답 연구 지원… 상업적 활용 가능 ‘카나나 오픈 라이선스’ 적용

카카오는 자체 개발한 비전 인코더 ‘Kanana-2-vision-encoder’ 2종을 허깅페이스(Hugging Face)에 오픈소스로 공개했다. <출처=카카오>

카카오는 자체 개발한 비전 인코더 ‘Kanana-2-vision-encoder’ 2종을 허깅페이스(Hugging Face)에 오픈소스로 공개했다고 21일 밝혔다.

이번에 공개한 카나나 비전 인코더는 4억2600만 파라미터 규모의 ‘medium’과 9800만 파라미터 규모의 ‘tiny’로, 카카오는 지난 13일 개최한 ‘if(kakao)26’ 컨퍼런스 키노트를 통해 비전 인코더의 오픈소스 공개를 예고한 바 있다.

비전 인코더는 AI(인공지능)가 이미지를 이해하도록 돕는 ‘눈’ 역할을 하는 기술이다. 이미지 속 사물이나 글자, 위치, 형태 등 시각적 특징을 추출해 언어모델에 전달하면 언어모델은 이를 이용자의 질문과 함께 해석해 답변을 생성한다. 예를 들어, 메뉴판의 음식과 가격을 읽거나 문서의 내용과 배치를 파악하고 사진 속 상황을 설명하는 데 쓰인다. 이미지 정보를 얼마나 정확하고 세밀하게 포착하느냐는 멀티모달 AI의 답변 품질을 좌우하는 중요한 요소 중 하나다.

카카오는 일반 시각 질의응답, 영어 문자 인식·문서 이해, 한국어 문자 인식·문서 이해, 이미지 내 위치 파악·세밀한 인식 등을 포함하는 9개의 영역, 총 42개 벤치마크에서 카나나 비전 인코더의 성능을 평가했다. 평가 결과 두 모델은 구글의 ‘SigLIP 2’, 메타의 ‘Perception Encoder’, 애플의 ‘AIMv2’, 알리바바의 ‘Qwen3.5-ViT’ 등 글로벌 주요 비전 인코더를 상회하는 최고 성능을 기록했다.

특히 tiny 모델은 파라미터 수가 1억 개 미만인 경량 모델임에도 4억 개가 넘는 글로벌 모델과 비교해서도 뛰어난 성능을 보였다. 이미지 내 위치 파악과 한국어 시험, 한국어 문자 인식·문서 이해 영역에서는 특히 큰 성능 차이를 나타냈다. 이는 자체 학습 기술로 작은 글자와 복잡한 문서 구조의 세밀한 시각 정보를 보존해, 비전 언어모델의 핵심 역량인 문자 인식(OCR)과 문서 이해 역량을 강화한 결과다.

카카오는 자체 개발한 ‘Kanana-2’ 언어모델을 활용해 비전 인코더의 학습 효율을 기존 대비 약 4배 높이고, 세밀한 시각 정보를 추출하는 능력을 확보했다고 전했다. 언어모델의 성능 향상을 비전 인코더의 학습에 활용해 자체 기술 간 성능을 높이는 선순환 구조를 마련했으며, 고해상도 이미지 처리에 최적화된 설계로 글로벌 주요 비전 인코더 대비 처리 지연 시간을 60% 이상 줄였다. 또한 지식 증류 및 경량화 기술을 적용해 medium 모델부터 온디바이스 활용을 고려한 tiny 모델도 개발했다.

카카오는 두 모델을 연구·개발뿐 아니라 상업적으로도 활용할 수 있는 ‘카나나 오픈 라이선스(Kanana Open License)’로 공개한다. 국내외 연구자와 기업의 기술 활용 및 서비스 개발 접근성을 높이고, 멀티모달 AI 연구의 발전을 뒷받침할 계획이다.

한편, 카카오는 비전 인코더를 포함해 언어모델과 시각·음성 처리 모듈 등 옴니 언어모델 ‘Kanana-o’를 구성하는 모든 요소를 자체 개발해 멀티모달 AI 기술 경쟁력을 강화해가고 있다. 한국어와 한국적 맥락에 맞춘 기술을 바탕으로 서비스의 목적과 운영 환경에 적합한 모델을 활용하고, 국내외 AI 생태계의 기술 발전에 기여하기 위해 다른 구성 요소도 순차적으로 공개할 예정이다.

노병석 카카오 유니파이드 파운데이션 모델 성과리더는 “앞으로도 자체 AI 모델의 경쟁력을 꾸준히 높이고, 관련 기술을 공개해 AI 생태계 발전에 기여할 것”이라고 말했다.

[CEO스코어데일리 / 진채연 기자 / cyeon1019@ceoscore.co.kr]