카카오, AI의 ‘눈’ 비전 인코더 2종 공개…“구글·메타 모델 능가”

[헤럴드경제=차민주 기자] 카카오가 인공지능(AI)의 ‘눈’ 역할을 하는 자체 개발 비전 인코더를 오픈소스로 공개했다. 카카오 자체 성능 평가에서 구글·메타·애플 등 글로벌 빅테크의 주요 모델을 뛰어넘는 성능을 기록하며 기술 경쟁력을 입증했다.

21일 카카오는 자체 개발한 비전 인코더 ‘카나나-2-비전-인코더(Kanana-2-vision-encoder)’ 2종을 허깅페이스에 공개했다고 21일 밝혔다.

이번에 공개한 카나나 비전 인코더는 4억2600만 파라미터 규모의 ‘미디엄(medium)’과 9800만 파라미터 규모의 ‘타이니(tiny)’로 구성됐다. 카카오는 지난 13일 개최한 ‘이프카카오(if(kakao)26)’ 컨퍼런스 키노트를 통해 비전 인코더의 오픈소스 공개를 예고했다.

비전 인코더는 AI가 이미지를 이해하도록 돕는 ‘눈’ 역할을 하는 기술이다. 이미지 속 사물이나 글자, 위치, 형태 등 시각적 특징을 추출하면 언어모델이 이를 해석해 답변을 생성한다. 메뉴판의 음식과 가격을 읽거나, 문서의 내용, 사진 속 상황을 파악하는 식이다. 멀티모달 AI의 답변 품질을 유지하기 위해서는 이미지 정보의 정확도가 중요하게 꼽힌다.

카카오는 카나나 비전 인코더의 성능을 평가한 결과, 빅테크 모델을 뛰어넘었다고 강조했다. 구체적으로 이 회사는 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. 그 결과 두 모델은 ‘시그립2(SigLIP 2)’, 메타의 ‘퍼셉션 인코더(Perception Encoder)’, 애플의 ‘에임 브이2(AIMv2)’, 알리바바의 ‘큐원3.5-비아이티(Qwen3.5-ViT)’ 등 글로벌 주요 비전 인코더를 웃도는 최고 성능을 기록했다.

카카오에 따르면 특히 타이니 모델은 파라미터 수가 1억개 미만인 경량 모델임에도, 4억개가 넘는 글로벌 모델에 뒤지지 않는 성능을 보였다. 이미지 내 위치 파악과 한국어 시험, 한국어 문자 인식·문서 이해 영역에서 큰 성능 차이를 나타냈다는 설명이다.

카카오는 이에 대해 비전 언어모델의 핵심 역량인 문자 인식(OCR)과 문서 이해 역량을 강화한 결과라고 설명했다. 자체 학습 기술로 작은 글자와 복잡한 문서 구조의 세밀한 시각 정보를 보존했다는 방침이다.

아울러 카카오는 자체 개발한 ‘카나나-2’ 언어모델을 활용해 비전 인코더의 학습 효율을 기존 대비 약 4배 높였다. 세밀한 시각 정보를 추출하는 능력도 확보했다. 언어모델의 성능 향상을 비전 인코더의 학습에 활용해 자체 기술 간 성능을 높이는 선순환 구조를 마련했다는 설명이다.

더불어 고해상도 이미지 처리에 최적화된 설계로 글로벌 주요 비전 인코더 대비 처리 지연 시간을 60% 이상 줄였다. 지식 증류 및 경량화 기술을 적용해 미디엄 모델부터 온디바이스 활용을 고려한 타이니 모델까지 개발했다.

카카오는 두 모델을 연구·개발뿐 아니라 상업적으로도 활용할 수 있는 ‘카나나 오픈 라이선스’로 공개했다. 국내외 연구자와 기업의 서비스 개발 접근성을 높이고, 멀티모달 AI 연구의 발전을 뒷받침하겠다는 포부다.

노병석 카카오 유니파이드 파운데이션 모델 성과리더는 “최근 에이전틱 AI 시대를 맞아 PC나 모바일 화면을 직접 이해하고 조작하는 ‘컴퓨터 유즈’ 기술이 주목받으면서, 고해상도 이미지를 정확하게 분석하는 비전 인코더의 역할이 커지고 있다”며 “앞으로도 자체 AI 모델의 경쟁력을 꾸준히 높이고, 관련 기술을 공개해 AI 생태계 발전에 기여할 것”이라고 말했다.