Kakao publie deux encodeurs visuels pour lire les images et les documents
L’essentiel de l’annonce
Kakao publie deux composants de vision pour les assistants multimodaux. Le modèle medium compte 426 millions de paramètres et la version tiny environ 98 millions. Ils transforment les éléments visuels d’une image en représentations que le modèle de langage peut utiliser pour lire un document, repérer un objet ou répondre à une question.
- Date de publication de la source
- Catégorie
- Modèles et assistants
- Périmètre et accès
- Annonce et publication des poids le 21 octobre 2026. Deux tailles sont proposées sous une licence propre à Kakao.
- Sujet du contenu
- Transformer une image en informations exploitables par un modèle de langage
- Entreprises / organismes
- Kakao
- Technologies
- Modèle multimodal, Extraction d’informations
Le mécanisme central
Un encodeur visuel joue le rôle d’interface entre une image et un modèle de langage. Il extrait des caractéristiques comme les objets, les mots, la position et la structure de la page. Le modèle de langage reçoit ensuite ces informations avec la question de l’utilisateur pour produire sa réponse. Kakao indique avoir évalué les deux encodeurs sur 42 tests répartis dans neuf domaines, dont la lecture de documents en anglais et en coréen, la localisation dans l’image et la perception détaillée. Les poids sont publiés sur Hugging Face sous la licence Kanana Open License, qui autorise selon Kakao les usages de recherche, de développement et commerciaux.
Texte seulement
Lire les paragraphes
Le modèle utilise les informations écrites que vous lui donnez.
Texte + image
Lire aussi le visuel
Un modèle multimodal peut examiner une image, selon ses capacités.
Par exemple, un graphique peut contenir des chiffres qui ne figurent pas dans les paragraphes du document.
Choisissez une étape pour lire son explication.
Extraire les éléments visuels
Le composant transforme l’image en caractéristiques numériques.
Relier l’image à la question
Le modèle de langage reçoit ces caractéristiques avec la demande de l’utilisateur.
Contrôler la réponse
L’application confronte le résultat au document lorsque l’exactitude est importante.
Illustration simplifiée. Les dessins ne montrent pas de résultats mesurés.
Points techniques et opérationnels
- Kakao propose un encodeur medium et un modèle tiny de moins de cent millions de paramètres.
- Les performances publiées restent liées au protocole et à l’intégration choisie.
Ce que cela pourrait changer
Exemples possibles. L’annonce ne démontre pas de gains pour ces usages.
Exemple pédagogique
Lire un document photographié
Une application peut utiliser l’encodeur pour repérer le texte, les zones et la structure d’une facture, puis transmettre ces représentations au modèle de langage. L’équipe doit mesurer les erreurs sur ses propres formats avant d’automatiser une décision.
Deux questions pour évaluer l’intérêt
- Tester la lecture sur les langues, polices et mises en page réellement utilisées.
- Lire la Kanana Open License et vérifier les obligations applicables à l’usage prévu.
Qui peut l’utiliser, avec quelles limites ?
Poids publiés
Les comparaisons et gains de latence proviennent des évaluations de Kakao. Le protocole comprend des tests internes en coréen et ne constitue pas une validation indépendante de tous les usages. La Kanana Open License n’est pas une licence Apache ou MIT. Les organisations doivent lire ses conditions avant un usage commercial. Un encodeur visuel n’est pas un assistant complet et doit être intégré à un modèle de langage.
Conditions d’accès : Poids annoncés disponibles sur Hugging Face sous Kanana Open License. L’intégration et l’infrastructure restent à la charge de l’utilisateur.
La portée de l’annonce
Interprétation éditoriale à partir de l’annonce.
Une version légère peut faciliter des usages où la mémoire, la latence ou l’exécution locale comptent. La qualité finale dépendra du modèle de langage associé, des langues, des documents et de la méthode d’intégration.
Les mots utiles pour comprendre
Sources et vérifications
Source vérifiée le . Synthèse originale. Les résultats annoncés restent attribués à leur source. Les dessins expliquent le principe ; les exemples présentent un usage possible.
Communiqué primaire public et pages publiques de publication relus le 21 octobre 2026. Aucun modèle téléchargé, code exécuté, compte créé ou produit testé.
Publié sur ce site le . Mis à jour le . Rédaction : Boris Shutov, avec l’aide de ChatGPT. Notre méthode éditoriale.