2026-04-17 | 이진석 기자

NAVER集团在AI模型中剔除中国产组件…全面采用“自研视觉编码器”

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

NAVER集团将在其AI模型中全面采用自主研发的视觉编码器,彻底移除“自主人工智能(AI)基础模型(独立基础模型)”开发项目期间引发争议的中国视觉编码器。

据业界17日消息,NAVER Cloud已于上月初完成自主视觉编码器开发,并启动内化工作,以便将其应用于今后开发的各类多模态模型。

视觉编码器是指将图像、视频信息转换为AI可理解形式的模块。在综合处理文本、图像、语音、视频信息的多模态模型中,它扮演着某种“视神经”的角色。

NAVER Cloud新开发的视觉编码器,其性能大幅优于此前的自研编码器技术“VUClip”。目前看来,其性能已可与开源生态中实用性获得验证的中国通义千问等顶级编码器相媲美。

此前,NAVER Cloud在参与政府主导的独立基础模型项目过程中,在自家多模态模型“HyperCLOVA X Seed 32B Think”中部分借用了阿里巴巴开发的通义千问2.5模型的视觉编码器与权重,因而遭到强烈批评。有观点认为,这与从学习初期阶段起就以自主技术构建的“从零开始(From Scratch)”原则、即独立基础模型的宗旨相背离。

当时NAVER Cloud解释称:“视觉编码器随时可以更换,也不是无法更换的核心领域。”

不过据悉,已以开源形式发布的“HyperCLOVA X Seed 32B Think”是否更换编码器尚未确定。

此次开发的视觉编码器的核心在于,从学习阶段起就用韩语训练AI,从而构建无需额外翻译过程、直接将图像与韩语相连接的结构。例如,现有全球编码器存在的局限是,把韩国“石头爷爷”的图像简单识别为英文单词“Statue(石像)”,而NAVER集团的模型则在看到图像的瞬间就以韩语词汇“石头爷爷”来接受。

由于设计为将韩语与图像直接连接,可在不发生信息失真的情况下读取韩国文化特有的语境,这成为其差异化要素。NAVER Cloud计划借此将其打造为在处理包含韩国地理、文化及专有名词的视觉数据时,相较海外模型展现出独有准确度的模型,从而强化“主权AI”战略。

阅读韩文原文