Kakao veröffentlicht zwei Kanana-2-Embedding-Modelle als Open Source

Worum es geht

Kakao, einer der großen Internetkonzerne Südkoreas, hat am 29. Oktober 2026 zwei Embedding-Modelle auf Hugging Face veröffentlicht. Sie heißen Kanana-2-3b-embedding (3 Milliarden Parameter) und Kanana-2-1.3b-embedding (1,3 Milliarden Parameter). Parameter sind grob gesagt die Stellschrauben, die ein Modell beim Training gelernt hat. Nach Angaben von Kakao sind Modellaufbau, Quellcode und die zentralen Gewichte frei zugänglich. Jeder darf sie ansehen, erforschen, verändern und weitergeben. Die genaue Lizenz nennt die Quelle nicht.

Kakao ordnet die Modelle als Basistechnik für personalisierte KI-Agenten ein. Bereits im Juli hatte das Unternehmen vier kleine Sprachmodelle (SLM) der Kanana-Reihe als Open Source veröffentlicht.

Was ein Embedding-Modell macht

Ein Embedding-Modell wandelt die Bedeutung eines Textes in eine Zahlenfolge um, einen sogenannten Vektor. Ein normales Sprachmodell versteht eine Frage und antwortet darauf. Ein Embedding-Modell vergleicht dagegen die Bedeutung von Frage und vorhandenen Texten und findet so passende Informationen. Texte mit ähnlicher Bedeutung haben ähnliche Vektoren.

Dadurch klappt die Suche auch, wenn man sich nicht an die genauen Wörter erinnert. Es zählt, dass der Sinn nahe beieinanderliegt. Solche Modelle bilden häufig den Suchbaustein in Systemen, die einer KI Wissen nachliefern, etwa bei der Dokumentensuche oder bei Agenten, die auf persönliche Daten zugreifen. Diese Anwendungsbeispiele sind allgemeine Einordnung, nicht Teil der Kakao-Meldung.

Leistung und Effizienz

Kakao verglich die Modelle mit ähnlich großen offenen Embedding-Modellen, nämlich llama-nemotron-embed-1b-v2 und Qwen3-Embedding-4B. Ergebnis laut Kakao: die höchste Leistung bei Koreanisch und eine ähnliche Leistung bei Englisch. Gegenüber Qwen3-Embedding zeigten sie zudem eine höhere Inferenzeffizienz, sie arbeiten also bei der Anwendung schneller oder sparsamer. Konkrete Benchmark-Zahlen nennt die Quelle nicht, alle Angaben stammen vom Hersteller und sind nicht unabhängig geprüft.

Gegenüber der bisherigen Kanana-Embedding-Reihe soll die Suchleistung besser sein. Bei Speichernutzung und Geschwindigkeit habe Kakao eine Verbesserung um ein Vielfaches (mehr als das Zehnfache) festgestellt, so die Quelle sinngemäß.

Flexible Vektorgröße durch MRL

Die Modelle nutzen Matryoshka Representation Learning (MRL). Der Name verweist auf russische Matrjoschka-Puppen. Das Modell wird so trainiert, dass die ersten Zahlen des Vektors bereits die wichtigste Information tragen. Man kann den Vektor daher kürzen und verliert nur wenig Qualität. Entwickler können die Länge nach Bedarf wählen und dabei Suchqualität, Speicherplatz und Verarbeitungsgeschwindigkeit abwägen. Kürzere Vektoren sparen Speicher und beschleunigen die Suche in großen Datenbanken.

Was du zum Ausprobieren brauchst

Die Hardware-Anforderungen nennt die Quelle nicht. Als grobe Schätzung gilt: Ein 1,3-Milliarden-Modell läuft in 16-Bit-Genauigkeit mit wenigen GB Grafikspeicher und mit quantisierter Variante auch auf einer normalen CPU oder einem Mac. Das 3-Milliarden-Modell braucht etwa 6–8 GB in 16 Bit. Plane dazu einige GB Speicherplatz ein. Für Tests reicht oft auch Google Colab. Das sind Schätzungen, keine Herstellerangaben.

Einordnung

Embedding-Modelle mit starker Koreanisch-Unterstützung sind bei offenen Modellen noch seltener als englische. Für Entwickler im koreanischen Sprachraum sind die Kanana-Modelle deshalb interessant. Die MRL-Option macht sie für Produktionssysteme mit Speicherlimit praktisch. Kritisch bleibt: Die Vergleiche stammen von Kakao selbst, Zahlen und Testdatensätze fehlen in der Meldung, und die Lizenz ist unklar. Wie gut die Modelle bei Deutsch abschneiden, ist unbekannt. Kakao will künftig mit größeren Sprachmodellen als Basis und mit Wissensdestillation weiterforschen, also dem Übertragen von Wissen eines großen auf ein kleines Modell.