Kanana-2-v-decide 開放權重，AI 代理為何可以不寫文字就做選擇？
Kanana-2-v-decide 開放多模態決策權重，直接回傳選項與機率。解析 confidence 定義、公開評測分母、四十毫秒條件、圖片輸入與第三方服務授權。
代理接到商品照片與詢問後，常要先判斷交給退貨、規格查詢或人工服務，才能開始下一步。
Kanana-2-v-decide 把這個選擇從聊天拆出來。Kakao在2026年11月6日開放權重，讓模型讀取文字與圖片後，直接回傳候選答案的機率。
如果系統只需要選項，就不必等模型逐字寫完解釋，再從句子裡找出分類。這種輸出也更容易讓後續程式接手。
不過，模型回答的是開發者提供的問題。候選選項怎麼寫、是否漏掉合理答案，都會改變它能做出的判斷。
官方宣稱單張H200可在約四十毫秒內回應，但這個數字屬於特定決策測量，不能換成整個代理工作快四十三倍。
我認為它值得有固定分類與工具選擇需求的團隊評估，前提是看懂機率的定義，以及自建服務和對外提供模型的授權差別。
從輸出形式拆開，就能看出這個小模型在代理流程裡負責哪一段工作。
Kanana-2-v-decide 為什麼不需要逐字回答？
模型把問題與候選答案轉成可比較的數值表示，直接產生選項分布，省去生成完整文句的步驟。
依官方模型卡，它建立在Kanana-2-v-3b上，總計約36.7億參數，其中約4.9億處理視覺，其餘約31.8億處理語言。
它能接收文字、結構化資料或聊天紀錄，也能附上圖片。開發者把這份待判讀內容稱為state，可以理解成模型目前需要掌握的情境。
每個問題會和情境一起，編成一個2,560維的向量。向量就是一串用來表示內容的數字，候選答案也會各自轉成另一串數字。
接著，系統比較問題和每個答案的相似程度，再把比較結果轉為總和等於一的機率分布。最後交出去的是選項與分數，而非一段聊天回答。
例如分類售後需求時，程式可以提供「退貨」「商品規格」「其他」三個候選，並依最高分選出後續流程。這是依介面可以組成的情境，不是本文完成過的實測。
模型卡允許一次請求包含多個問題，但每個問題與候選輸入仍需分別通過模型運算。因此，一次送出多題不代表整批內容只計算一次。
候選也可以有較長的內容描述，因此它能比較的不限於一個簡短標籤。但描述本身過長時也可能被縮短，選項寫得越多不代表每個細節都會留下。
相同候選的表示可以快取重用，也就是把算過的結果留下來。官方按候選的文字單位識別碼保存這些結果，選項穩定的分類工作因此較容易重用前次計算。
這種設計把「選哪一個」做成獨立介面。後續若要向顧客解釋原因，仍可以交給能生成文字的模型，兩者在工作鏈裡各有位置。
選擇、是非與評分，回傳的機率怎麼讀？
輸出數字的意義隨問題形式而變，也取決於候選集合，不能把每個高分都當成現實事件發生的可靠機率。
第一種choice用來從多個候選中選擇。回傳內容包括選中的識別名稱、每個候選的機率，以及一個另行計算的confidence值。
這裡的confidence並非最高機率本身，而是最高機率減去其他候選機率的平均。它描述領先幅度，和「模型有多少把握」這種日常說法並不完全相同。
假設三個候選分別得到0.6、0.3與0.1，其他兩者平均為0.2，這個領先值就是0.4。這是依官方定義的示例計算，沒有把它當成測試結果。
第二種noul回答是非，交回肯定答案的機率。第三種score則把結果放在有順序的等級上，支援兩到十級，並計算等級索引的期望值。
若等級是低、中、高，對應索引零、一、二，回傳的期望值便落在零到二之間。它表達的是這組等級的加權位置，若業務需要金額、百分比或文字評語，仍要另有對應的定義與處理。
為何增加一個選項，原本的機率也可能變？
機率來自候選之間的相對比較。加入另一個很相似的答案，原本集中在某一選項上的分數可能被分開，因此改選項也等於改了問題。
如果所有候選都不合適，總和仍會等於一。團隊需要先決定流程如何容納「其他」或交人工處理，才能讓輸出和實際業務狀態對得起來。
官方介面還能控制候選是否出現在問題表示裡。choice與是非問題預設會帶入選項，評分的等級則一定帶入，這使選項內容不只影響最後的比較，也會影響問題如何被編碼。
對評分工作而言，等級的順序尤其重要。把「無缺陷、輕微、嚴重」排成零到二，分數越高代表越嚴重。若把次序反過來，同一種數字就不能沿用原先的業務解讀。
介面另提供溫度參數，預設為一。提高溫度會讓分布較平，降低則更集中，但這是在調整數值的尖銳程度，不會替系統補上漏掉的候選答案。
因此，建立門檻時要連同選項文字與資料一起比較。只把別人的0.8門檻搬來，卻換成另一組候選，並沒有保留原來的判斷條件。
延伸閱讀：決策模型怎麼做 LLM 評測？Hamel Husain 教你調門檻、比成本、讀分數
四十毫秒與61.23分，分別測了什麼？
速度與品質來自不同測量，公開兩項平均和韓文自建題庫也有各自分母，讀者需要分開理解。
模型卡列出Decision Index 0.4.1文字測試61.34分，以及視覺測試61.12分。61.23是這兩個公開分數的平均，不是所有題目直接混在一起算出的答對率。
在這份比較表中，它的兩項平均最高，視覺分數也最高。但文字欄的Base Labs Joey-1為63.31分，比它高，因此不能說每個項目都排第一。
另一個72.50分來自Kakao自建韓文決策題庫，共15,909題。這份資料的語言與來源不同，也沒有被納入前述公開兩項平均。
這也讓台灣團隊多一個需要自行確認的條件。韓文題庫的優勢不能直接當成繁體中文資料上的優勢，文字語言與分類情境仍需對應到自己的輸入。
把三者拆開後，讀者才看得出模型在多模態和韓文任務的研究方向。若把72.50說成公開總成績，便會把不同題庫的結果接成另一個排名。
官方新聞稿另稱，在單張H200上平均回應時間低於0.04秒，並以GPT-6 Luna為比較對象，提出約43倍的速度差異。
這是作者針對決策輸出的測量。它沒有證明整個流程中的網路、圖片處理、工具執行和後續生成回答，也都一起快了43倍。
模型卡亦未提供可把這組速度完整搬到不同硬體的等條件重跑資料。所以這個數字比較適合說明直接選擇的設計目的，不能變成一般電腦的回應時間承諾。
對部署團隊而言，品質與延遲要在同一份自己的資料上交會。某個分類即使快，若經常送錯流程，後續重做仍會花掉時間，這是從工作鏈推得的採用條件。
把文字與圖片接到服務，要注意哪些輸入條件？
模型卡提供可運作的輸入與伺服器介面，但圖片前處理、超長內容和請求排隊方式，都會影響應用如何安排。
單次輸入上限是20,480個文字單位，也就是模型切分文字後的token，最多可附十張圖片。目前公開介面沒有列出影片輸入。
文字過長時，預設會保留開頭與結尾，截掉中間部分，圖片則保留下來。如果分類依據剛好出現在中段，模型收到的資料就和使用者以為交出的完整內容不同。
開發者可選擇嚴格輸入模式，讓超出條件的內容直接被拒絕。這把問題從默默改變資料，轉成程式需要明確處理的錯誤，兩種選擇對流程有不同影響。
圖片也有細節。官方處理方式不會套用EXIF方向資訊，也就是相機另外記下的旋轉標記。帶透明度的圖片會轉成白底，另有像素調整與極端長寬比限制。
前處理會先把大圖限制在約164萬像素內，小圖則放大到至少65,536像素，再切成模型能讀的區塊。這表示送入的原始尺寸，不等於模型直接逐像素閱讀的尺寸。
聊天紀錄則要使用對應的訊息格式，保留角色與圖文片段。若把整段紀錄當成普通字串，送入方式便和有角色結構的輸入不同，不能只憑畫面看起來相同就視為同一條件。
所以，照片看起來方向正確，不代表模型實際讀到的像素方向相同。若工作依賴產品位置或畫面文字，輸入整理本身就是分類品質的一部分。
附帶伺服器範例，是否已經處理大量同時請求？
範例以標準函式庫提供HTTP入口，預設只監聽本機位址，也能設定存取金鑰。但請求會逐一處理，不能據此宣稱已有大量並行服務的能力。
「伺服器程式簡單」也不等於「模型不需要專門環境」。實際推論仍涉及CUDA、BF16數值格式與自訂模型程式，接入前要把介面和運算需求分開確認。
這些條件不妨礙它成為流程中的專用判斷元件，卻會決定資料怎麼送、何時拒絕和請求是否等待。服務能接起來之後，下一步才是看權重允許怎樣提供出去。
延伸閱讀：Ollama 支援本機決策模型：把快速分類留在電腦，部署前要確認什麼？
自建服務和轉售模型，授權差在哪裡？
實際條款把自己的服務與向第三方提供模型存取分開處理，公開權重不等於所有服務形式都自動獲准。
Kanana Open License第4.2節允許以模型提供自己的服務，但第4.1節為特定第三方提供方式列出另行取得商業授權的要求。
這些方式包括提供或轉售模型API、雲端或遠端存取，以及系統整合、地端方案和把模型嵌入第三方裝置等。API就是讓其他程式呼叫模型的介面，不能只按是否收取下載費判斷。
例如把分類放進自己的產品功能，與讓客戶直接呼叫模型服務，對使用者看來都可能有一個網頁入口，授權中描述的提供方式卻不同。
條款另要求再散布時附上授權與通知、標示修改，並依條件保留Powered by Kanana等歸屬。若用相關材料或輸出訓練其他AI並散布，也有名稱前綴要求。
因此，團隊要核對的是實際交付形態。把模型當內部流程的一環，和把模型本身交給第三方使用，應分別對照條文，而不是只看「商用」兩個字。
Kanana-2-v-decide 常見問題 FAQ
會輸出選擇理由嗎？
它直接回傳候選分布，並不生成解釋文字。若產品需要理由，還要另有能提供說明的流程，不能把選項分數當成已完成的自然語言解釋。
最高機率等於confidence嗎？
不是。choice的confidence是最高機率減去其他候選機率的平均，用來描述相對領先幅度。它也不能取代實際資料上的準確度與門檻比較。
可以把公開權重直接轉成任何模型API嗎？
條款對向第三方提供模型API、雲端或遠端存取等方式要求另行商業授權。自己的服務許可與模型提供例外，需要一起閱讀。
結論
Kanana-2-v-decide讓代理中的選擇工作有了獨立輸出方式。它的價值在於讀完資料後，把可接續的選項與數字交給程式，而非每一步都先產生文句。
若團隊已有固定分類，可先保留同一組候選與題目，檢查錯分、機率門檻和實際等待時間，再決定是否接進流程。這樣才能讓速度優勢對應到自己的工作，而非只停留在展示數字。
