模型介绍
中文整理模型名称
Kimi-VL-A3B-Instruct / Kimi-VL-A3B-Thinking
模型类型
高效开放源代码混合专家（MoE）视觉语言模型（VLM）
Model use case
作为通用视觉语言模型，Kimi-VL适用于多轮智能体交互、大学级图像和视频理解、光学字符识别（OCR）、数学推理、多图像理解、长视频和长文档处理、视频感知以及智能体任务。
主要能力
高级多模态推理、长上下文理解（128K扩展上下文窗口）、强大的智能体能力、原生分辨率视觉编码器（MoonViT）可处理超高分辨率视觉输入。支持长链思维（CoT）推理的Thinking变体在数学和视觉推理任务上表现优异。
输入格式
支持图像、视频、文本等多模态输入
Output Format
文本响应
运行要求
推荐开发环境：Python 3.10、PyTorch 2.1.0以上、Transformers 4.48.2。激活参数：2.8B（语言解码器）。总参数：16B。上下文长度：128K。
基本用法
使用Hugging Face Transformers库进行推理。Thinking模型推荐Temperature=0.8，Instruct模型推荐Temperature=0.2。也可使用vLLM部署（需等待相关MR合并）。
性能表现
Kimi-VL-A3B-Thinking在MMMU基准测试得分61.7，MathVision得分36.8，MathVista得分71.3。在LongVideoBench得分64.5，MMLongBench-Doc得分35.1，InfoVQA得分83.2，ScreenSpot-Pro得分34.5。
模型版本
Kimi-VL-A3B-Instruct：适用于高效推理的通用多模态感知和理解、OCR、长视频和长文档、视频感知及智能体任务。Kimi-VL-A3B-Thinking：适用于高级文本和多模态推理（如数学）。
注意事项
存在更新版本Kimi-VL-A3B-Thinking-2506，建议使用新版本以获得更好的通用视觉理解、推理、视频和智能体场景表现。
许可证
相关内容未在文档中提供。
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。