模型介绍
中文整理Kimi-VL 模型卡片
模型概述
Kimi-VL是一款高效的开源混合专家（MoE）视觉语言模型，其语言解码器仅激活2.8B参数（Kimi-VL-A3B），同时具备高级多模态推理、长上下文理解和强大的代理能力。
Model use case
作为通用视觉语言模型，Kimi-VL适用于多轮代理交互任务、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、视频感知以及操作系统代理任务。Kimi-VL-A3B-Instruct适用于高效推理的多模态感知和理解任务；Kimi-VL-A3B-Thinking适用于高级文本和多模态推理任务，如数学问题解答。
主要能力
Kimi-VL采用MoE语言模型、原生分辨率视觉编码器（MoonViT）和MLP投影器架构。模型具备128K扩展上下文窗口，可处理长而多样的输入内容。MoonViT原生分辨率视觉编码器使其能够理解和处理超高分辨率视觉输入。Kimi-VL-Thinking通过长链思维监督微调和强化学习训练，展现出强大的长程推理能力。
输入输出
模型支持多种输入形式，包括单图像、多图像、视频、长文档等。输出为文本理解和推理结果。
运行要求
推荐使用python=3.10、torch>=2.1.0、transformers=4.48.2作为开发环境。模型也可通过vLLM部署（对应MR #16387）。
基本用法
使用Hugging Face Transformers进行推理时，推荐参数设置为：Thinking模型使用Temperature=0.8，Instruct模型使用Temperature=0.2。非思考型（Instruct）模型可使用Greedy采样（Temperature=0.0）。对于操作系统代理任务，推荐使用以下提示词格式："Please observe the screenshot, please locate the following elements with action and point. [YOUR INSTRUCTION]"
许可证
原文未提供许可证相关信息。
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。