モデルの位置づけ
Kimi-VL-A3B-Thinking-2506 は Kimi-VL シリーズのマルチモーダル視覚言語推論モデルで、画像理解、長いコンテキスト、エージェントタスクを対象としています。混合エキスパート(MoE)言語モデル、ネイティブ解像度の視覚エンコーダー MoonViT、プロジェクターを採用しています。公式に記載された総パラメータ数は約 16B、各回の活性化パラメータ数は約 3B、コンテキストウィンドウは 128K tokens です。(github.com)
能力と用途
- **視覚理解と推論:**画像に関する質疑応答、図表の理解、数学的推論、文字認識、高解像度画像の分析に使用できます。公式によると、1 枚の画像で約 320 万画素、例えば 1792×1792 に対応しています。(huggingface.co)
- **長文書と動画:**長い PDF の理解、動画内容の理解、動画の推論に使用できます。実際に使用する際は、デプロイ方式に応じて文書のページまたは動画のフレームを準備する必要があります。(huggingface.co)
- **エージェント:**オペレーティングシステムの画面のスクリーンショットを分析し、画面要素の位置特定や操作提案の生成を支援できます。実際に操作を実行するには、対応するエージェントまたはツールが必要です。(huggingface.co)
- **デプロイ:**公式はモデルの重みを公開しており、モデルページには MIT ライセンスが明記され、Transformers や vLLM などの使用例が示されています。(huggingface.co)
制限と注意事項
モデルは誤った認識、推論、操作提案を生成する可能性があるため、重要な結果は人間が検証する必要があります。長い思考出力や高解像度の視覚入力は、推論に必要なリソースを増加させます。公式の例では、一般的な思考タスクに対して最大 32,768 の出力 tokens が設定されており、具体的な使用可能長と性能はデプロイ設定によって異なります。公式は、一般的な思考タスクでは温度を 0.8 に設定し、画面上の位置特定タスクでは安定性を高めるために 0.2 に設定することを推奨しています。(huggingface.co)
価格
2026-11-18 時点で、公式国内料金ページと公式国際料金ページを確認しましたが、本モデルに対応する公式ホスト型 API の人民元(CNY)または米ドル(USD)での料金は確認できず、入力と出力の課金単価はいずれも未確認です。他のモデルの価格から推定することはできません。重みを自らデプロイする際に生じる計算などのコストは、デプロイ環境によって異なります。(platform.kimi.com)
公開日と公式情報源
- **公開日:**2025-06-21。(github.com)
- 公式 GitHub 発表とプロジェクト
- 公式モデルページ
- 公式技術ブログと使用例