模型定位
Kimi-VL-A3B-Thinking-2506 是 Kimi-VL 系列的多模态视觉语言推理模型,面向图像理解、长上下文和智能体任务。采用混合专家(MoE)语言模型、原生分辨率视觉编码器 MoonViT 和投影器;官方列出的总参数量约为 16B,每次激活约 3B,上下文窗口为 128K tokens。(github.com)
能力与用途
- **视觉理解与推理:**可用于图像问答、图表理解、数学推理、文字识别和高分辨率图像分析。官方称单张图像支持约 320 万像素,例如 1792×1792。(huggingface.co)
- **长文档与视频:**可用于长 PDF 理解、视频内容理解和视频推理;实际使用需要按部署方案准备文档页面或视频帧。(huggingface.co)
- **智能体:**可分析操作系统界面截图,辅助定位界面元素和生成操作建议;实际执行操作需要配套的智能体或工具。(huggingface.co)
- **部署:**官方发布了模型权重,模型页面标注 MIT 许可证,并给出了 Transformers 和 vLLM 等使用示例。(huggingface.co)
限制与注意事项
模型可能产生错误的识别、推理或操作建议,重要结果应人工核验。长思考输出和高分辨率视觉输入会增加推理资源需求;官方示例为通用思考任务设置最多 32,768 个输出 tokens,具体可用长度和性能取决于部署配置。官方建议一般思考任务温度设为 0.8,界面定位任务可设为 0.2 以提高稳定性。(huggingface.co)
价格
截至 2026-11-18,已查询 官方国内定价页 和 官方国际定价页,未能核实本模型对应的官方托管 API 人民币(CNY)或美元(USD)报价,输入和输出计费单价均未核实,不能据其他模型的价格推定。自行部署权重产生的计算等成本取决于部署环境。(platform.kimi.com)
发布日期与官方来源
- **发布日期:**2025-06-21。(github.com)
- 官方 GitHub 公告与项目
- 官方模型页面
- 官方技术博客与使用示例