模型定位
Kimi-VL-A3B-Instruct 是面向高效推論的視覺語言指令模型,採用混合專家(MoE)語言模型、原生解析度視覺編碼器 MoonViT 和投影層。官方列出的總參數量約為 160 億,啟用參數量約為 30 億,上下文視窗為 128K。(huggingface.co)
能力與用途
模型可結合文字和視覺資訊完成多模態理解,適用於影像問答、多圖理解、OCR、長文件和影片內容理解,以及作業系統介面等智慧代理場景。影片應用的具體輸入處理方式取決於部署實作。(huggingface.co)
限制與部署
- 對較複雜的文字或多模態推論任務,官方建議考慮同系列的 Thinking 版本;不能將該版本的能力或評測成績直接視為本模型的成績。(huggingface.co)
- 模型輸出可能出錯,OCR、視覺辨識和智慧代理操作結果應按應用風險進行核驗。
- 官方模型儲存庫提供權重,模型卡標註 MIT 授權條款;自行部署仍需承擔運算、儲存及維運成本。(huggingface.co)
價格
截至 2026-11-18,查詢官方國內和國際平台後,均未核實到專門適用於 Kimi-VL-A3B-Instruct 的託管 API 輸入或輸出價格。不能將其他 Kimi 模型的人民幣或美元報價用於本模型,也不能據此認定官方提供或不提供該模型的託管服務。(platform.kimi.com)