模型定位
Kimi-VL-A3B-Thinking-2506 是 Kimi-VL 系列的多模態視覺語言推理模型,面向影像理解、長上下文和智慧代理任務。採用混合專家(MoE)語言模型、原生解析度視覺編碼器 MoonViT 和投影器;官方列出的總參數量約為 16B,每次啟用約 3B,上下文視窗為 128K tokens。(github.com)
能力與用途
- **視覺理解與推理:**可用於影像問答、圖表理解、數學推理、文字辨識和高解析度影像分析。官方稱單張影像支援約 320 萬像素,例如 1792×1792。(huggingface.co)
- **長文件與影片:**可用於長 PDF 理解、影片內容理解和影片推理;實際使用需要依部署方案準備文件頁面或影片影格。(huggingface.co)
- **智慧代理:**可分析作業系統介面截圖,輔助定位介面元素和產生操作建議;實際執行操作需要搭配的智慧代理或工具。(huggingface.co)
- **部署:**官方發布了模型權重,模型頁面標註 MIT 授權,並提供了 Transformers 和 vLLM 等使用範例。(huggingface.co)
限制與注意事項
模型可能產生錯誤的辨識、推理或操作建議,重要結果應由人工核驗。長思考輸出和高解析度視覺輸入會增加推理資源需求;官方範例為通用思考任務設定最多 32,768 個輸出 tokens,具體可用長度和效能取決於部署設定。官方建議一般思考任務溫度設為 0.8,介面定位任務可設為 0.2 以提高穩定性。(huggingface.co)
價格
截至 2026-11-18,已查詢 官方國內定價頁 和 官方國際定價頁,未能核實本模型對應的官方託管 API 人民幣(CNY)或美元(USD)報價,輸入和輸出計費單價均未核實,不能根據其他模型的價格推定。自行部署權重產生的運算等成本取決於部署環境。(platform.kimi.com)
發布日期與官方來源
- **發布日期:**2025-06-21。(github.com)
- 官方 GitHub 公告與專案
- 官方模型頁面
- 官方技術部落格與使用範例