月之暗面再次开源Kimi大模型——Kimi-VL-A3B-Instruct 和 Kimi-VL-A3B-Thinking

我们介绍的 Kimi-VL，是一种高效的开源专家混合物（MoE）视觉语言模型（VLM），它具有先进的多模态推理能力、长语境理解能力和强大的代理能力，而在其语言解码器（Kimi-VL-A3B）中只需激活 2.8B 个参数。

Kimi-VL 在各个具有挑战性的领域都表现出了强劲的性能：作为一种通用的视觉语言模型，Kimi-VL 在多轮代理交互任务（例如 OSWorld）中表现出色，取得了与旗舰模型相当的先进成果。此外，它还在各种具有挑战性的视觉语言任务中表现出卓越的能力，包括大学水平的图像和视频理解、光学字符识别（OCR）、数学推理、多图像理解等。

在比较评估中，它能有效地与 GPT-4o-mini、Qwen2.5-VL-7B 和 Gemma-3-12B-IT 等尖端高效 VLM 竞争，同时在多个专业领域超越 GPT-4o。

Kimi-VL 还在处理长语境和清晰感知方面推进了多模态模型的帕累托前沿：由于配备了 128K 扩展上下文窗口，Kimi-VL 可以处理各种长输入内容，在 LongVideoBench 和 MMLongBench-Doc 上分别取得了 64.5 和 35.1 的优异成绩；其原生分辨率视觉编码器 MoonViT 进一步使其能够看到并理解超高分辨率的视觉输入内容，在 InfoVQA 和 ScreenSpot-Pro 上分别取得了 83.2 和 34.5 的优异成绩，同时在处理普通视觉输入内容和一般任务时保持了较低的计算成本。

在此基础上，我们推出了一种先进的长期思维变体：Kimi-VL-Thinking。该模型通过长思维链（CoT）监督微调（SFT）和强化学习（RL）开发而成，具有强大的长视距推理能力。它在 MMMU、MathVision 和 MathVista 上的得分分别为 61.7、36.8 和 71.3，同时保持了 2.8B 的紧凑型激活 LLM 参数占用空间，为高效且功能强大的多模态思维模型设定了新标准。

架构

如下图所示，该模型采用了 MoE 语言模型、原生分辨率视觉编码器（MoonViT）和 MLP 投影仪。

性能

Kimi-VL-A3B-Instruct

作为一种高效的模型，Kimi-VL 可以在广泛的输入形式（单图像、多图像、视频、长文档等）中稳健地处理各种任务（细粒度感知、数学、大学问题、OCR、代理等）。

与现有的 10B 级密集 VLM 和 DeepSeek-VL2 (A4.5B) 进行简要比较：

全面对比（包括 GPT-4o 供参考）：

Benchmark (Metric)	GPT-4o	GPT-4o-Mini	Qwen2.5-VL-7B	Llama3.2-11B-Inst.	Gemma3-12B-IT	DeepSeek-VL2	Kimi-VL-A3B-Instruct
Architecture	-	-	Dense	Dense	Dense	MoE	MoE
# Act. Params (LLM+VT)	-	-	7.6B+0.7B	8B+2.6B	12B+0.4B	4.1B+0.4B	2.8B+0.4B
# Total Params	-	-	8B	11B	12B	28B	16B
College-level
MMMU-Val (Pass@1)	69.1	60.0	58.6	48	59.6	51.1	57.0
VideoMMMU (Pass@1)	61.2	-	47.4	41.8	57.2	44.4	52.6
MMVU-Val (Pass@1)	67.4	61.6	50.1	44.4	57.0	52.1	52.2
General
MMBench-EN-v1.1 (Acc)	83.1	77.1	82.6	65.8	74.6	79.6	83.1
MMStar (Acc)	64.7	54.8	63.9	49.8	56.1	55.5	61.3
MMVet (Pass@1)	69.1	66.9	67.1	57.6	64.9	60.0	66.7
RealWorldQA (Acc)	75.4	67.1	68.5	63.3	59.1	68.4	68.1
AI2D (Acc)	84.6	77.8	83.9	77.3	78.1	81.4	84.9
Multi-image
BLINK (Acc)	68.0	53.6	56.4	39.8	50.3	-	57.3
Math
MathVista (Pass@1)	63.8	52.5	68.2	47.7	56.1	62.8	68.7
MathVision (Pass@1)	30.4	-	25.1	13.6	32.1	17.3	21.4
OCR
InfoVQA (Acc)	80.7	57.9	82.6	34.6	43.8	78.1	83.2
OCRBench (Acc)	815	785	864	753	702	811	867
OS Agent
ScreenSpot-V2 (Acc)	18.1	6.9	84.2	-	-	-	92.8
ScreenSpot-Pro (Acc)	0.8	-	29.0	-	-	-	34.5
OSWorld (Pass@1)	5.03	-	2.5	-	-	-	8.22
WindowsAgentArena (Pass@1)	9.4	2.7	3.4	-	-	-	10.4
Long Document
MMLongBench-Doc (Acc)	42.8	29.0	29.6	13.8	21.3	-	35.1
Long Video
Video-MME (w/o sub.)	71.9	64.8	65.1	46.0	58.2	-	67.8
Video-MME (w sub.)	77.2	68.9	71.6	49.5	62.1	-	72.6
MLVU-MCQ (Acc)	64.6	48.1	70.2	44.4	52.3	-	74.2
LongVideoBench (val)	66.7	58.2	56.0	45.5	51.5	-	64.5
Video Perception
EgoSchema (full)	72.2	-	65.0	54.3	56.9	38.5	78.5
VSI-Bench	34.0	-	34.2	20.6	32.4	21.7	37.4
TOMATO	37.7	28.8	27.6	21.5	28.6	27.2	31.7

我们将介绍如何使用 transformers 库在推理阶段使用我们的模型。建议使用 python=3.10, torch>=2.1.0 和 transformers=4.48.2 作为开发环境。

from PIL import Image
from transformers import AutoModelForCausalLM, AutoProcessor
model_path = "moonshotai/Kimi-VL-A3B-Instruct"
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype="auto",
    device_map="auto",
    trust_remote_code=True,
)
processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
image_path = "./figures/demo.png"
image = Image.open(image_path)
messages = [
    {"role": "user", "content": [{"type": "image", "image": image_path}, {"type": "text", "text": "What is the dome building in the picture? Think step by step."}]}
]
text = processor.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt")
inputs = processor(images=image, text=text, return_tensors="pt", padding=True, truncation=True).to(model.device)
generated_ids = model.generate(**inputs, max_new_tokens=512)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
response = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)[0]
print(response)

Kimi-VL-A3B-Thinking

凭借有效的长思考能力，Kimi-VL-A3B-Thinking 在 MathVision 基准测试中的性能可媲美 30B/70B 前沿开源 VLM：

Benchmark (Metric)	GPT-4o	GPT-4o-mini	Qwen2.5-VL-72B	Qwen2.5-VL-7B	Gemma-3-27B	Gemma-3-12B	o1-1217	QVQ-72B	Kimi-k1.5	Kimi-VL-Thinking-A3B
Thinking Model?							✅	✅	✅	✅
MathVision (full) (Pass@1)	30.4	-	38.1	25.1	35.5	32.1	-	35.9	38.6	36.8
MathVista (mini) (Pass@1)	63.8	56.7	74.8	68.2	62.3	56.4	71.0	71.4	74.9	71.3
MMMU (val) (Pass@1)	69.1	60.0	74.8	58.6	64.8	59.6	77.3	70.3	70.0	61.7
我们将介绍如何使用 transformers 库在推理阶段使用我们的模型。建议使用 python=3.10, torch>=2.1.0 和 transformers=4.48.2 作为开发环境。

from PIL import Image
from transformers import AutoModelForCausalLM, AutoProcessor
model_path = "moonshotai/Kimi-VL-A3B-Thinking"
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype="auto",
    device_map="auto",
    trust_remote_code=True,
)
processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
image_paths = ["./figures/arch.png", "./figures/thinking_perf.png"] # 官方Demo图片错误，我直接换了其他的用于测试多图理解
images = [Image.open(path) for path in image_paths]
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": image_path} for image_path in image_paths
        ] + [{"type": "text", "text": "Please infer step by step who this manuscript belongs to and what it records"}],
    },
]
text = processor.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt")
inputs = processor(images=images, text=text, return_tensors="pt", padding=True, truncation=True).to(model.device)
generated_ids = model.generate(**inputs, max_new_tokens=2048)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
response = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)[0]
print(response)