Kimi-VL 视觉语言模型

是什么

Kimi-VL 是月之暗面（Moonshot AI）在 2025 年 4 月发布的开源视觉语言模型 ^[1]。这类模型接收一张图片加上一段文字，再用文字回答：描述图表、读出截图内容、解答拍在照片里的题目。

结构上它是一个混合专家（mixture-of-experts，MoE）模型，总参数 16B，激活参数约 3B ^[1]。混合专家是在一个大网络里放进许多较小的子网络（称为「专家」），再由一个路由环节决定每个词元（token）交给其中少数几个处理。所有参数都要存下来，但任何一个词元只用到其中一小部分，于是模型跑起来的花销更接近一个小得多的稠密模型。模型卡给出的拆分是：语言解码器占 2.8B 激活参数，MoonViT 视觉塔约占 0.4B ^[3]。

版本与发布

Kimi-VL 有 Kimi-VL-A3B-Instruct 与 Kimi-VL-A3B-Thinking 两个版本，于 2025 年 4 月 9 日上传到 Hugging Face，MoonViT-SO-400M 视觉编码器则在 4 月 10 日发布 ^[2]。这种划分沿用了近年的常见做法：instruct 版本直接给出答案，thinking 版本先进行中间推理再作答。更新后的 thinking 版本 Kimi-VL-A3B-Thinking-2506 在 2025 年 6 月发布 ^[1][2]。

设计上的取舍

模型卡把 MoonViT 描述为原生分辨率视觉编码器，能处理超高分辨率输入 ^[3]。所谓原生分辨率，是指不把每张图都压成同一个固定的小尺寸，而是尽量按图片原本的大小切块处理。当画面里信息密集时这一点很关键——一张表格、一页扫描文档、一个塞满小控件的界面，压缩之后细节就没了。模型卡还给出 128K 的扩展上下文窗口和 MIT 许可证 ^[3]，这意味着权重可以较自由地使用和修改，商用限制很少。

公布的成绩

模型卡报告了以下基准成绩 ^[3]：

• MMMU-Val 57.0，这是一个跨学科基准，题目为需要配图的大学水平问题。
• MMBench-EN-v1.1 83.1，一个覆盖面较广的英文视觉理解评测。
• MathVista 68.7，测的是题目以图形方式给出时的数学推理。
• OCRBench 867，测从图像中读出文字的能力。
• ScreenSpot-V2 92.8 与 ScreenSpot-Pro 34.5，两者都测模型能否在屏幕上定位被指名的元素——也就是操控界面的智能体需要的那种能力。

两个 ScreenSpot 数字之间的落差最值得注意：在普通屏幕上找元素，92.8 已经接近做满；换到更难的 Pro 设置，只有 34.5。

在开源版图中的位置

Kimi-VL 属于月之暗面在同一时期集中发布的几个开源模型之一。Moonlight-16B-A3B 出现在 2025 年 2 月，Kimi-Audio-7B 在 2025 年 4 月，基于 Qwen2.5-72B 的代码模型 Kimi-Dev-72B 在 2025 年 6 月 ^[1][2]。Kimi-VL 名字里的「16B-A3B」与 Moonlight 一脉相承，标出的是同一种经济性：参数池很大，每个词元只激活其中很小的一片。

视觉这一侧后来被证明是可以复用的。约 400M 参数的 MoonViT 编码器后来被用在 2026 年 1 月的 Kimi K2.5 中 ^[1]。这让 Kimi-VL 不只是一个独立模型，也是月之暗面的视觉组件第一次公开亮相并接受检验的地方。