月之暗面开源视觉语言模型 Kimi-VL

背景

视觉语言模型（vision-language model）能在同一个上下文里同时处理图像和文字：给它一张图，就可以用自然语言就这张图提问，而不是只把图片归入固定的几个类别。做这类模型通常要把两部分接起来——一个视觉编码器，负责把图像变成一串向量；一个语言模型，把这些向量当作额外的词元来读。月之暗面（Moonshot AI）于 2025 年 4 月开源的 Kimi-VL 就属于这一类^[1]。

发布内容

Kimi-VL 是一个 16B 参数的混合专家（mixture-of-experts）模型，激活参数为 3B^[1]。混合专家模型把前馈层拆成许多小的「专家」，再用一个路由器为每个词元只挑选其中少数几个。因此总参数量描述的是模型装得下多少东西，激活参数量描述的则是单个词元要花多少计算。Kimi-VL 这两者大约是五比一：存下来 16B，每个词元用到 3B。

发布时间与版本

2025 年 4 月 9 日，Kimi-VL-A3B-Instruct 与 Kimi-VL-A3B-Thinking 两个版本被上传到 Hugging Face；次日，即 4 月 10 日，MoonViT-SO-400M 视觉编码器也一并放出^[2]。名字里的「A3B」指的就是激活参数量。按这类命名惯例，Instruct 版本面向直接作答，Thinking 版本则先展开一段较长的推理再给出答案。

2025 年 6 月，更新后的 Kimi-VL-A3B-Thinking-2506 跟进发布^[1][2]，后缀的日期用来标记更晚的检查点。

报告成绩

Instruct 版本的模型卡上列出了两个数字：MMBench-EN-v1.1 上 83.1，MathVista 上 68.7^[3]。MMBench 是英文多模态理解的多选题基准；MathVista 考察的是题目以图表、示意图形式给出时的数学推理。这些是开发者自己报告的、针对某一个检查点的成绩，并非与其他模型独立对比后的结果。

同一时期的其他开源发布

Kimi-VL 不是一次孤立的发布。同一段时间里，月之暗面的开源模型还包括 2025 年 2 月的 Moonlight-16B-A3B、2025 年 4 月的 Kimi-Audio-7B，以及 2025 年 6 月基于 Qwen2.5-72B 的代码模型 Kimi-Dev-72B^[2][1]。共同点在于体量：除了建在 72B 底座上的代码模型，其余多数落在 7B 到 16B 这一档，小到外部团队可以自己跑起来、自己微调，而不只是在托管接口后面调用。

意义

这类发布值得记下的有两点。一是参数预算：16B 里只激活 3B，单个词元的计算量比同等总参数的稠密模型低得多，这正是开放权重对没有大规模算力的人也能用起来的原因。二是公开权重这个选择本身——Instruct 版、Thinking 版、视觉编码器和后来的更新都以可下载的形式放出，模型因此可以被检查、改造和比较，而不只是通过 API 使用^[1][2]。

需要留意的是，模型卡上的基准成绩说明的是开发者在他们选定的基准上测到了什么，并不能直接说明它在某个具体任务、某种语言或某一类图像上表现如何。