Kimi-VL Technisch Rapport

Kimi-VL Technical Report

April 10, 2025

Auteurs: Kimi Team, Angang Du, Bohong Yin, Bowei Xing, Bowen Qu, Bowen Wang, Cheng Chen, Chenlin Zhang, Chenzhuang Du, Chu Wei, Congcong Wang, Dehao Zhang, Dikang Du, Dongliang Wang, Enming Yuan, Enzhe Lu, Fang Li, Flood Sung, Guangda Wei, Guokun Lai, Han Zhu, Hao Ding, Hao Hu, Hao Yang, Hao Zhang, Haoning Wu, Haotian Yao, Haoyu Lu, Heng Wang, Hongcheng Gao, Huabin Zheng, Jiaming Li, Jianlin Su, Jianzhou Wang, Jiaqi Deng, Jiezhong Qiu, Jin Xie, Jinhong Wang, Jingyuan Liu, Junjie Yan, Kun Ouyang, Liang Chen, Lin Sui, Longhui Yu, Mengfan Dong, Mengnan Dong, Nuo Xu, Pengyu Cheng, Qizheng Gu, Runjie Zhou, Shaowei Liu, Sihan Cao, Tao Yu, Tianhui Song, Tongtong Bai, Wei Song, Weiran He, Weixiao Huang, Weixin Xu, Xiaokun Yuan, Xingcheng Yao, Xingzhe Wu, Xinxing Zu, Xinyu Zhou, Xinyuan Wang, Y. Charles, Yan Zhong, Yang Li, Yangyang Hu, Yanru Chen, Yejie Wang, Yibo Liu, Yibo Miao, Yidao Qin, Yimin Chen, Yiping Bao, Yiqin Wang, Yongsheng Kang, Yuanxin Liu, Yulun Du, Yuxin Wu, Yuzhi Wang, Yuzi Yan, Zaida Zhou, Zhaowei Li, Zhejun Jiang, Zheng Zhang, Zhilin Yang, Zhiqi Huang, Zihao Huang, Zijia Zhao, Ziwei Chen

cs.AI

Samenvatting

We presenteren Kimi-VL, een efficiënt open-source Mixture-of-Experts (MoE) vision-language model (VLM) dat geavanceerde multimodale redeneervaardigheden, lang-contextbegrip en sterke agentmogelijkheden biedt - terwijl slechts 2,8B parameters in de taaldecoder worden geactiveerd (Kimi-VL-A3B). Kimi-VL toont sterke prestaties in uitdagende domeinen: als een algemeen VLM blinkt Kimi-VL uit in multi-turn agenttaken (bijv. OSWorld), waarbij het de vlaggenschipmodellen evenaart. Bovendien vertoont het opmerkelijke capaciteiten in diverse uitdagende vision-language taken, waaronder begrip van universiteitsniveau voor afbeeldingen en video's, OCR, wiskundig redeneren en multi-image begrip. In vergelijkende evaluaties concurreert het effectief met state-of-the-art efficiënte VLMs zoals GPT-4o-mini, Qwen2.5-VL-7B en Gemma-3-12B-IT, terwijl het GPT-4o in verschillende belangrijke domeinen overtreft. Kimi-VL maakt ook vooruitgang in het verwerken van lange contexten en het helder waarnemen. Met een uitgebreid contextvenster van 128K kan Kimi-VL diverse lange invoeren verwerken, waarbij het indrukwekkende scores behaalt van 64,5 op LongVideoBench en 35,1 op MMLongBench-Doc. De native-resolutie vision encoder, MoonViT, stelt het model in staat om ultra-hoge-resolutie visuele invoeren te zien en te begrijpen, waarbij het 83,2 op InfoVQA en 34,5 op ScreenSpot-Pro behaalt, terwijl het de rekenkosten voor veelvoorkomende taken laag houdt. Gebaseerd op Kimi-VL introduceren we een geavanceerde lang-denken variant: Kimi-VL-Thinking. Dit model, ontwikkeld door middel van lange chain-of-thought (CoT) supervised fine-tuning (SFT) en reinforcement learning (RL), vertoont sterke langetermijnredeneervaardigheden. Het behaalt scores van 61,7 op MMMU, 36,8 op MathVision en 71,3 op MathVista, terwijl het de compacte 2,8B geactiveerde LLM-parameters behoudt, waarmee het een nieuwe standaard zet voor efficiënte multimodale denkmodellen. Code en modellen zijn publiek toegankelijk op https://github.com/MoonshotAI/Kimi-VL.

English

We present Kimi-VL, an efficient open-source Mixture-of-Experts (MoE) vision-language model (VLM) that offers advanced multimodal reasoning, long-context understanding, and strong agent capabilities - all while activating only 2.8B parameters in its language decoder (Kimi-VL-A3B). Kimi-VL demonstrates strong performance across challenging domains: as a general-purpose VLM, Kimi-VL excels in multi-turn agent tasks (e.g., OSWorld), matching flagship models. Furthermore, it exhibits remarkable capabilities across diverse challenging vision language tasks, including college-level image and video comprehension, OCR, mathematical reasoning, and multi-image understanding. In comparative evaluations, it effectively competes with cutting-edge efficient VLMs such as GPT-4o-mini, Qwen2.5-VL-7B, and Gemma-3-12B-IT, while surpassing GPT-4o in several key domains. Kimi-VL also advances in processing long contexts and perceiving clearly. With a 128K extended context window, Kimi-VL can process diverse long inputs, achieving impressive scores of 64.5 on LongVideoBench and 35.1 on MMLongBench-Doc. Its native-resolution vision encoder, MoonViT, further allows it to see and understand ultra-high-resolution visual inputs, achieving 83.2 on InfoVQA and 34.5 on ScreenSpot-Pro, while maintaining lower computational cost for common tasks. Building upon Kimi-VL, we introduce an advanced long-thinking variant: Kimi-VL-Thinking. Developed through long chain-of-thought (CoT) supervised fine-tuning (SFT) and reinforcement learning (RL), this model exhibits strong long-horizon reasoning capabilities. It achieves scores of 61.7 on MMMU, 36.8 on MathVision, and 71.3 on MathVista while maintaining the compact 2.8B activated LLM parameters, setting a new standard for efficient multimodal thinking models. Code and models are publicly accessible at https://github.com/MoonshotAI/Kimi-VL.