Relatório Técnico Kimi-VL

Kimi-VL Technical Report

April 10, 2025

Autores: 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

Resumo

Apresentamos o Kimi-VL, um eficiente modelo de linguagem visual (VLM) de Mistura de Especialistas (MoE) de código aberto que oferece raciocínio multimodal avançado, compreensão de contexto longo e capacidades robustas de agente - tudo isso ativando apenas 2,8 bilhões de parâmetros em seu decodificador de linguagem (Kimi-VL-A3B). O Kimi-VL demonstra um desempenho forte em domínios desafiadores: como um VLM de propósito geral, ele se destaca em tarefas de agente de múltiplas interações (por exemplo, OSWorld), equiparando-se a modelos líderes. Além disso, ele exibe capacidades notáveis em diversas tarefas desafiadoras de linguagem visual, incluindo compreensão de imagens e vídeos de nível universitário, OCR, raciocínio matemático e compreensão de múltiplas imagens. Em avaliações comparativas, ele compete efetivamente com VLMs eficientes de ponta, como GPT-4o-mini, Qwen2.5-VL-7B e Gemma-3-12B-IT, enquanto supera o GPT-4o em vários domínios-chave. O Kimi-VL também avança no processamento de contextos longos e na percepção clara. Com uma janela de contexto estendida de 128K, o Kimi-VL pode processar diversas entradas longas, alcançando pontuações impressionantes de 64,5 no LongVideoBench e 35,1 no MMLongBench-Doc. Seu codificador visual de resolução nativa, MoonViT, permite ainda que ele veja e compreenda entradas visuais de ultra-alta resolução, alcançando 83,2 no InfoVQA e 34,5 no ScreenSpot-Pro, enquanto mantém um custo computacional mais baixo para tarefas comuns. Baseado no Kimi-VL, introduzimos uma variante avançada de pensamento longo: o Kimi-VL-Thinking. Desenvolvido por meio de ajuste fino supervisionado (SFT) de cadeia de pensamento (CoT) longo e aprendizado por reforço (RL), este modelo exibe fortes capacidades de raciocínio de longo horizonte. Ele alcança pontuações de 61,7 no MMMU, 36,8 no MathVision e 71,3 no MathVista, mantendo os compactos 2,8 bilhões de parâmetros ativados do LLM, estabelecendo um novo padrão para modelos eficientes de pensamento multimodal. Código e modelos estão publicamente acessíveis em 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.