Технический отчет Kimi-VL

Kimi-VL Technical Report

April 10, 2025

Авторы: 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

Аннотация

Мы представляем Kimi-VL, эффективную модель с открытым исходным кодом, основанную на архитектуре Mixture-of-Experts (MoE) для обработки визуально-языковых данных (VLM). Эта модель предлагает продвинутые возможности мультимодального мышления, понимания длинных контекстов и мощные агентские функции, активируя при этом всего 2,8 миллиарда параметров в языковом декодере (Kimi-VL-A3B). Kimi-VL демонстрирует высокую производительность в сложных областях: как универсальная VLM, она превосходно справляется с многошаговыми агентскими задачами (например, OSWorld), сопоставимыми с флагманскими моделями. Кроме того, она показывает выдающиеся способности в разнообразных сложных задачах, связанных с обработкой визуально-языковых данных, включая понимание изображений и видео на уровне колледжа, OCR, математическое мышление и анализ множественных изображений. В сравнительных оценках Kimi-VL эффективно конкурирует с передовыми эффективными VLMs, такими как GPT-4o-mini, Qwen2.5-VL-7B и Gemma-3-12B-IT, превосходя GPT-4o в нескольких ключевых областях. Kimi-VL также продвигается в обработке длинных контекстов и четком восприятии. С расширенным контекстным окном в 128K, модель способна обрабатывать разнообразные длинные входные данные, достигая впечатляющих показателей 64,5 на LongVideoBench и 35,1 на MMLongBench-Doc. Ее встроенный кодировщик изображений с нативным разрешением, MoonViT, позволяет модели видеть и понимать сверхвысококачественные визуальные данные, достигая 83,2 на InfoVQA и 34,5 на ScreenSpot-Pro, при этом сохраняя низкие вычислительные затраты для стандартных задач. На основе Kimi-VL мы представляем усовершенствованную версию для длительного мышления: Kimi-VL-Thinking. Эта модель, разработанная с использованием длинных цепочек рассуждений (CoT) под контролируемой тонкой настройкой (SFT) и обучения с подкреплением (RL), демонстрирует мощные способности к долгосрочному мышлению. Она достигает показателей 61,7 на MMMU, 36,8 на MathVision и 71,3 на MathVista, сохраняя компактные 2,8 миллиарда активированных параметров LLM, устанавливая новый стандарт для эффективных мультимодальных моделей мышления. Код и модели доступны публично по адресу 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.