近日，国内知名大模型平台 “月之暗面” 正式发布了其开源的多模态模型 Kimi-VL-A3B-Thinking 的最新版本 ——Kimi-2506。这一版本的发布标志着智能体和视觉理解技术的重大进步。
Kimi-2506的开源地址为 [此处插入链接]，而在线演示可在 [此处插入链接] 进行体验。在性能方面，Kimi-2506展现出了更为出色的智能性和节省 token 的能力。在多模态推理的基准测试中，该模型在 MathVision 上取得了56.9的分数，比之前提升了20.1;在 MathVista 上达到了80.1，提升幅度为8.4。其他如 MMMU-Pro 和 MMMU 的得分也有所上升，整体思考长度平均减少了20%，进一步提升了推理效率。
在视觉理解方面，Kimi-2506的能力显著增强，与之前版本相比，其在常规视觉感知任务上的表现也更为优越。例如，在 MMBench-EN-v1.1和 MMStar 的得分分别为84.4和70.4，显示出更全面的视觉理解实力。此外，Kimi-2506支持更高分辨率的图像处理，单张图像的总像素达到320万，相较前一版本提升了四倍。这使得模型在高分辨率感知任务中也取得了可喜的进展。
在应用领域，Kimi-2506在图像理解、图表推理、数学计算、OS 智能体接地、长 PDF 理解和视频分析等多个方面展现了出色的表现。它能够准确识别猫的品种、分析图表中的语义标签、解决数字填空题，并能有效处理长文档的内容。模型还能够将视频拆分为多个场景并提供详细描述。
Kimi-VL-A3B-Thinking 模型由三个主要部分组成:MoonViT 视觉编码器、MLP 投影器和语言模型。MoonViT 能够直接处理不同分辨率的图像，提升了训练效率。MLP 投影器则起到了视觉特征与语言模型之间的桥梁作用，确保了两者的有效结合。而 Kimi 的语言模型则基于 Moonlight，经过大规模的多模态数据和纯文本数据的联合预训练，增强了模型的语言能力与多模态理解能力。
优化方面，Kimi-VL 还采用了增强版的 Muon 优化器，通过引入权重衰减和分布式实现，进一步提高了训练效果与内存使用效率，为模型的性能优化提供了强有力的支持。
开源地址:https://huggingface.co/moonshotai/Kimi-VL-A3B-Thinking-2506
在线demo:https://huggingface.co/spaces/moonshotai/Kimi-VL-A3B-Thinking
划重点:
🌟 Kimi-2506版本的多模态模型在推理效率和视觉理解能力上均有显著提升。
🖼️ 新版本支持更高分辨率图像处理，单张图像总像素提升至320万。
🧠 模型在多个应用领域表现出色，涵盖图像理解、数学计算和视频分析等功能。