Kimi-VL

Kimi-VLはMoonshot AIが2025年4月に公開したオープンウェイト視覚言語モデルです。総パラメータ数160億のMixture of Experts構成ですが、言語デコーダーで有効化されるのは約28億に限られ、性能に対して推論コストを抑えています。言語デコーダーにMoonViTを組み合わせています。これは画像を先に縮小せず、超高解像度の画像をネイティブ解像度で読み取る視覚エンコーダーです。長文書や動画向けに128,000トークンのコンテキスト長にも対応します。画面を操作するOSWorldなどのエージェント型タスクに加え、OCR、画像を使った数学的推論、複数画像の比較を想定しています。Moonshotは、長い推論を行うよう思考過程データで強化学習したKimi-VL-Thinking版も公開しました。