刚刚，Kimi团队上新了！

开源轻量级视觉语言模型Kimi-VL及其推理版Kimi-VL-Thinking，多模态和推理双双拿捏。

按照Kimi官方的说法，其关键亮点如下：

如图所示，和Qwen2.5-VL、Gemma-3等前沿开源VLM相比，Kimi-VL-Thinking仅使用2.8B激活参数即可实现强大的多模态推理。

同时在一些重要基准测试中，Kimi新模型“以小博大”，超越了GPT-4o等规模更大的模型。

目前两款模型均已上架Hugging Face，分为Instruct基础版和Thinking推理版。

网友们纷纷表示，新的标杆再次诞生！

多模态和推理双双拿捏

话不多说，我们直接看Kimi新模型的具体玩法和效果。

视觉理解与推理

首先，作为一款通用的VLM模型，Kimi-VL具备强大的视觉理解和推理能力。

给它一份手稿，要求它通过逐步推理来确认手稿属于谁，以及所记录的内容。

可以看到，Kimi-VL通过分析手稿的笔迹、内容、语言等特征，推断出手稿可能属于爱因斯坦，理由是这些内容与引力场方程有关，这与爱因斯坦对广义相对论的贡献有关。

又或者只提供一张图片，让Kimi-VL来判断城市地标建筑、识别游戏场景等。

比如第2个例子中，它成功识别出图片中的穹顶建筑为多伦多的罗杰斯中心（Rogers Centre），同时描述了其特征和用途。

除此之外，Kimi-VL也能被用来解答高难度几何数学题。

还是仅需一个上传图片的动作，它就能将复杂数学公式转换为LaTeX代码，并以正确格式输出。

OCR与文本处理

当然，Kimi-VL对多模态数据的正确理解还离不开一项关键能力——OCR字符识别。

在OCRBench基准测试中，其得分为867，属于SOTA水平。

除了识别数学公式，它还能识别金融表格（以Markdown表格格式输出）和手写作文。

甚至还能从长达一小时的视频课程中捕捉和理解关键细节。

比如提供视频中的某句话“授人以鱼不如授人以渔”，要求它找到出处并进一步解读。

智能体任务与交互

值得关注的是，Kimi-VL还在多轮Agent交互任务（例如OSWorld）中表现出色，取得了媲美旗舰模型的SOTA结果。

比如在Chrome浏览器中，要求它自动启用“Do Not Track”功能来保护用户隐私。

可以看到，通过一步步思考，Kimi-VL对每个屏幕进行解读，识别相关的用户界面元素，并通过清晰的思路、操作和API调用按顺序执行相应的操作。

背后技术原理

那么接下来的问题是，怎么做到的？

来看Kimi此次公开的技术报告。

首先，在模型架构上，Kimi-VL和Kimi-VL-Thinking主要由三大部分构成：

模型具体训练过程如下：

数据准备

这第一步，团队构建了三大类别数据集：

1、预训练数据。精选来自六个类别的高质量数据，包括字幕数据、图像文本交织数据、OCR数据、知识数据、视频数据和智能体数据。通过过滤、合成和去重等操作，控制数据质量。

2、指令数据。用于增强模型的对话和指令遵循能力。对于非推理任务，通过人工标注构建种子数据集，训练种子模型后生成并筛选多轮响应；对于推理任务，利用拒绝采样的方式扩展数据集，确保数据多样性和准确性。

3、推理数据。通过类似拒绝采样和提示工程的方法，收集和合成高质量的长思维链数据。

预训练：主要提升多模态能力

然后开始预训练，这一阶段共消耗4.4T tokens，主要目标是提高模型的多模态理解能力。

概括而言，这一过程包含4个步骤：先独立进行ViT训练，以建立原生分辨率视觉编码器；随后进行三个联合训练阶段（预训练、冷却、长上下文激活）。

后训练：主要提升长思维链推理能力

接着进行后训练，通过在32K和128K上下文中进行的两个阶段的联合监督微调、长思维链监督微调及强化学习，团队进一步提升了模型的长期思考能力。

更多细节感兴趣可以查阅原论文。

One More Thing

有一说一，相比于DeepSeek、Qwen等国内竞争对手，Kimi最近一个月实在有点过于安静了。

从官方公众号来看，最新一条发布还是在2月份。

在这股平静之下，网友们开始猜测：

结合更多消息，目前大家比较认可的推测是K1.6模型即将到来。

就在3月，基于Kimi-K1.6的数学模型突然曝光，在编程基准测试LiveCodeBench中拿下第一，超越o3、DeepSeek-R1等模型。

当然，也欢迎更多知情者在评论区爆料(doge)。