Rapporto Tecnico Kimi-VL

Kimi-VL Technical Report

April 10, 2025

Autori: 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

Abstract

Presentiamo Kimi-VL, un efficiente modello visione-linguaggio (VLM) open-source basato su Mixture-of-Experts (MoE) che offre avanzate capacità di ragionamento multimodale, comprensione di contesti lunghi e solide abilità di agente, attivando solo 2,8 miliardi di parametri nel suo decodificatore linguistico (Kimi-VL-A3B). Kimi-VL dimostra prestazioni eccellenti in domini impegnativi: come VLM generico, eccelle in compiti di agente multi-turn (ad esempio, OSWorld), competendo con modelli di punta. Inoltre, mostra capacità notevoli in una vasta gamma di compiti visione-linguaggio complessi, tra cui comprensione di immagini e video a livello universitario, OCR, ragionamento matematico e comprensione multi-immagine. In valutazioni comparative, compete efficacemente con VLMs efficienti all'avanguardia come GPT-4o-mini, Qwen2.5-VL-7B e Gemma-3-12B-IT, superando GPT-4o in diversi domini chiave. Kimi-VL avanza anche nell'elaborazione di contesti lunghi e nella percezione chiara. Con una finestra di contesto estesa a 128K, Kimi-VL può elaborare input lunghi e diversificati, ottenendo punteggi impressionanti di 64,5 su LongVideoBench e 35,1 su MMLongBench-Doc. Il suo encoder visivo a risoluzione nativa, MoonViT, gli consente inoltre di vedere e comprendere input visivi ad altissima risoluzione, raggiungendo 83,2 su InfoVQA e 34,5 su ScreenSpot-Pro, mantenendo al contempo un costo computazionale inferiore per compiti comuni. Basandoci su Kimi-VL, introduciamo una variante avanzata per il ragionamento lungo: Kimi-VL-Thinking. Sviluppato attraverso un fine-tuning supervisionato (SFT) a catena di pensiero (CoT) lungo e apprendimento per rinforzo (RL), questo modello mostra forti capacità di ragionamento a lungo termine. Ottiene punteggi di 61,7 su MMMU, 36,8 su MathVision e 71,3 su MathVista, mantenendo i compatti 2,8 miliardi di parametri LLM attivati, stabilendo un nuovo standard per i modelli di pensiero multimodale efficienti. Codice e modelli sono accessibili pubblicamente all'indirizzo 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.