跳至内容
月之暗面开源Kimi-VL-A3B-Thinking-2506。
智东西6月23日报道，月之暗面今日开源多模态模型Kimi-VL-A3B-Thinking-2506，这是其首个开源多模态推理模型Kimi-VL-A3B-Thinking发布两个月后的更新版本，可凭借2.8B激活参数（16B总参数）在多项测评中超越GPT-4o、Qwen2.5-VL-7B等模型。
▲Hugging Face截图
https://huggingface.co/moonshotai/Kimi-VL-A3B-Thinking-2506
与之前的版本相比，2506版本提供了多项全新或改进的功能：
1、它在消耗更少tokens的同时思考得更聪明：2506版本在多模态推理基准上达到了更好的准确率：MathVision上得分为56.9（+20.1），MathVista上为80.1（+8.4），MMMU-Pro上为46.3（+3.2），MMMU上为64.0（+2.1），而平均需要减少20%的思考长度。
2、思考过程更清楚可见：与之前的思考版本不同，2506版本在一般的视觉感知和理解上也能达到相同甚至更好的能力，例如MMBench-EN-v1.1（84.4）、MMStar（70.4）、RealWorldQA（70.0）、MMVet（78.4），超越或匹配其非思考模型（Kimi-VL-A3B-Instruct）的能力。
3、扩展至视频场景：2506版本在视频推理和理解基准方面也有显著提升。它在VideoMMMU上为开源模型刷新记录（65.2），同时在通用视频理解方面也保持了良好的性能，在Video-MME上达到71.9，与Kimi-VL-A3B-Instruct相当。
4、分辨率进一步提升：2506版本支持单张图像320万像素（1792×1792），比上一版本提升了4倍。这在高分辨率感知和OS-agent基准测试中带来了显著提升：在V* Benchmark（未使用额外工具）上得分为83.2，在ScreenSpot-Pro上得分为52.8，在OSWorld-G上得分为52.5。
具体来看，与业界顶尖模型和Kimi-VL的两个先前版本的比较，2506版本测试性能明显提升:
在通用多模态方面，2506版本在MMBench-EN-v1.1（Acc）、OCRBench（Acc）、MMStar（Acc）、MMVet（Acc）多项测评的得分超过OpenAI的GPT-4o。
在推理能力方面，2506版本在MMMU（val，Pass@1）、MMMU-Pro（Pass@1）上的测试成绩超过Qwen2.5-VL-7B、Gemma3-12B-IT，不如GPT-4o，但差距有所缩小。
在数学能力方面，2506版本在MATH-Vision（Pass@1）、MathVista_MINI（Pass@1）中得分大超GPT-4o。
在视频能力方面，2506版本在VideoMMMU（Pass@1）、MMVU（Pass@1）、Video-MME（w/sub.）多项测评中超过Qwen2.5-VL-7B、Gemma3-12B-IT，与GPT-4o的差距缩小。
在Agent落地方面，2506版本在ScreenSpot-Pro（Acc）、ScreenSpot-V2（Acc）、OSWorld-G（Acc）测试中得分都超越Qwen2.5-VL-7B。
在长文本方面，2506版本在MMLongBench-DOC（Acc）测试中超越Qwen2.5-VL-7B，与GPT-4o接近。
如下图所示，与30-70B的开源模型对比，2506版本的大部分测试已经超越Qwen2.5-VL-32B、Gemma3-27B-IT，看齐Qwen2.5-VL-72B。
（文：智东西）
