Modelleinordnung
Kimi-VL-A3B-Thinking-2506 ist ein multimodales visuelles Sprachmodell für Schlussfolgerungsaufgaben aus der Kimi-VL-Reihe, das auf Bildverständnis, lange Kontexte und Agentenaufgaben ausgerichtet ist. Es verwendet ein Mixture-of-Experts-Sprachmodell (MoE), den visuellen Encoder MoonViT mit nativer Auflösung und einen Projektor; offiziell werden insgesamt rund 16B Parameter angegeben, von denen pro Durchlauf etwa 3B aktiviert werden. Das Kontextfenster umfasst 128K Tokens. (github.com)
Fähigkeiten und Einsatzgebiete
- Visuelles Verständnis und Schlussfolgern: Kann für Fragen und Antworten zu Bildern, Diagrammverständnis, mathematisches Schlussfolgern, Texterkennung und die Analyse hochauflösender Bilder eingesetzt werden. Laut offizieller Angabe werden pro Bild etwa 3,2 Millionen Pixel unterstützt, beispielsweise 1792×1792. (huggingface.co)
- Lange Dokumente und Videos: Kann zum Verständnis langer PDF-Dokumente und von Videoinhalten sowie für Schlussfolgerungen zu Videos eingesetzt werden; für die praktische Nutzung müssen Dokumentseiten oder Videoframes entsprechend der Bereitstellungslösung vorbereitet werden. (huggingface.co)
- Agenten: Kann Screenshots von Betriebssystemoberflächen analysieren und bei der Lokalisierung von Oberflächenelementen sowie beim Erstellen von Handlungsvorschlägen unterstützen; die tatsächliche Ausführung von Aktionen erfordert einen ergänzenden Agenten oder entsprechende Werkzeuge. (huggingface.co)
- Bereitstellung: Die Modellgewichte wurden offiziell veröffentlicht, die Modellseite nennt die MIT-Lizenz und enthält Nutzungsbeispiele unter anderem für Transformers und vLLM. (huggingface.co)
Einschränkungen und Hinweise
Das Modell kann fehlerhafte Erkennungen, Schlussfolgerungen oder Handlungsvorschläge erzeugen; wichtige Ergebnisse sollten manuell überprüft werden. Lange Denkausgaben und hochauflösende visuelle Eingaben erhöhen den Ressourcenbedarf für die Inferenz; das offizielle Beispiel legt für allgemeine Denkaufgaben höchstens 32.768 Ausgabe-Tokens fest. Die konkret verfügbare Länge und Leistung hängen von der Bereitstellungskonfiguration ab. Offiziell wird empfohlen, die Temperatur für allgemeine Denkaufgaben auf 0,8 und für Aufgaben zur Lokalisierung auf Benutzeroberflächen zur Erhöhung der Stabilität auf 0,2 zu setzen. (huggingface.co)
Preise
Stand 2026-11-18 wurden die offizielle inländische Preisseite und die offizielle internationale Preisseite geprüft. Ein offizieller Preis für die gehostete API dieses Modells in Renminbi (CNY) oder US-Dollar (USD) konnte nicht verifiziert werden; weder die Preise pro Einheit für Eingaben noch für Ausgaben wurden verifiziert und sie können nicht aus den Preisen anderer Modelle abgeleitet werden. Bei eigener Bereitstellung der Modellgewichte hängen unter anderem die Rechenkosten von der Bereitstellungsumgebung ab. (platform.kimi.com)
Veröffentlichungsdatum und offizielle Quellen
- Veröffentlichungsdatum: 2025-06-21. (github.com)
- Offizielle GitHub-Ankündigung und Projekt
- Offizielle Modellseite
- Offizieller technischer Blog und Nutzungsbeispiele