Positionnement du modèle
Kimi-VL-A3B-Thinking-2506 est un modèle multimodal de raisonnement visuel et linguistique de la série Kimi-VL, destiné à la compréhension d’images, aux contextes longs et aux tâches d’agent. Il utilise un modèle de langage à mélange d’experts (MoE), l’encodeur visuel à résolution native MoonViT et un projecteur ; selon les chiffres officiels, il compte environ 16B de paramètres au total, dont environ 3B sont activés à chaque utilisation, et sa fenêtre de contexte est de 128K tokens. (github.com)
Capacités et usages
- Compréhension et raisonnement visuels : peut être utilisé pour les questions-réponses sur des images, la compréhension de graphiques, le raisonnement mathématique, la reconnaissance de texte et l’analyse d’images haute résolution. Selon les informations officielles, une image peut contenir environ 3,2 millions de pixels, par exemple 1792×1792. (huggingface.co)
- Documents longs et vidéos : peut être utilisé pour la compréhension de longs PDF, la compréhension de contenus vidéo et le raisonnement sur des vidéos ; en pratique, les pages de documents ou les images vidéo doivent être préparées selon la solution de déploiement. (huggingface.co)
- Agents : peut analyser des captures d’écran d’interfaces de systèmes d’exploitation pour aider à localiser les éléments d’interface et à générer des suggestions d’action ; l’exécution effective des actions nécessite un agent ou des outils adaptés. (huggingface.co)
- Déploiement : les poids du modèle ont été publiés officiellement ; la page du modèle indique une licence MIT et fournit des exemples d’utilisation avec Transformers et vLLM, entre autres. (huggingface.co)
Limites et précautions
Le modèle peut produire des résultats de reconnaissance, des raisonnements ou des suggestions d’action erronés ; les résultats importants doivent être vérifiés par une personne. Les sorties de raisonnement longues et les entrées visuelles haute résolution augmentent les besoins en ressources d’inférence ; l’exemple officiel fixe un maximum de 32 768 tokens de sortie pour les tâches générales de raisonnement, et la longueur disponible ainsi que les performances dépendent de la configuration de déploiement. Les recommandations officielles préconisent une température de 0,8 pour les tâches générales de raisonnement et de 0,2 pour les tâches de localisation d’éléments d’interface, afin d’améliorer la stabilité. (huggingface.co)
Prix
Au 2026-11-18, les tarifs officiels nationaux et les tarifs officiels internationaux ont été consultés, mais il n’a pas été possible de vérifier les tarifs en renminbi (CNY) ou en dollars américains (USD) de l’API hébergée officiellement pour ce modèle. Les tarifs unitaires de facturation des entrées et des sorties n’ont pas été vérifiés et ne peuvent pas être déduits des prix d’autres modèles. Les coûts de calcul et autres liés au déploiement autonome des poids dépendent de l’environnement de déploiement. (platform.kimi.com)
Date de publication et sources officielles
- Date de publication : 2025-06-21. (github.com)
- Annonce et projet officiels sur GitHub
- Page officielle du modèle
- Blog technique officiel et exemples d’utilisation