モデルの位置付け
Kimi-VL-A3B-Instruct は効率的な推論を目的とした視覚言語指示モデルで、混合エキスパート(MoE)言語モデル、ネイティブ解像度の視覚エンコーダー MoonViT、および投影層を採用しています。公式に記載された総パラメータ数は約 160 億、活性化パラメータ数は約 30 億、コンテキストウィンドウは 128K です。(huggingface.co)
能力と用途
モデルはテキストと視覚情報を組み合わせてマルチモーダル理解を行うことができ、画像に関する質問応答、複数画像の理解、OCR、長文文書や動画コンテンツの理解、およびオペレーティングシステムのインターフェースなどを対象とするエージェントの利用場面に適しています。動画を利用する際の具体的な入力処理方法は、デプロイ時の実装によって異なります。(huggingface.co)
制限とデプロイ
- より複雑なテキストまたはマルチモーダル推論タスクについては、公式は同シリーズの Thinking バージョンを検討することを推奨しています。このバージョンの能力や評価結果を、そのまま本モデルの結果と見なすことはできません。(huggingface.co)
- モデルの出力には誤りが生じる可能性があり、OCR、視覚認識、エージェント操作の結果は、用途のリスクに応じて検証する必要があります。
- 公式モデルリポジトリでは重みが提供されており、モデルカードには MIT ライセンスと記載されています。自らデプロイする場合は、計算、ストレージ、運用・保守のコストを負担する必要があります。(huggingface.co)
価格
2026-11-18 時点で、国内および国際向けの公式プラットフォームを確認しましたが、いずれにおいても Kimi-VL-A3B-Instruct に専用で適用されるホスト型 API の入力または出力価格は確認できませんでした。他の Kimi モデルの人民元または米ドル建て価格を本モデルに適用することはできず、これを根拠に公式が本モデルのホスト型サービスを提供している、または提供していないと判断することもできません。(platform.kimi.com)
公開日と公式情報源
- 公開日:2025-04-09;公式モデルリポジトリのコミット履歴には、同日に初回コミットとアップロードの記録があります。(huggingface.co)
- 公式モデルカード
- 公式コミット履歴
- 公式プロジェクトリポジトリ
- 国内向け公式価格ページ;国際向け公式価格ページ