Kimi-VL-A3B-Thinking-2506 正式上线：更强推理、更高分辨率、支持视频理解

两个月前，月之暗面推出了首个开源多模态推理模型 Kimi-VL-A3B-Thinking，如今他们正式推出其升级版本 Kimi-VL-A3B-Thinking-2506。

• 模型：https://huggingface.co/moonshotai/Kimi-VL-A3B-Thinking-2506
• Demo：https://huggingface.co/spaces/moonshotai/Kimi-VL-A3B-Thinking

相比初代版本，新版本在多个方面进行了显著改进：

• 更智能的推理能力
• 更低的 token 消耗
• 更强的视觉感知表现
• 支持高分辨率图像与视频理解

下面我们就来详细看看这次更新带来了哪些亮点。

更聪明的思考，更低的使用成本

Kimi-VL-A3B-Thinking-2506 在多个权威多模态推理基准测试中取得了显著提升：

值得一提的是，平均思考长度减少了约 20%，这意味着在获得更强推理能力的同时，也显著降低了模型调用的成本。

更强视觉感知能力

不同于上一版本主要聚焦于“思考”任务，2506 版本在通用视觉理解和感知方面也表现出色，甚至超过了我们此前的非思考型模型（Kimi-VL-A3B-Instruct）。

以下是部分视觉理解任务的测试结果：

这些成绩表明，新版本不仅“会思考”，还“看得更清楚”。

🎥 扩展至视频理解场景

随着多模态模型的发展，视频理解成为新的重要方向。2506 版本在视频推理和理解方面也有显著进步，尤其在以下两个关键指标中表现突出：

这一进展为未来在教育、影视分析、自动化内容生成等领域的应用打下了坚实基础。

支持更高分辨率图像输入

为了让模型更好地理解复杂图像内容，2506 版本现已支持高达 320 万像素（1792x1792）的单张图像输入，是前一版本的 4 倍。

这使得它在高分辨率感知和操作系统代理定位等任务中表现优异：

这一升级将大幅提升模型在文档识别、界面操作、图像细节理解等场景下的实用性。