智東西（公眾號：zhidxcom）
作者 | 李水青
編輯 | 心緣
智東西6月23日報道，月之暗面今日開源多模態(tài)模型Kimi-VL-A3B-Thinking-2506，這是其首個開源多模態(tài)推理模型Kimi-VL-A3B-Thinking發(fā)布兩個月后的更新版本，可憑借2.8B激活參數(shù)（16B總參數(shù)）在多項測評中超越GPT-4o、Qwen2.5-VL-7B等模型。
▲Hugging Face截圖
開源地址：https://huggingface.co/moonshotai/Kimi-VL-A3B-Thinking-2506
與之前的版本相比，2506版本提供了多項全新或改進(jìn)的功能：
1、它在消耗更少tokens的同時思考得更聰明：2506版本在多模態(tài)推理基準(zhǔn)上達(dá)到了更好的準(zhǔn)確率：MathVision上得分為56.9（+20.1），MathVista上為80.1（+8.4），MMMU-Pro上為46.3（+3.2），MMMU上為64.0（+2.1），而平均需要減少20%的思考長度。
2、思考過程更清楚可見：與之前的思考版本不同，2506版本在一般的視覺感知和理解上也能達(dá)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、擴(kuò)展至視頻場景：2506版本在視頻推理和理解基準(zhǔn)方面也有顯著提升。它在VideoMMMU上為開源模型刷新記錄（65.2），同時在通用視頻理解方面也保持了良好的性能，在Video-MME上達(dá)到71.9，與Kimi-VL-A3B-Instruct相當(dāng)。
4、分辨率進(jìn)一步提升：2506版本支持單張圖像320萬像素（1792×1792），比上一版本提升了4倍。這在高分辨率感知和OS-agent基準(zhǔn)測試中帶來了顯著提升：在V* Benchmark（未使用額外工具）上得分為83.2，在ScreenSpot-Pro上得分為52.8，在OSWorld-G上得分為52.5。
具體來看，與業(yè)界頂尖模型和Kimi-VL的兩個先前版本的比較，2506版本測試性能明顯提升:
在通用多模態(tài)方面，2506版本在MMBench-EN-v1.1（Acc）、OCRBench（Acc）、MMStar（Acc）、MMVet（Acc）多項測評的得分超過OpenAI的GPT-4o。
在推理能力方面，2506版本在MMMU（val，Pass@1）、MMMU-Pro（Pass@1）上的測試成績超過Qwen2.5-VL-7B、Gemma3-12B-IT，不如GPT-4o，但差距有所縮小。
在數(shù)學(xué)能力方面，2506版本在MATH-Vision（Pass@1）、MathVista_MINI（Pass@1）中得分大超GPT-4o。
在視頻能力方面，2506版本在VideoMMMU（Pass@1）、MMVU（Pass@1）、Video-MME（w/sub.）多項測評中超過Qwen2.5-VL-7B、Gemma3-12B-IT，與GPT-4o的差距縮小。
在Agent落地方面，2506版本在ScreenSpot-Pro（Acc）、ScreenSpot-V2（Acc）、OSWorld-G（Acc）測試中得分都超越Qwen2.5-VL-7B。
在長文本方面，2506版本在MMLongBench-DOC（Acc）測試中超越Qwen2.5-VL-7B，與GPT-4o接近。
如下圖所示，與30-70B的開源模型對比，2506版本的大部分測試已經(jīng)超越Qwen2.5-VL-32B、Gemma3-27B-IT，看齊Qwen2.5-VL-72B。
來源：Hugging Face
