智东西

作者 | 李水青

编辑 | 心缘

智东西 6 月 23 日报道，月之暗面今日开源多模态模型 Kimi-VL-A3B-Thinking-2506，这是其首个开源多模态推理模型 Kimi-VL-A3B-Thinking 发布两个月后的更新版本，可凭借 2.8B 激活参数（16B 总参数）在多项测评中超越 GPT-4o、Qwen2.5-VL-7B 等模型。

Hugging Face 截图

开源地址：

https://huggingface.co/moonshotai/Kimi-VL-A3B-Thinking-2506

与之前的版本相比，2506 版本提供了多项全新或改进的功能：

1、它在消耗更少 tokens 的同时思考得更聪明：2506 版本在多模态推理基准上达到了更好的准确率：MathVision 上得分为 56.9（+20.1），MathVista 上为 80.1（+8.4），MMMU-Pro 上为 46.3（+3.2），MMMU 上为 64.0（+2.1），而平均需要减少 20% 的思考长度。

2、思考过程更清楚可见：与之前的思考版本不同，2506 版本在一般的视觉感知和理解上也能达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、扩展至视频场景：2506 版本在视频推理和理解基准方面也有显著提升。它在 VideoMMMU 上为开源模型刷新记录（65.2），同时在通用视频理解方面也保持了良好的性能，在 Video-MME 上达到 71.9，与 Kimi-VL-A3B-Instruct 相当。

4、分辨率进一步提升：2506 版本支持单张图像 320 万像素（1792×1792），比上一版本提升了 4 倍。这在高分辨率感知和 OS-agent 基准测试中带来了显著提升：在 V* Benchmark（未使用额外工具）上得分为 83.2，在 ScreenSpot-Pro 上得分为 52.8，在 OSWorld-G 上得分为 52.5。

具体来看，与业界顶尖模型和 Kimi-VL 的两个先前版本的比较，2506 版本测试性能明显提升 :

在通用多模态方面，2506 版本在 MMBench-EN-v1.1（Acc）、OCRBench（Acc）、MMStar（Acc）、MMVet（Acc）多项测评的得分超过 OpenAI 的 GPT-4o。

在推理能力方面，2506 版本在 MMMU（val，Pass@1）、MMMU-Pro（Pass@1）上的测试成绩超过 Qwen2.5-VL-7B、Gemma3-12B-IT，不如 GPT-4o，但差距有所缩小。

在数学能力方面，2506 版本在 MATH-Vision（Pass@1）、MathVista_MINI（Pass@1）中得分大超 GPT-4o。

在视频能力方面，2506 版本在 VideoMMMU（Pass@1）、MMVU（Pass@1）、Video-MME（w/sub.）多项测评中超过 Qwen2.5-VL-7B、Gemma3-12B-IT，与 GPT-4o 的差距缩小。

在 Agent 落地方面，2506 版本在 ScreenSpot-Pro（Acc）、ScreenSpot-V2（Acc）、OSWorld-G（Acc）测试中得分都超越 Qwen2.5-VL-7B。

在长文本方面，2506 版本在 MMLongBench-DOC（Acc）测试中超越 Qwen2.5-VL-7B，与 GPT-4o 接近。

如下图所示，与 30-70B 的开源模型对比，2506 版本的大部分测试已经超越 Qwen2.5-VL-32B、Gemma3-27B-IT，看齐 Qwen2.5-VL-72B。