I. はじめに

最近だ。ムーンショットAIは、最新世代のマルチモーダル・マクロモデルを正式に発表した。 キミVL A3Bこれはミックスド・エキスパート（MoE）アーキテクチャに基づく軽量モデルで、総パラメータは16Bだが、推論に必要なアクティベーションはわずか2.8Bである。 128K エクストラロングコンテキストウィンドウそしてマルチモーダル推理能力.さらにエキサイティングなことに、このモデルはルーズである。MITライセンスで公開これは、その技術的な飛躍を際立たせるだけでなく、研究と応用に無限の可能性を与えるものでもある。本稿では、キミVL A3Bの核となる特徴とその潜在的価値について掘り下げていく。

II.技術的ハイライト：小さなモデル、大きな能力

1.MoEアーキテクチャと軽量設計

Kimi VL A3Bは、異なるエキスパート・サブネットワークにタスクを動的に割り当てることで計算効率を大幅に向上させるMixed Expert（MoE）アーキテクチャを採用しています。総パラメータが16Bであるにもかかわらず、推論中にアクティブになるのは2.8Bのみで、パフォーマンスを維持しながらメモリフットプリントと推論コストを大幅に削減することができます。例えば、MathVista Mathematical Reasoning Benchmarkにおいて、KimiVL A3Bは2.8Bのアクティブパラメータで68.7%の精度を達成し、より大きなパラメータサイズを持つGPT-4o（68.5%）を凌駕しています。

2. 128K コンテキストウィンドウ、長文処理の新しいベンチマーク

128KのコンテキストウィンドウをサポートするKimi VL A3Bは、数万語の文書、複雑なダイアログ、多ラウンドの対話タスクを処理することができます。この特徴により、法律ファイルの分析、技術文書の解釈、財務報告書の作成などのシナリオで優れた能力を発揮します。例えば、MMLongBench-Docの長文文書理解テストでは、Kimi VL A3Bは35.1%を記録し、類似機種を引き離しています。

3.マルチモーダル機能：テキスト、画像、ビデオのディープ・フュージョン

• • 視覚的理解：ネイティブ解像度のビジュアル・エンコーダMoonViTは、高解像度の画像入力をサポートし、複雑な図や数式、手書きの内容をスライスすることなく解析します。OCRBenchベンチマークでは867点を記録し、SOTAを達成しました。
  • ビデオ分析：1時間のビデオレッスンから重要な詳細をキャプチャし、構造化された要約を生成する機能。
  • クロスモーダル推論：テキストと画像情報を組み合わせて、幾何学問題を解いたり、財務表を分析したり、LaTeXコードやMarkdownテーブルを生成したりします。
  • 画像認識能力の比較（Kimi-VL-A3B vs GPT-4o）：画像の内容はCyberpunk 2077のスクリーンショットで、画像の内容の解析はどちらも正しく、GPT-4oの方が解析が速く、Kimi-VL-A3Bの方がより包括的な答えを出す。

4.MITライセンス：オープンソースエコシステムの新たな始まり

1. 低コストでの商業化：企業は、追加のライセンス料を支払うことなく、モデルをクローズドソース製品に統合することができる。
2. コミュニティとの協力：研究者や開発者は自由にモデルを改良し、ハギング・フェイスのような他のオープンソース・プロジェクトと組み合わせて使用することができる。
3. 技術的障壁の低減：中小企業や新興企業は、より低コストでマルチモーダルなAIアプリケーションを探求することができ、技術的なインクルージョンを促進する。

5.性能比較：業界ベンチマークを上回る