本文へスキップ

Kimi-VL

マルチモーダル推論向けの混合専門家視覚言語モデル

公式サイトを見る

Kimi-VL とは

本モデルはマルチモーダル推論・長い文脈の理解・エージェント機能のための混合専門家型の視覚言語モデルと紹介されている。

できること

  • 複数回のやり取りを含む推論を扱う
  • 128K の文脈で長いテキストを扱う
  • 高解像度の画像入力を理解する
  • OCR で文字を抽出する

導入の手順

  • Python 3.10 と依存関係を用意する
  • Hugging Face からモデルを取得し読み込む
  • 画像を用意し入力の記述を整える
  • processor で画像とテキストをまとめる

長所と短所

✓ 良い点

  • 計算量を抑えつつ高い出力を保つ
  • OCR で文字の抽出を扱える

! 注意したい点

  • 環境には Python 3.10 と対応する庫が挙がる
  • 入力は processor による統合の段階を挟む

よくある質問

文脈の長さは?

資料は 128K の拡張文脈と説明。

パラメータ数は?

資料は 2.8B のパラメータと説明。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法