{"id":6131,"date":"2025-04-14T06:46:36","date_gmt":"2025-04-14T06:46:36","guid":{"rendered":"https:\/\/www.myshirtai.com\/?p=6131"},"modified":"2025-04-14T06:46:36","modified_gmt":"2025-04-14T06:46:36","slug":"kimi-vl-a3b-%e5%8f%91%e5%b8%83%ef%bc%9a%e5%a4%9a%e6%a8%a1%e6%80%81%e5%a4%a7%e6%a8%a1%e5%9e%8b%ef%bc%8c128k%e4%b8%8a%e4%b8%8b%e6%96%87%e7%aa%97%e5%8f%a3%e4%b8%8emit%e8%ae%b8%e5%8f%af","status":"publish","type":"post","link":"https:\/\/www.myshirtai.com\/es\/archives\/6131","title":{"rendered":"Lanzamiento de Kimi VL A3B: modelo grande multimodal, ventana contextual de 128K y licencia MIT"},"content":{"rendered":"

I. Introducci\u00f3n<\/strong><\/h3>\n

Hace poco.Moonshot AI ha presentado oficialmente su \u00faltima generaci\u00f3n de macromodelos multimodales<\/span>\u00a0<\/span>Kimi VL A3B<\/span>Se trata de un modelo ligero basado en la arquitectura Mixed Expert (MoE), con 16B de par\u00e1metros totales pero s\u00f3lo 2,8B de activaciones para la inferencia. sus principales caracter\u00edsticas son<\/span>\u00a0<\/span>Ventana de contexto extra larga de 128K<\/span><\/strong>y<\/span>capacidad de razonamiento multimodal<\/span><\/strong>. Y lo que es m\u00e1s emocionante, el modeloAbierto bajo licencia MIT<\/strong>Esto no s\u00f3lo pone de relieve su avance tecnol\u00f3gico, sino que tambi\u00e9n ofrece posibilidades ilimitadas de investigaci\u00f3n y aplicaci\u00f3n. Este art\u00edculo profundizar\u00e1 en las caracter\u00edsticas fundamentales del Kimi VL A3B y su valor potencial.<\/p>\n

\"\"<\/p>\n

<\/h3>\n

II. Aspectos t\u00e9cnicos destacados: modelos peque\u00f1os, grandes capacidades<\/strong><\/h3>\n

1. Arquitectura de ME y dise\u00f1o ligero<\/h4>\n

El Kimi VL A3B emplea una arquitectura de Expertos Mixtos (MoE) que mejora significativamente la eficiencia computacional asignando din\u00e1micamente tareas a distintas subredes de expertos. A pesar de contar con un par\u00e1metro total de 16B, s\u00f3lo se activan 2,8B durante la inferencia, lo que le permite reducir significativamente la huella de memoria y los costes de inferencia manteniendo el rendimiento. Por ejemplo, en el MathVista Mathematical Reasoning Benchmark, KimiVL A3B alcanza una precisi\u00f3n de 68,7% con 2,8B de par\u00e1metros activos, superando a GPT-4o (68,5%) con un tama\u00f1o de par\u00e1metros mucho mayor.<\/p>\n

\"\"<\/p>\n

2. Ventana contextual de 128K, una nueva referencia para el tratamiento de textos largos<\/strong><\/h4>\n

Con una ventana contextual de 128K, el Kimi VL A3B es capaz de manejar documentos de decenas de miles de palabras, di\u00e1logos complejos o tareas interactivas de varias rondas. Esta caracter\u00edstica le permite destacar en escenarios como el an\u00e1lisis de expedientes jur\u00eddicos, la interpretaci\u00f3n de documentos t\u00e9cnicos y la generaci\u00f3n de informes financieros. Por ejemplo, en la prueba de comprensi\u00f3n de documentos largos MMLongBench-Doc, Kimi VL A3B obtuvo una puntuaci\u00f3n de 35,1%, por delante de modelos similares.<\/p>\n

\"\"<\/p>\n

3. Capacidades multimodales: fusi\u00f3n profunda de texto, im\u00e1genes y v\u00eddeo<\/strong><\/h4>\n
    \n
  • \n
      \n
    • Comprensi\u00f3n visual: el codificador visual de resoluci\u00f3n nativa MoonViT admite la entrada de im\u00e1genes de alta resoluci\u00f3n para analizar diagramas complejos, f\u00f3rmulas matem\u00e1ticas y contenido manuscrito sin necesidad de troceado. Obtuvo una puntuaci\u00f3n de 867 en la prueba comparativa OCRBench, logrando SOTA.<\/li>\n
    • An\u00e1lisis de v\u00eddeo: capacidad para captar detalles clave de lecciones de v\u00eddeo de una hora de duraci\u00f3n y generar res\u00famenes estructurados.<\/li>\n
    • Razonamiento multimodal: combine informaci\u00f3n de texto e im\u00e1genes para resolver problemas de geometr\u00eda, analizar tablas financieras y generar c\u00f3digo LaTeX o tablas Markdown.<\/li>\n
    • Comparaci\u00f3n de la capacidad de reconocimiento de im\u00e1genes (Kimi-VL-A3B vs GPT-4o): El contenido de la imagen es una captura de pantalla de Cyberpunk 2077, ambos aciertan al analizar el contenido de la imagen, y GPT-4o analiza m\u00e1s r\u00e1pido, mientras que Kimi-VL-A3B da una respuesta m\u00e1s completa.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n