/ Модель

Характеристики

Параметры
453 млн
Лицензия
Своя лицензия
Архитектура
moonvit_v2 · dense
Базовая модель
Kimi-K3
Библиотека
transformers
Опубликована
1 авг 2026

MoonViT-V2

Эмбеддинги изображенийИзображение → embedding7 профессий

MoonViT-V2 — визуальный энкодер Kimi K3 для извлечения признаков изображений и кодирования кадров видео в визуальные токены.

103скачиваний за 30 дней6лайковвеса обновлены1 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MoonViT-V2 — визуальный энкодер, представленный как нативный vision backbone Kimi K3; репозиторий AI4Industry содержит извлечённые веса из чекпойнта moonshotai/Kimi-K3. Модель предназначена для кодирования изображений и видео в визуальные токены для мультимодальной обработки. Метаданные относят её к задаче извлечения признаков изображений.

Архитектура — 27-слойный Vision Transformer примерно на 453 млн параметров с размером скрытого состояния 1024, 12 головами и патчами 14 × 14. Для изображений и видео используется общий путь с пространственным и временным вниманием; сжатие токенов включает pixel shuffle 2 × 2 и временной pooling. README указывает на обработку видео последовательностью кадров, по умолчанию до четырёх кадров. В репозитории сохранены веса vision tower в формате safetensors, без языковой модели и проектора, поэтому это не самостоятельная мультимодальная чат-модель.

Модель может служить визуальным энкодером для распознавания текста, анализа интерфейсов и понимания видео. Обучающие данные, согласно README, охватывают подписи, документы, OCR, видео, визуальный код, grounding, SVG, 3D-объекты, веб-страницы, игры и CAD. Лицензия указана как other; конкретные условия следует сверить с лицензией репозитория и исходного Kimi K3.

Сценарии применения

  • извлечение визуальных признаков из изображений
  • распознавание текста и анализ документов по изображению
  • анализ интерфейсов и визуальных элементов приложений
  • кодирование кадров видео для мультимодальной модели
  • визуальный grounding объектов и областей на изображении

Ограничения

Репозиторий содержит только vision tower: языковая модель и MLP-проектор исключены, поэтому для полного мультимодального сценария нужна совместимая модель. Для видео README указывает максимум четыре кадра по умолчанию; условия лицензии типа other требуют отдельной проверки.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MoonViT-V2

MoonViT-V2 is the native-resolution vision backbone of Kimi K3.

AttributeSpecification
Parameters~0.4B
Architecture27-layer ViT · 1024 hidden · 12 heads · 1536 QKV dim
Patch Size14 × 14
Token Compression2×2 pixel-shuffle + temporal pooling
Max Resolution~3584 × 3584
InitializationFrom scratch (not SigLIP)
Source Modelmoonshotai/Kimi-K3
Technical ReportKimi K3 (arXiv:2607.24653)

Overview

MoonViT-V2 encodes images and videos into visual tokens for Kimi K3’s shared multimodal embedding space (via a lightweight MLP projector in the full checkpoint).

Unlike MoonViT-SO-400M (SigLIP-initialized), MoonViT-V2 is randomly initialized and jointly trained with the language model under next-token prediction.

  • Unified image/video path — shared parameters with factorized spatial (intra-frame) and temporal (inter-frame) attention.
  • Token compression — 2×2 pixel-shuffle (~4× fewer spatial tokens) plus temporal pooling, for high-res images and long videos within Kimi K3’s up-to-1M-token context.
  • Training stability — RMSNorm and bias-free linear/attention projections; from-scratch training avoided gradient spikes seen with contrastive vision initializations at this scale.

Usage

import torch
from transformers import AutoModel, AutoImageProcessor

model_id = "AI4Industry/MoonViT-V2"

model = AutoModel.from_pretrained(
    model_id,
    dtype=torch.bfloat16,
    trust_remote_code=True,
)
processor = AutoImageProcessor.from_pretrained(model_id, trust_remote_code=True)

device = "cuda" if torch.cuda.is_available() else "cpu"
model = model.to(device)

Image input

from PIL import Image

image = Image.open("your_image.png").convert("RGB")
inputs = processor(image, return_tensors="pt")  # T=1
pixel_values = inputs["pixel_values"].to(device=device, dtype=model.dtype)
grid_thws = inputs["grid_thws"].to(device=device)

with torch.no_grad():
    image_features = model(pixel_values, grid_thws)

print(image_features[0].dtype, image_features[0].shape)
# e.g. torch.bfloat16, torch.Size([N, 4, 1024])

Video input

Pass an ordered list of frames. All frames share the first frame’s resize/pad so spatial grids align. T must be ≤ max_num_frames (default 4, matching temporal position embedding).

from PIL import Image

frames = [
    Image.open("frame_0.png").convert("RGB"),
    Image.open("frame_1.png").convert("RGB"),
    Image.open("frame_2.png").convert("RGB"),
    Image.open("frame_3.png").convert("RGB"),
]
inputs = processor.preprocess_video(frames, return_tensors="pt")  # T=len(frames)
pixel_values = inputs["pixel_values"].to(device=device, dtype=model.dtype)
grid_thws = inputs["grid_thws"].to(device=device)  # [[T, H_patches, W_patches]]

with torch.no_grad():
    video_features = model(pixel_values, grid_thws)

print(grid_thws.tolist(), video_features[0].shape)
# e.g. [[4, H, W]], torch.Size([N, 4, 1024])  # N after temporal pool + 2×2 merge

Notes

  • pixel_values: packed patches (num_patches, 3, 14, 14)
  • grid_thws: (batch, 3) = (T, H_patches, W_patches); images use T=1
  • Normalization: mean/std (0.5, 0.5, 0.5)
  • Optional: attn_implementation="flash_attention_2" if FlashAttention-2 is installed (default is SDPA)

Weight Provenance

Weights (~401M params, bfloat16) are taken from model-00096-of-000096.safetensors in moonshotai/Kimi-K3.

Original Kimi K3 PrefixThis Repo
vision_tower.** (prefix stripped)
mm_projector.*omitted
language_model.*omitted

Training Data & Infrastructure

Per the technical report, pretraining covers captions, interleaved documents, OCR, video, visual code, grounding (absolute + normalized coords), SVG, 3D assets, web pages, games, and CAD. Training uses context-parallel KV gather, image sharding across devices, and hiding ViT compute in pipeline bubbles. Typical use cases: OCR, visual UI iteration, and video understanding.

License

Inherits the Kimi K3 License

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
MoonViTV2PretrainedModel
Ревизия весов
c5acb88

0 моделей