MoonViT-V2 — дообученная зрительная башня MoonViT-V2 с проектором из мультимодальной модели Kimi K3. Репозиторий immanuelpeter упаковывает компоненты обработки изображений Kimi K3 отдельно от полного чекпойнта. Модель содержит 453 млн параметров; архитектура башни включает 27 слоёв, размер скрытого представления 1024, 12 голов внимания и патчи размером 14 пикселей. Сжатие токенов выполняется с помощью pixel shuffle 2×2 и временного пулинга, а проектор преобразует признаки в представление размерности 7168.

Модель предназначена для извлечения признаков изображений и получения проектированных визуальных представлений, например, как зрительный компонент мультимодальной системы. Веса башни сохранены в BF16, формат репозитория — safetensors. В README описано воспроизведение визуального тракта Kimi K3 без загрузки полного чекпойнта; авторы кода и исходных весов — AI4Industry и Moonshot AI соответственно. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.