近日，月之暗面科技公司在其平臺(tái)上正式推出了全新的Kimi多模態(tài)圖片理解模型API，該API的核心是多模態(tài)圖片理解模型moonshot-v1-vision-preview（簡(jiǎn)稱“Vision模型”），它的問(wèn)世進(jìn)一步完善了moonshot-v1模型系列的多模態(tài)處理能力。
Vision模型在圖像識(shí)別方面展現(xiàn)出了卓越的能力。它能夠精準(zhǔn)捕捉圖像中的復(fù)雜細(xì)節(jié)和微小差異，無(wú)論是食物還是動(dòng)物，都能準(zhǔn)確區(qū)分出相似但不同的對(duì)象。例如，在一組由16張藍(lán)莓松餅和吉娃娃圖片組成的測(cè)試集中，這些圖片對(duì)人眼來(lái)說(shuō)難以區(qū)分，但Vision模型卻能輕松識(shí)別并正確標(biāo)記每一張圖片的類型。
除了圖像識(shí)別，Vision模型在文字識(shí)別和理解方面也表現(xiàn)出色。在OCR文字識(shí)別和圖像理解場(chǎng)景中，它的準(zhǔn)確性遠(yuǎn)超普通的文件掃描和OCR識(shí)別軟件。即使是收據(jù)單、快遞單等手寫(xiě)內(nèi)容，即使字跡潦草，Vision模型也能準(zhǔn)確識(shí)別。它還能對(duì)圖像中的文字內(nèi)容進(jìn)行深入理解和分析。
以一張學(xué)生期末考試成績(jī)的柱狀圖為例，Vision模型不僅能準(zhǔn)確識(shí)別出每個(gè)科目對(duì)應(yīng)的分?jǐn)?shù)，還能進(jìn)行分?jǐn)?shù)對(duì)比，同時(shí)分析柱狀圖的樣式、格式和顏色等美學(xué)特征。這種能力使得Vision模型在圖像分析和理解領(lǐng)域具有廣泛的應(yīng)用前景。
關(guān)于模型計(jì)費(fèi)，Vision模型采用按量計(jì)費(fèi)的方式。單張圖片按1024 tokens合并計(jì)算在Input請(qǐng)求的tokens用量中，不同版本的模型調(diào)用價(jià)格也有所不同。具體來(lái)說(shuō)，moonshot-v1-8k-vision-preview版本的模型每1M tokens價(jià)格為12元，moonshot-v1-32k-vision-preview版本為24元，而moonshot-v1-128k-vision-preview版本則高達(dá)60元。
Vision模型還支持多種特性，包括多輪對(duì)話、流式輸出、工具調(diào)用、JSON Mode和Partial Mode等。然而，也有一些功能暫未支持或部分支持。例如，聯(lián)網(wǎng)搜索功能目前暫不支持；Context Caching功能不支持創(chuàng)建帶有圖片內(nèi)容的Cache，但可以使用已經(jīng)創(chuàng)建成功的Cache調(diào)用Vision模型；同時(shí)，URL格式的圖片也不支持，目前僅支持使用base64編碼的圖片內(nèi)容。
在其他平臺(tái)更新方面，月之暗面科技公司也推出了一系列新功能。例如，支持組織項(xiàng)目管理功能，方便用戶對(duì)項(xiàng)目進(jìn)行統(tǒng)一管理和跟蹤；支持一個(gè)企業(yè)實(shí)體認(rèn)證多賬號(hào)，方便企業(yè)用戶進(jìn)行多賬號(hào)管理和切換；增加File文件資源管理功能，使用戶能夠直觀管理查看文件資源；優(yōu)化資源管理列表鼠標(biāo)懸浮復(fù)制功能，提高用戶操作效率；同時(shí)，Context Caching功能也已放開(kāi)給全量用戶，Cache續(xù)期不再收取創(chuàng)建費(fèi)用。
