月之暗面今日發(fā)布了 Kimi 多模態(tài)圖片理解模型 API，全新多模態(tài)圖片理解模型 moonshot-v1-vision-preview（以下簡稱“Vision 模型”）完善了 moonshot-v1 模型系列的多模態(tài)能力。
模型能力說明
圖像識別
Vision 模型具備圖像識別能力，能夠識別出圖像中的復雜細節(jié)和細微的差別，無論是食物還是動物，能夠區(qū)分出相似但又不相同的對象。
下圖示例中，官方拼湊了 16 張相似的人眼較難區(qū)分的藍莓松餅和吉娃娃圖片，由 Vision 模型來識別并按順序標記圖片類型，無論是藍莓松餅還是吉娃娃，模型都能精確地區(qū)分和識別。
文字識別和理解
Vision 模型具備高級圖像識別能力，在 OCR 文字識別和圖像理解場景中，比普通的文件掃描和 OCR 識別軟件更加準確，例如收據(jù)單 / 快遞單等潦草的手寫內(nèi)容都可以準確識別。
以這張《某學生期末考試成績》柱狀圖為例，官方讓模型提取分析考試成績，并從美學風格的角度分析一下該柱狀圖。Vision 模型也能夠精準地識別出柱狀圖中每個科目名稱對應的分數(shù)數(shù)值并做分數(shù)對比，同時可以識別出該柱狀圖的樣式格式和顏色等。
模型計費
Vision 模型實行按量計費方式，單張圖片按 1024 tokens 合并計算在 Input 請求的 tokens 用量中，模型調(diào)用的價格根據(jù)選擇的模型而不同，IT之家附具體區(qū)分如下：
| 模型 | 計費單位 | 價格 |
| moonshot-v1-8k-vision-preview | 1M tokens | ￥12.00 |
| moonshot-v1-32k-vision-preview | 1M tokens | ￥24.00 |
| moonshot-v1-128k-vision-preview | 1M tokens | ￥60.00 |
模型限制說明
Vision 視覺模型支持的特性包括：
多輪對話
流式輸出
工具調(diào)用
JSON Mode
Partial Mode
以下功能暫未支持或部分支持：
聯(lián)網(wǎng)搜索：不支持
Context Caching：不支持創(chuàng)建帶有圖片內(nèi)容的 Context Cache，但支持使用已經(jīng)創(chuàng)建成功的 Cache 調(diào)用 Vision 模型
URL 格式的圖片：不支持，目前僅支持使用 base64 編碼的圖片內(nèi)容
其他平臺更新
支持組織項目管理功能
支持一個企業(yè)實體認證多賬號
增加 File 文件資源管理功能：直觀管理查看文件資源
優(yōu)化資源管理列表鼠標懸浮復制
Context Caching 功能已放開給全量用戶
Cache 續(xù)期不再收取創(chuàng)建的費用 
