AI秒懂短视频，快手大模型Keye-VL理解力爆表！技术细节全开源

新智元报道

编辑：编辑部

【新智元导读】今天，全新多模态大语言模型Kwai Keye-VL震撼上线，展现了无与伦比的视频理解力！它能将视频内容转化为高能方案，还会智能选择思考模型，效率与创意兼得。目前，模型已正式开源。

如果有人突然问你：「这张图片中有几颗草莓」？你会如何快速回复？

面对五彩缤纷的果盘，我们往往需要反复端详，放大图片再逐一清点，耗费不少时间才能得到答案。

然而，AI大模型正让这种复杂视觉识别变得简单——在快手最新发布的Kwai Keye-VL-8B的试用体验中，它自动解析图像细节，执行图像区域裁剪，放大相关的计算代码以增强感知效果，在短短几秒内给出精准答案，一共20颗。

Kwai Keye-VL是快手自主研发的多模态大语言模型。

该模型能深度融合和处理文本、图像、视频等多模态信息，凭借创新的自适应交互机制与动态推理能力，致力于为用户打造更智能、更全面的多模态交互新范式。

其中，依托快手在短视频的深厚技术积累，Keye-VL在视频理解方面具备得天独厚的优势。

实践出真知！现在就把一个介绍简易移动房子的视频丢给Keye-VL，考考它能不能利用强大的视频理解和推理能力，当场做出一份销售方案来。

问题：请你为视频中的商品写一份推销方案。

「看」完11秒的视频后，Kwai Keye-VL很快便生成了一份推销方案，覆盖了方方面面，足以堪称商品推销的「优秀模板」。

除在复杂视觉感知、视频理解上的优异表现外，Kwai Keye-VL在逻辑推理上也同样令人惊喜，在最新的2025高考全国数学卷中，Kwai Keye-VL狂砍140分。

目前，Kwai Keye-VL已正式开源！

Homepage: https://kwai-keye.github.io/

Github Repo: https://github.com/Kwai-Keye/Keye

Model Weight: https://huggingface.co/Kwai-Keye/Keye-VL-8B-Preview

KC-MMBench: https://huggingface.co/datasets/Kwai-Keye/KC-MMbench

接下来，让我们一起探索支撑其强大多模态能力的关键技术突破。

核心技术架构公开

Kwai Keye-VL基于Qwen3-8B语言模型，并整合了SigLIP初始化的视觉编码器。

它支持动态分辨率输入，按原始比例将图像切分为14x14分块，由一个MLP层整合这些视觉特征。

模型采用3D RoPE（旋转位置编码）统一处理文本、图像和视频，并通过位置编码与时间戳对齐，精准捕捉视频时序变化。

Pre-Train：构建多模态基座能力

Kwai Keye-VL的预训练阶段核心目标是，构建强大的图文和视频理解能力（即视觉-语言对齐）。

为支撑这一目标，模型使用了总量高达600B的大规模多模态预训练数据集，包含图文、视频及纯文本数据。

此外，Kwai Keye-VL通过自建高质量中文OCR系统和精细化描述数据，有效突破了开源数据的局限，专门服务于模型图文/视频理解能力的训练。

训练流程采用四阶段渐进式优化策略：

• 视觉预训练：持续预训练视觉编码器，使其适配内部数据分布并支持动态分辨率输入。

• 跨模态对齐：冻结主干模型，仅训练轻量级MLP适配器，以极低成本高效建立鲁棒的图文/视频-文本对齐关系。

• 多任务预训练：解锁全部模型参数，进行多任务联合训练，全面提升模型的综合视觉理解能力。

• 退火训练：使用精选高质量数据进行精调，进一步提升模型的精细理解和判别能力。

最后，Kwai Keye-VL探索了同构异质融合技术，通过参数平均融合不同数据配比的退火训练模型，在保留多维度能力的同时，减小模型偏差，增强了模型的鲁棒性。

Post-Train：两阶段精细微调，突破性强化推理能力

Kwai Keye-VL的后训练阶段经过精心设计，旨在全面提升模型的性能，尤其是其在复杂任务中的推理能力，这一部分是模型实现高级认知功能的关键突破。

Stage I. 非推理训练（No-Reasoning Training）：夯实基础性能Kwai Keye-VL首先进行监督微调（SFT），使用500万条高质量多模态VQA数据，数据多样性由自研TaskGalaxy方案建立的任务体系（包含7W种任务）保证，数据质量经AI筛选困难样本及人工标注保障；

随后进行混合偏好优化（MPO），结合开源数据与自建的偏好数据，后者通过收集SFT错误样本作提问素材、Qwen2.5VL 72B与SFT模型生成答案对、人工排序获得。

Stage II. 推理训练（Reasoning Training）：核心突破，赋能复杂认知

此阶段是Kwai Keye-VL训练流程的最大亮点与贡献，通过引入Mix-mode的思维链（CoT）和多思考模式强化学习（RL）机制，显著提升模型的多模态感知、推理和think with image能力，使其能够处理更复杂、需要多步思考的任务。

思维链冷启动阶段（CoT Cold-Start）通过混合四种推理模式的训练数据，实现对模型思维链能力的零基础激活，使其初步掌握人类分步思考的推理范式。

混合强化学习阶段（CoT-Mix RL）在冷启动基础上，采用GRPO算法进行混合模式强化学习，通过创新的双轨奖励机制（同步评估结果正确性与过程一致性）深度优化多模态感知、数学推理、短视频理解及智能体协同等综合能力，显著提升模型的推理能力。

多轮迭代对齐阶段（Iterative Alignment）利用MPO算法对优劣数据对进行多轮迭代，根治内容重复崩溃与逻辑断层问题，最终赋予模型根据问题复杂度智能选择深度推理模式的自适应能力，实现性能与稳定性的双重突破。

Kwai Keye-VL通过分阶段、精细化的预训练与后训练策略，特别是对推理能力的深度强化与创新性突破，确保了模型在多种复杂场景下都能提供高质量、逻辑严谨且稳定的输出。

训练架构优化：高效稳定的百亿参数模型训练

为实现百亿参数模型的高效稳定训练，Kwai Keye-VL通过混合并行策略（整合数据并行/序列并行/ZeRO技术）显著提升训练吞吐量，既利用显存分片降低压力，又通过计算通信重叠隐藏延迟。

不同于纯文本模型训练，多模态输入分辨率差异很大，不同显卡计算负载不均会导致整体利用率降低，Kwai Keye-VL在训练框架中实现了全局负载均衡策略，依据样本FLOPS动态分发样本，尽可能消除硬件闲置，显著提高了多模态训练的MFU。创新性构建样本级自动容错机制，依托联合检查点技术使训练意外中断后可自动精准续训无需人工介入。

后训练阶段通过升级vLLM框架加速采样，并部署多奖励模型随机分发策略，大幅压缩强化学习的计算耗时，系统性保障了大规模训练的稳定性与效率。

模型评估

· 视觉理解/逻辑推理Benchmark

Kwai Keye-VL在综合感知能力比肩同规模顶尖模型的同时，在复杂推理任务中展现出显著领先优势。

评测数据显示：其基础感知达行业一流水准；而在MMMU、MMStar等通用Benchmark及MathVista、OlympiadBench等推理Benchmark上，该模型性能曲线大幅领跑业界，尤其在需要高阶逻辑推理与数学解题的挑战性任务中，凸显出卓越的复杂问题解决能力。

· 视频理解Benchmark

Kwai Keye-VL通过公开与自建评测双验证，在学术标准与真实短视频场景中均展现出全面领先优势。

为突破公开数据集的数据污染、语言覆盖局限及任务单一性等问题，快手构建了内部评测集KC-MMBench。

结果显示，该模型在VideoMME等权威公开Benchmark中以67.4分超越Qwen2.5-VL-7B（62.7）与InternVL-3-8B（65.5）；

在内部短视频场景评测中优势进一步扩大，综合得分领先SOTA模型超10%，尤其在热点聚合、内容合集、广告价值等核心场景表现卓越，实证其学术与产业双维竞争力。

当大模型的风暴席卷交互的疆界，重塑我们认知与交互的方式，Kwai Keye-VL——这颗由快手精心锻造的视觉-语言「智能火种」，正在视频理解的沃土上，燃起一场颠覆性的燎原之火！

这亦是Keye注入时代的核心动能，一场始于理解、终于交互的智能觉醒！

此刻，就让我们以一首诗，为这段探索的华章作结，跟随Keye的视角，感受智能之眼所洞见的壮阔未来……

提问：结合如下这张图片，写一首诗

参考资料：

https://kwai-keye.github.io/