快手旗舰 Keye-VL-671B-A37B 重磅发布，多模态推理能力实现新突破-A³·爱力方

在中国乃至全球的多模态AI赛道上，一场深刻的、旨在让AI从简单的“看图说话”，进化为真正的“视觉思考者”的范式革命，正由短视频巨头快手，悍然发动。

该公司近日，正式发布并宣布全面开源其新一代的旗舰级多模-态大模型——Keye-VL-671B-A37B。

这并非又一次常规的、在某个单一指标上的性能提升。

从其官方所强调的“善看会想”这一核心特性，以及其在技术架构和训练流程上，所进行的一系列系统性的、精妙的设计来看，快手，这一次，是直接地，将其技术的目标，对准了那个长期以来，一直制约着多模态AI发展的、最核心的“天花板”——复杂的多模态推理能力。

这场针对“多模态推理”的系统性升级，其核心，体现在Keye-VL模型，在技术架构上的、一次深思熟虑的“强强联合”。

而连接这两大“器官”的，则是一个看似简单、却至关重要的MLP（多层感知器）层。

这种架构，使得Keye-VL，能够在一个统一的、端到端的框架内，实现视觉信息与语言逻辑的、前所未有的深度融合。

而比其架构本身，更具“含金量”的，是其长达三个阶段的、极具章法和策略性的预训练流程。

第一阶段——“初步对齐”：
- 在这一阶段，视觉模型和语言模型的参数，都被冻结。训练的唯一目的，是通过中间的连接层，来让“眼睛”所看到的像素信息，与“大脑”所理解的语言概念，进行一个初步的、粗粒度的“对齐”。
第二阶段——“全面预训练”：
- 在完成了初步的对齐之后，模型的全部参数，都被开放。然后，模型，会在高达3000亿（300B）tokens的、经过了严格筛选的高质量多模-态数据上，进行全面的、端到端的预训练。
第三阶段——“退火精调”：
- 在最后阶段，模型，会在一批质量更高、标注更精细的数据上，进行“退火式”的精细化训练。这一步，旨在显著地，提升模型，对于图像和视频中，那些最细微的、最容易被忽略的细节的“细粒度感知能力”。

这种“先对齐、再融合、后精调”的三步走策略，使得Keye-VL，能够在有效地，控制其训练成本的同时，系统性地，构建起其强大的、扎实的多模态理解与推理能力。

在完成了预训练之后，Keye-VL，还会经历一个包含了监督微调（SFT）、冷启动和强化学习（RLHF）等多个步骤的、复杂的后训练（Post-training）过程。

其训练的任务，也全面地，覆盖了从基础的视觉问答（VQA），到更高级的图表理解、富文本光学字符识别（OCR）等、所有核心的多模态应用领域。

AIbase的分析认为，快手的这次Keye-VL开源，其意义，已远超一次简单的模型发布。

它更像是一份来自“多模态Agent”赛道的、极具前瞻性的“技术宣言”。

在其未来的规划中，快手，已经明确地，指出了其下一步的进化方向：

基础模型能力 + 多模态Agent能力，双轮驱动。

“会用工具”：
- 模型的多轮工具调用能力，将被持续地强化。这意味着，未来的Keye-VL，将不再仅仅，是一个被动的“信息处理器”。它将能够，像一个真正的“智能助理”一样，自主地，去调用外部的工具（例如，搜索引擎、计算器、API接口），来完成更为复杂的、需要进行信息整合与验证的任务。
“能解复杂问题”：
- 模型，将在“think with image”和“think with video”这两个关键的、前沿的方向上，进行更深入的探索。这意味着，模型，将不仅能够“理解”图像与视频的内容。它将能够，围绕着这些视觉信息，进行深度的、链式的、逻辑严谨的思考与推理。