6710亿参数的视觉守望者：快手Keye-VL以匠造之力，重塑国产多模态生态底色

多模态大模型的赛道上，始终涌动着无声的角逐，各路玩家以技术为刃，在感知与推理的疆域里深耕细作。当行业还在循着既定轨迹稳步前行时，快手悄然掷出一记重棋，新一代旗舰多模态大模型Keye-VL-671B-A37B正式开源，带着6710亿参数的厚重积淀，以DeepSeek-V3-Terminus为根基，在视觉感知的精度、跨模态融合的顺滑度与复杂推理的深度上完成静默升级，于国产多模态领域的版图中，悄然拓出一片崭新天地，稳稳跻身行业第一梯队，自带一种沉潜后的笃定与力量。

这款模型的出众，从不是浮于表面的参数炫耀，而是藏在每一次精准感知里的细腻与扎实。一张叠放着三张票据的图片，寻常人匆匆一瞥，多半会随口定论是三张电影票，可Keye-VL-671B-A37B偏能沉下心捕捉每一处细节：逐字识别每张票据上的文字标识，核对是否有座位编号、影片场次、放映时间这些电影票的核心要素，循着这些细微线索慢慢梳理，最终清晰分辨出左侧两张符合所有核心特征的是正经电影票，最上方那张仅有小吃兑换信息、无任何观影相关标注的，不过是一张叠放其上的爆米花券。这份超越肉眼直觉的精准，藏着对细节的极致把控，也透着模型内在的严谨。

面对流动的视频画面，它同样保有这份细腻感知力。镜头扫过街道，画面里的蓝色双层电车缓缓驶过，街边Louis Vuitton与Tiffany & Co的品牌门店招牌一闪而过，这些零散的核心元素，它都能稳稳捕捉；镜头从远景切近景、从静态转动态的切换节奏，画面衔接的细微转场痕迹，它也能循着逻辑慢慢拆解，条理清晰地还原出整段视频的镜头叙事脉络，仿佛一位沉静的观察者，默默读懂画面里藏着的每一处信息。

真正的硬实力，从来无需刻意张扬，自有数据为其佐证。在通用视觉理解与视频理解这两大多模态模型的核心竞技领域，Keye-VL-671B-A37B以稳健表现超越字节Seed1.5-VL think、阿里Qwen3-VL 235B-A22B等行业前沿标杆模型；在涵盖STEM领域问答、逻辑推理、通用信息应答、视频深度解读、OCR文字识别及纯文本处理等全维度能力的26项主流基准测试中，它一举拿下18项最高得分，将综合实力稳稳定格在行业前列。如今，这款满载实力的模型已全面开源，Hugging Face与GitHub两大平台均开放下载通道，无论深耕技术的开发者，还是探索应用的行业机构，都能轻易触达这份沉淀后的技术成果，将其融入各类真实应用场景，让细腻感知与扎实推理落地生根。

这般亮眼的成绩背后，从不是一蹴而就的幸运，而是快手技术团队日复一日的精细打磨，单是模型预训练阶段，便拆解为三步循序渐进，每一步都走得沉稳扎实，只为筑牢能力根基。模型的基础架构搭建，早便透着严谨考量：语言推理层面，选用DeepSeek-V3-Terminus作为核心基座，凭借其成熟的技术底蕴，保障文本理解与逻辑推理的硬核实力；视觉感知层面，以Keye-ViT为核心支撑，更直接复用了快手此前开源的Keye-VL-1.5模型中的视觉编码器——这款编码器早已在1万亿token的多模态预训练数据中历经锤炼，积累了扎实的基础感知能力，无需再从零起步。两个核心模块之间，通过MLP层精准搭建起衔接桥梁，让语言与视觉信息得以顺畅交融，从根源上为跨模态能力的养成铺好路径。

不同于行业内部分模型依赖万亿级数据堆砌训练量的路径，快手选择了一条更精准高效的道路，仅筛选300B高质量数据作为预训练素材，以质取胜而非以量取胜。为保障数据质量，团队搭建起一套完整的自动化数据处理管线，先对海量原始数据进行层层筛选，剔除低质、冗余信息，再针对模型能力需求进行针对性重采样，同时融入VQA数据增强手段，将OCR识别、图表解读、表格分析等各类复杂视觉格式全面覆盖，既让每一份训练数据都发挥最大价值，也有效控制了背后的计算成本，兼顾效率与实效。

预训练的三步推进，每一步都紧扣能力提升的核心。第一步，先将视觉编码器与语言基座的核心参数冻结，仅针对性训练随机初始化的Projector组件，让视觉特征与语言特征先找到适配的节奏，完成初步的跨模态对齐，为后续融合打下基础；第二步，解锁所有模块的参数，开展全维度预训练，让语言与视觉能力深度交融，形成完整的多模态感知体系；第三步，聚焦更高质量的专属数据集开展退火训练，精准打磨模型的细粒度感知能力，让其对细微差异的识别更敏锐，同时特意融入DeepSeek-V3-Terminus生成的思维链数据，在强化视觉感知精度的同时，牢牢守住原本扎实的推理能力，避免顾此失彼。

预训练筑牢根基后，后训练阶段的精细雕琢更显用心，快手以监督微调、冷启动、强化学习三步走的策略，一步步深挖模型潜力，补齐能力短板。整个后训练过程，覆盖视觉问答、复杂图表解读、富文本OCR识别、数学运算、代码编写、逻辑推理等多个核心领域，全方位打磨模型的综合能力。团队在数据配比上反复试验，历经无数次调整后终于摸清关键：相较于单一依赖指令数据的训练模式，将指令数据与长思维链数据混合使用，更能提升模型性能，也让后续训练过程更稳定，冷启动阶段的训练损耗明显降低，各类基准测试中的表现也随之稳步提升。

进入冷启动阶段，团队针对性解决纯文本模型常有的推理冗长、内容重复问题，搭建起一套严格的数据筛选流程，逐一甄别思维链数据，将那些存在冗余反思、逻辑拖沓的内容悉数过滤，仅留存精准高效的优质数据用于训练。这般细致调整后，模型的推理效率与感知精度同步提升，能力质感更上一层。

强化学习阶段的打磨，同样藏着巧思与严谨。团队深知传统GRPO算法采用token层建模，在训练MoE模型时易出现稳定性不足的问题，便果断选用阿里Qwen3系列模型的核心算法GSPO，以序列层建模替代原有模式，稳稳提升可验证奖励强化学习训练的稳定性。为保障奖励信号的精准度，团队专门打造了一款Verifier验证器模型，以Keye-VL-1.5 8B为基础基座，先通过监督微调阶段的训练，让其掌握判断模型输出答案与标准答案一致性的基础能力，同时学会以“思考-作答”的模式，细致分析输出内容的逻辑性与正确性；后续再通过强化学习阶段，在大规模偏好数据中锤炼能力，最后借助人工标注的高质量数据集开展退火校准，不断提升验证精度。

实测数据足以印证这款验证器的实力：抽取150组Keye-Verifier与Qwen-2.5-VL 72B Instruct模型判别结果不一致的数据对比，Keye-Verifier的正确数量达128组，远超Qwen模型的22组。依托这款验证器提供的精准奖励信号，Keye-VL预览版模型在多个开源感知基准测试中的平均准确率提升1.45%，在三类多模态数学数据集上的平均准确率也提升1.33%，每一分提升都透着打磨的用心。样本筛选环节同样细致，团队以Keye-VL-1.5 8B作为筛选工具，在候选数据集中精准抽取正确率介于25%至75%之间的高难度样本，同时特意在强化学习数据集中加入大量视频素材，针对性强化模型的视频理解能力。

如今的Keye-VL-671B-A37B，已然站稳脚跟，而快手对它的未来，早已规划好清晰路径，不满足于当下的成绩，更执着于向更实用、更智能的方向前行。后续将重点强化多模态Agent能力，提升模型的多轮工具调用素养，让它能在真实任务场景中自主调用外部工具，完成信息搜索、复杂逻辑推理、多元信息整合等一系列操作，真正具备解决复杂问题的能力；同时深耕“以图思考”“以视频思考”的核心方向，不止于让模型看懂图像与视频表面信息，更要引导它围绕视觉内容开展深度思考与链式推理，从繁杂的视觉信号中精准挖掘核心价值信息。最终，快手希望以持续的打磨，打造出更通用、更可靠、推理能力更强的下一代多模态系统，在多模态赛道上稳步前行，持续传递技术温度。

从参数架构的严谨搭建，到训练过程的精细打磨，从性能层面的稳步突破，到开源落地的开放共享，Keye-VL-671B-A37B的登场，没有声势浩大的造势，却以沉潜后的实力，悄然改写国产多模态模型的实力格局，也为行业指明了实用化的技术发展方向。这款藏着6710亿参数的视觉守望者，以精准的感知、扎实的推理与内敛的实力，印证着国产多模态模型的成长与积淀，也让人满心期待，它在后续的落地应用中，能解锁更多可能性，以技术之力，为生活添注更多便捷与温暖。