快手宣布正式发布新一代旗舰多模态模型 Keye-VL-671B-A37B，并同步开放代码。公告称，该模型具备“善看会想”，并在在通用视觉理解、视频分析、数学推理等多项核心benchmark中全面领跑。

在保持基础模型强大通用能力的前提下，Keye-VL-671B-A37B 对视觉感知、跨模态对齐与复杂推理链路进行了系统升级，实现了多模态理解和复杂推理的全方位性能跃升：更会“看”、更会“想”、也更会“答”。无论是日常场景还是高难任务，都能给出更准确、更稳健的回应。

Keye-VL-671B-A37B采用DeepSeek-V3-Terminus作为大语言模型基座初始化，具备更强的文本推理能力，视觉模型采KeyeViT初始化，来自KeyeVL1.5，二者通过MLP层进行桥接。

Keye-VL-671B-A37B的预训练涵盖三个阶段，系统化构建模型的多模态理解与推理能力。模型复用Keye-VL-1.5的视觉编码器，该编码器已经通过8B大小的模型在1T token的多模态预训练数据上对齐，具备强大的基础感知能力。

结合严格筛选的约300B高质量数据预训练数据，以有限计算资源高效构建模型的核心感知基础，确保视觉理解能力扎实且计算成本可控。具体训练流程如下：

• 第一阶段：冻结ViT和LLM，只训练随机初始化的Projector，保证视觉、语言特征能初步做对齐。
• 第二阶段：打开全部参数进行预训练。
• 第三阶段：在更高质量的数据上做退火训练，提升模型的细粒度感知能力。

Keye多模态的预训练数据构建，通过自动化数据管道实施严格的过滤、重采样与VQA数据增强，覆盖OCR、图表及表格等多种格式，端到端提升模型的感知质量与泛化能力；在退火阶段，使用DeepSeek-V3-Terminus合成思维链数据，使模型在深化感知训练的同时保持LLM原有的强大推理能力。

Keye-VL-671B-A37B的后训练由监督微调，冷启动和强化学习三个步骤组成，训练任务涵盖视觉问答、图表理解、富文本OCR、数学、代码、逻辑推理等。在SFT阶段，采用更多多模态和纯文本的长思维链数据，对模型的纯文本能力进行回火并增强多模态能力。在冷启动阶段，采用推理数据增强模型的推理能力，在强化学习阶段，采用复杂推理数据提升模型的think和no_think能力，并加入视频数据，增强模型的视频理解能力。

具体评测结果如下：

官方表示，面向未来，Keye-VL将在持续夯实基础模型能力的同时，进一步融合多模态Agent能力，走向更“会用工具、能解复杂问题”的智能形态。强化模型的多轮工具调用能力，让它能够在真实任务中自主调用外部工具，完成搜索、推理、整合；同时推进“think with image”、“think with video”等关键方向，使模型不仅能看懂图像与视频，还能围绕它们进行深度思考与链式推理，在复杂的视觉信号中发掘关键信息。

通过基础能力+Agent能力的双轮驱动，Keye-VL目标是不断拓展多模态智能的上限，向更通用、更可靠、更强推理的下一代多模态系统迈进。