快手近日正式发布其新一代旗舰多模态模型 Keye-VL-671B-A37B，并同步开放代码。这一模型以其 “善看会想” 的特性，在通用视觉理解、视频分析和数学推理等多项核心 benchmark 中表现突出，进一步巩固了快手在人工智能领域的技术实力。

Keye-VL-671B-A37B 的设计理念在于实现更高层次的多模态理解和复杂推理。该模型在基础模型的强大通用能力之上，针对视觉感知、跨模态对齐及复杂推理链路进行了系统升级，从而提升了其在各种场景下的响应准确性和稳定性。这意味着，无论是日常应用还是高难度任务，Keye-VL-671B-A37B 都能提供更为精准的结果。

在技术架构方面，Keye-VL-671B-A37B 采用 DeepSeek-V3-Terminus 作为大语言模型基座，并通过 MLP 层与视觉模型 KeyeViT 相连接，后者则是基于 Keye-VL-1.5进行初始化。模型的预训练过程分为三个阶段，以系统性地构建其多模态理解与推理能力。通过严格筛选的300B 高质量预训练数据，Keye-VL-671B-A37B 在确保视觉理解能力扎实的同时，控制了计算成本。

具体训练流程包括冻结视觉与语言模型参数，进行初步对齐训练，接着开放全部参数进行全面预训练，最后在更高质量的数据上进行退火训练，显著提升模型的细粒度感知能力。此外，模型的后训练过程涵盖监督微调、冷启动和强化学习等步骤，训练任务涵盖视觉问答、图表理解、富文本 OCR 等领域。

快手表示，未来 Keye-VL 将持续提升基础模型能力，同时进一步融合多模态 Agent 能力，向更 “会用工具、能解复杂问题” 的智能形态发展。模型的多轮工具调用能力将被强化，使其在实际任务中能够自主调用外部工具，完成复杂的搜索、推理和信息整合。此外，Keye-VL 还将在 “think with image” 和 “think with video” 等关键方向上深入探索，使模型不仅能理解图像与视频，还能围绕这些内容进行深度思考与链式推理。

通过基础能力与 Agent 能力的双轮驱动，快手的 Keye-VL 目标是不断拓展多模态智能的上限，迈向更通用、更可靠和更强推理能力的下一代多模态系统。这一创新将为多模态 AI 的发展带来新的机遇与挑战。