如果有人突然問你：「這張圖片中有幾顆草莓」？你會如何快速回復？

面對五彩繽紛的果盤，我們往往需要反復端詳，放大圖片再逐一清點，耗費不少時間才能得到答案。

然而，AI大模型正讓這種復雜視覺識別變得簡單——在快手最新發布的Kwai Keye-VL-8B的試用體驗中，它自動解析圖像細節，執行圖像區域裁剪，放大相關的計算代碼以增強感知效果，在短短幾秒內給出精準答案，一共20顆。

Kwai Keye-VL是快手自主研發的多模態大語言模型。

該模型能深度融合和處理文本、圖像、視頻等多模態信息，憑借創新的自適應交互機制與動態推理能力，致力于為用戶打造更智能、更全面的多模態交互新范式。

其中，依托快手在短視頻的深厚技術積累，Keye-VL在視頻理解方面具備得天獨厚的優勢。

實踐出真知！現在就把一個介紹簡易移動房子的視頻丟給Keye-VL，考考它能不能利用強大的視頻理解和推理能力，當場做出一份銷售方案來。

問題：請你為視頻中的商品寫一份推銷方案。

「看」完11秒的視頻后，Kwai Keye-VL很快便生成了一份推銷方案，覆蓋了方方面面，足以堪稱商品推銷的「優秀模板」。

除在復雜視覺感知、視頻理解上的優異表現外，Kwai Keye-VL在邏輯推理上也同樣令人驚喜，在最新的2025高考全國數學卷中，Kwai Keye-VL狂砍140分。

目前，Kwai Keye-VL已正式開源！

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

接下來，讓我們一起探索支撐其強大多模態能力的關鍵技術突破。

核心技術架構公開

Kwai Keye-VL基于Qwen3-8B語言模型，并整合了SigLIP初始化的視覺編碼器。

它支持動態分辨率輸入，按原始比例將圖像切分為14x14分塊，由一個MLP層整合這些視覺特征。

模型采用3D RoPE（旋轉位置編碼）統一處理文本、圖像和視頻，并通過位置編碼與時間戳對齊，精準捕捉視頻時序變化。

Pre-Train：構建多模態基座能力

Kwai Keye-VL的預訓練階段核心目標是，構建強大的圖文和視頻理解能力（即視覺-語言對齊）。

為支撐這一目標，模型使用了總量高達600B的大規模多模態預訓練數據集，包含圖文、視頻及純文本數據。

此外，Kwai Keye-VL通過自建高質量中文OCR系統和精細化描述數據，有效突破了開源數據的局限，專門服務于模型圖文/視頻理解能力的訓練。

訓練流程采用四階段漸進式優化策略：

• 視覺預訓練： 持續預訓練視覺編碼器，使其適配內部數據分布并支持動態分辨率輸入。
• 跨模態對齊： 凍結主干模型，僅訓練輕量級MLP適配器，以極低成本高效建立魯棒的圖文/視頻-文本對齊關系。
• 多任務預訓練： 解鎖全部模型參數，進行多任務聯合訓練，全面提升模型的綜合視覺理解能力。
• 退火訓練： 使用精選高質量數據進行精調，進一步提升模型的精細理解和判別能力。

最后，Kwai Keye-VL探索了同構異質融合技術，通過參數平均融合不同數據配比的退火訓練模型，在保留多維度能力的同時，減小模型偏差，增強了模型的魯棒性。

Post-Train：兩階段精細微調，突破性強化推理能力

Kwai Keye-VL的后訓練階段經過精心設計，旨在全面提升模型的性能，尤其是其在復雜任務中的推理能力，這一部分是模型實現高級認知功能的關鍵突破。

Stage I. 非推理訓練（No-Reasoning Training）：夯實基礎性能

Kwai Keye-VL首先進行監督微調（SFT），使用500萬條高質量多模態VQA數據，數據多樣性由自研TaskGalaxy方案建立的任務體系（包含7W種任務）保證，數據質量經AI篩選困難樣本及人工標注保障；

隨后進行混合偏好優化（MPO），結合開源數據與自建的偏好數據，后者通過收集SFT錯誤樣本作提問素材、Qwen2.5VL 72B與SFT模型生成答案對、人工排序獲得。

Stage II. 推理訓練（Reasoning Training）：核心突破，賦能復雜認知

此階段是Kwai Keye-VL訓練流程的最大亮點與貢獻，通過引入Mix-mode的思維鏈（CoT）和多思考模式強化學習（RL）機制，顯著提升模型的多模態感知、推理和think with image能力，使其能夠處理更復雜、需要多步思考的任務。

思維鏈冷啟動階段（CoT Cold-Start） 通過混合四種推理模式的訓練數據，實現對模型思維鏈能力的零基礎激活，使其初步掌握人類分步思考的推理范式。

混合強化學習階段（CoT-Mix RL） 在冷啟動基礎上，采用GRPO算法進行混合模式強化學習，通過創新的雙軌獎勵機制（同步評估結果正確性與過程一致性）深度優化多模態感知、數學推理、短視頻理解及智能體協同等綜合能力，顯著提升模型的推理能力。

多輪迭代對齊階段（Iterative Alignment） 利用MPO算法對優劣數據對進行多輪迭代，根治內容重復崩潰與邏輯斷層問題，最終賦予模型根據問題復雜度智能選擇深度推理模式的自適應能力，實現性能與穩定性的雙重突破。

Kwai Keye-VL通過分階段、精細化的預訓練與后訓練策略，特別是對推理能力的深度強化與創新性突破，確保了模型在多種復雜場景下都能提供高質量、邏輯嚴謹且穩定的輸出。

訓練架構優化：高效穩定的百億參數模型訓練

為實現百億參數模型的高效穩定訓練，Kwai Keye-VL通過混合并行策略（整合數據并行/序列并行/ZeRO技術）顯著提升訓練吞吐量，既利用顯存分片降低壓力，又通過計算通信重疊隱藏延遲。

不同于純文本模型訓練，多模態輸入分辨率差異很大，不同顯卡計算負載不均會導致整體利用率降低，Kwai Keye-VL在訓練框架中實現了全局負載均衡策略，依據樣本FLOPS動態分發樣本，盡可能消除硬件閑置，顯著提高了多模態訓練的MFU。創新性構建樣本級自動容錯機制，依托聯合檢查點技術使訓練意外中斷后可自動精準續訓無需人工介入。

后訓練階段通過升級vLLM框架加速采樣，并部署多獎勵模型隨機分發策略，大幅壓縮強化學習的計算耗時，系統性保障了大規模訓練的穩定性與效率。

模型評估

· 視覺理解/邏輯推理Benchmark

Kwai Keye-VL在綜合感知能力比肩同規模頂尖模型的同時，在復雜推理任務中展現出顯著領先優勢。

評測數據顯示：其基礎感知達行業一流水準；而在MMMU、MMStar等通用Benchmark及MathVista、OlympiadBench等推理Benchmark上，該模型性能曲線大幅領跑業界，尤其在需要高階邏輯推理與數學解題的挑戰性任務中，凸顯出卓越的復雜問題解決能力。

· 視頻理解Benchmark

Kwai Keye-VL通過公開與自建評測雙驗證，在學術標準與真實短視頻場景中均展現出全面領先優勢。

為突破公開數據集的數據污染、語言覆蓋局限及任務單一性等問題，快手構建了內部評測集KC-MMBench。

結果顯示，該模型在VideoMME等權威公開Benchmark中以67.4分超越Qwen2.5-VL-7B（62.7）與InternVL-3-8B（65.5）；在內部短視頻場景評測中優勢進一步擴大，綜合得分領先SOTA模型超10%，尤其在熱點聚合、內容合集、廣告價值等核心場景表現卓越，實證其學術與產業雙維競爭力。

當大模型的風暴席卷交互的疆界，重塑我們認知與交互的方式，Kwai Keye-VL——這顆由快手精心鍛造的視覺-語言「智能火種」，正在視頻理解的沃土上，燃起一場顛覆性的燎原之火！

這亦是Keye注入時代的核心動能，一場始于理解、終于交互的智能覺醒！

此刻，就讓我們以一首詩，為這段探索的華章作結，跟隨Keye的視角，感受智能之眼所洞見的壯闊未來……

提問：結合如下這張圖片，寫一首詩