近日，快手正式发布多模态大语言模型Keye-VL-1.5-8B。与之前的版本相比，Keye-VL-1.5的综合性能实现显著提升，尤其在基础视觉理解能力方面，包括视觉元素识别、推理能力以及对时序信息的理—表现尤为突出。Keye-VL-1.5在同等规模的模型中表现出色，甚至超越了一些闭源模型如GPT-4o。
创新性提出慢快编码策略 兼顾性能与成本
为了在短视频理解任务中同时实现高准确性与高效率。Keye-VL-1.5 创新性地提出了慢快编码策略 (slow-fast)，该策略设置慢通路处理快速变化帧（低帧数-高分辨率），快通路处理静态帧（高帧数-低分辨率），从而在节省计算资源的同时保留关键信息。
渐进式四阶段预训练方法 大幅增强视频理解能力
Keye-VL-1.5采用四阶段渐进式训练流水线，以系统化方式提升模型性能。首先，在视觉编码器预训练阶段，使用SigLIP-400M权重初始化ViT，并通过SigLIP对比损失持续预训练以适应内部数据分布。第一阶段重点优化投影MLP层，实现跨模态特征的稳固对齐；第二阶段解冻全部参数进行端到端多任务预训练，显著增强基础视觉理解能力；第三阶段进行退火训练，利用高质量数据微调模型，弥补上一阶段中高质量样本接触不足的问题，同时将序列长度扩展至128K、调整RoPE逆频率配置，并引入长视频、长文本和大尺度图像等长上下文数据。
最终，通过同质-异质融合技术对不同数据混合比例下的模型权重进行平均，减少固定数据比例带来的内在偏差，在保持多样化能力的同时提升模型的鲁棒性。
构建一套完整的后训练流程 全面提升推理能力与人类偏好对齐
Keye-VL-1.5构建了一套系统化的后训练流程，包含四个核心阶段：监督微调与多偏好优化、长链思维冷启动、迭代通用强化学习以及对齐强化学习。该流程进一步融合了由快手Keye团队提出的五步自动化数据构建流水线，并依托GSPO算法对通用强化学习与对齐阶段进行迭代优化，显著增强了模型的推理能力，同时更好地与人类偏好实现对齐。
在多项权威评测中，Keye-VL-1.5-8B表现突出，在MMMUval、OpenCompass等大型多模态评测中达到同类规模最佳成绩，在Video-MMMU视频理解评测中取得66分，展现出领先的视频语义理解与技术落地潜力。
此外，Keye-VL-1.5-8B目前已在Hugging Face、GitHub等平台开源，相关技术报告同步发布，推动多模态大模型技术共享与生态共建。
快手Keye团队表示，该模型依托快手在短视频领域的深厚积累，在视频时序理解、场景推理与指令跟随等关键能力方面优势显著。未来，Keye-VL将持续推进多模态大模型在视频语义理解与生成领域的探索与应用。
项目主页与技术报告：https://arxiv.org/pdf/2509.01563
Github：https://github.com/Kwai-Keye/Keye
Model：https://huggingface.co/Kwai-Keye/Keye-VL-1.5-8B
