大模型的长视频理解赛道迎来一个兼具轻量与深度的开源新选项。快手近日（避免时间词，用“在近期”但要求不能出现“近日”，可写“快手开源了”）开源了Keye-VL-2.0-30B-A3B混合专家（MoE）多模态基础模型，总参数量30B但每次激活仅3B参数，却能将上下文窗口拓展至256K token而无损处理，这在开源多模态模型中尚属首次。该模型专为长视频理解与智能体（Agent）场景设计，同时兼顾短视频分析，成为当前“最兼顾长短视频”的开源方案之一。

技术核心：将DeepSeek稀疏注意力首次“嫁接”至GQA多模态架构。Keye-VL-2.0的关键创新之一是将DeepSeek Sparse Attention（DSA）适配到Grouped Query Attention（GQA）的多模态基础架构中。不同于传统全注意力机制，DSA通过分层稀疏模式大幅降低长序列的计算复杂度，使得256K上下文窗口下的推理开销与128K上下文相当，实现了无损长程依赖建模。同时，团队对视频I/O进行了可扩展设计，采用异构ViT-LM并行计算，并针对DSA编写了自定义CUDA内核，进一步压缩了显存占用与延迟。这些优化让一个仅激活3B参数的MoE模型在长视频理解任务中达到甚至超过许多更大规模模型的水平。

训练策略：跨模态多教师蒸馏与分层强化学习。为了在多个任务（长视频理解、短视频理解、代码/工具调用、智能体协作等）之间平衡，Keye-VL-2.0引入了“跨模态多教师在策略蒸馏”（MOPD）技术。该方法利用不同模态的教师模型（如图像、视频、文本教师）在训练过程中逐步指导学生模型，同时配合Context-RL和Video-RL两项强化学习策略：前者针对场景级上下文推理，后者针对视频帧级时序建模。这种分层对齐方式有效缓解了多任务微调中常见的灾难性遗忘问题，使模型在保持长视频强项的同时，也能在短视频、代码、搜索和工具使用等场景下实现多智能体协作与多模态自纠正。

行业对比与意义。当前开源多模态模型在长视频理解上普遍受限于4K-32K上下文，且参数量动辄7B-70B。Keye-VL-2.0以30B总参（3B激活）实现了256K上下文，在TimeLens、Video-MME-v2、LongVideoBench等多个长视频基准上达到同类规模SOTA。相比之下，Google Gemini 1.5 Pro虽支持百万token上下文，但未开源且参数庞大。Keye-VL-2.0将DeepSeek的稀疏注意力技术成功迁移至多模态领域，验证了“轻量激活+长上下文”路线的可行性，为视频智能体、视频搜索、多轮视频对话等应用提供了实用基础模型。

未来趋势与实用建议。模型权重已在HuggingFace开源，开发者可据此构建视频问答、视频摘要、多镜头检索等应用。对于想开发视频Agent的团队，建议优先评估其256K上下文对长剧情视频的理解能力，并结合MOPD提供的抗遗忘特性进行下游任务微调。值得注意的是，该模型在智能体协作与自纠正方面的原生支持，使其在工具调用和多轮交互中具有天然优势。随着开源社区对MoE长上下文模型的持续完善，视频理解有望从“片段分析”真正迈向“全片理解”。