快手今日正式开源 Kwai Keye-VL-2.0-30B-A3B，这是一个面向长视频理解与智能体协作的混合专家多模态基础模型。在总参数量30B的前提下，每次推理仅激活3B参数，却将上下文窗口扩展至256K tokens，且实现了无损处理——这一突破直接指向当前多模态模型在长视频场景下的核心瓶颈：计算开销与上下文长度的矛盾。

模型的核心创新在于首次将 DeepSeek Sparse Attention (DSA) 移植到分组查询注意力（GQA）架构中。传统多头注意力处理长序列时，注意力矩阵随序列长度平方增长，而DSA通过稀疏化注意力掩码，在保持建模能力的前提下将复杂度降至线性。这一适配并非简单替换：团队同时优化了视频I/O管线、异构ViT与语言模型端并行策略，并定制了DSA内核，最终在256K序列上实现了吞吐量与计算开销的平衡。相比此前多数模型仅支持8K-32K上下文（如LLaVA-NeXT系列），Keye-VL-2.0的256K意味着能够一次性处理超过10分钟的高清视频帧。

在训练方法论上，快手提出 跨模态多教师在策略蒸馏（MOPD），结合上下文强化学习与视频强化学习，缓解多任务对齐中的灾难性遗忘。具体而言，MOPD从不同模态的教师模型中蒸馏知识，并利用策略采样进行在线优化——这有别于常规的离线知识蒸馏。双重RL则分别针对时序上下文理解（Context-RL）和视频级动作规划（Video-RL），使模型既能定位长视频中的关键帧，又能为智能体任务（如代码执行、工具调用）生成多步推理。模型原生支持多智能体协作与多模态自纠正，例如在视觉问答中若检测到初始答案置信度低，可主动调用搜索工具或切换视角重新分析。

基准测试结果佐证了这一路线的有效性：在 TimeLens（长时事件定位）、Video-MME-v2（多模态理解）、LongVideoBench（长视频推理）等数据集上，Keye-VL-2.0以3B激活参数达到了同类规模最佳水平，甚至在某些指标上接近7B-13B激活参数的模型。这得益于MoE架构的路由效率——每个token仅激活部分专家，配合稀疏注意力，使得实际计算量远低于全参数模型。

从行业角度看，Keye-VL-2.0填补了两个空白：一是长视频理解模型往往因上下文限制而被迫采用分段分析，导致时序关系丢失；二是视频智能体（Video Agent）此前多依赖外部记忆模块或分步重采样，模型本身缺乏原生长程推理能力。快手将权重开源，意味着开发者可以直接基于该模型构建视频摘要、自动化剪辑、监控分析等应用，无需负担全参数部署的算力成本。

对于关注视频智能体的团队而言，建议优先测试其在以下场景的表现：需要多轮交互的视频问答（例如“从第5分钟开始，演示者换了几次工具？”）、复杂事件推理（如“事故发生前有哪些征兆？”）以及多智能体协作任务（多个Agent分别处理视频、代码和数据库）。同时需注意，模型虽支持128K默认上下文，但256K模式需依赖定制内核与足够显存（至少A100-80GB级别），实际部署时应根据视频时长选择合适长度。

未来，随着稀疏注意力与MoE在多模态领域的进一步融合，3B激活参数覆盖256K上下文将不再是孤例。快手此举加速了从“短片段理解”到“完整叙事理解”的范式迁移，也为视频智能体从研究原型走向工程落地提供了可信赖的基础设施。