虽然多模态大语言模型（MLLMs）在静态图像上展示了显著的能力，但它们在理解和处理当今数字环境中占主导地位的动态、信息密集型短视频方面往往表现不佳。为了弥补这一差距，我们推出了快手Keye-VL，这是一款具有80亿参数的多模态基础模型，旨在实现短视频理解领域的前沿性能，同时保持强大的通用视觉-语言能力。Keye-VL的开发基于两个核心支柱：一个超过6000亿个标记的大规模、高质量数据集，特别强调视频内容；以及一种创新的训练方法。该训练方法包括四个阶段的预训练过程，以确保视觉-语言对齐的稳固性，随后是一个细致的两阶段后训练过程。第一阶段后训练旨在增强基础能力，如指令遵循；第二阶段则专注于激发高级推理能力。在这一阶段，我们的关键创新之一是五模式“冷启动”数据混合（five-mode "cold-start" data mixture），其中包括“思考”、“非思考”、“自动思考”、“带图思考”和高质量视频数据。这种混合数据教会模型何时以及如何进行推理。后续的强化学习（RL）和对齐步骤进一步提升了这些推理能力，并纠正了模型的一些异常行为，例如重复输出。为了验证我们的方法，我们进行了广泛的评估，结果显示Keye-VL在公开视频基准测试中达到了最先进的水平，并且在通用图像任务中仍然表现出色（图1）。此外，我们还开发并发布了KC-MMBench，这是一个针对现实世界短视频场景的新基准测试，在该基准测试中Keye-VL显示出明显的优势。