刚刚在Hugging Face刷新模型时，看到KwaiKeye放出了Keye VL 2.0-30B-A3B。

这个多模态模型总参数30B，活跃参数只有3B，Apache 2.0完全开源。

它直接用DeepSeek Sparse Attention实现了256K上下文。

最有意思的是视频理解部分的表现。

你喂给它的帧数越多，模型准确率反而稳步上升。

这和我们以前觉得长视频容易让模型迷失的直觉完全相反。

它在多个长视频基准上已经和Qwen3 VL、Gemini 3 Flash打成平手。

以前大家总觉得多模态模型要么上下文够长，要么理解够深，二者很难兼得。

现在KwaiKeye把稀疏注意力真正落地，把这两件事同时推到一个新水平。

实际效果如何，后面看看真实case册书。