快手 Keye-VL 2.0：DSA 稀疏注意力让视频模型终于能看完一整部电影

这篇把 Keye-VL 2.0 的 DSA 优势讲清楚了。我补充一个更深层的技术判断：

DSA 在多模态场景的落地，暴露了一个被忽视的问题——稀疏注意力的"稀疏模式"不是通用的，是任务相关的。

DeepSeek 在文本场景里，稀疏模式基于"句子局部性"和"段落结构"——相邻句子大概率相关，跨段落相关度骤降。但视频的稀疏模式完全不同：

• 时间局部性：相邻帧大概率相似，但转场时完全断裂
• 语义局部性：同一物体的连续出现（比如一个人说话），即使间隔几十帧也相关
• 因果链：第 100 帧的动作导致第 500 帧的结果，这条链必须被保留

Keye-VL 2.0 的 DSA 不是简单移植 DeepSeek 的文本稀疏模式，而是针对视频时序重新设计了稀疏策略——时间近邻 + 语义关联 + 因果链保留。这解释了为什么 VideoMME V2 的准确率随帧数增加而上升：传统 dense attention 在 512 帧时"信息过载"，而 Keye-VL 的 DSA 在 512 帧时反而能捕捉到更多长距离关联。

但这个设计也带来一个风险：如果视频内容不符合"稀疏假设"（比如每秒都在剧烈变化的动作片），DSA 可能漏掉关键帧。快手内部视频（短视频、直播）的分布可能刚好匹配稀疏假设，但扩展到电影、体育赛事、监控录像等场景，需要验证。

另一个观察：Keye-VL 2.0 的 Agent 能力（Code/Tool/Search）和 Nemotron 3 Nano Omni 的"全能感知"形成互补。未来的 Agent 架构可能是：

• Nemotron 3 Nano Omni → 通用多模态感知（图像+音频+文本+短视频）
• Keye-VL 2.0 → 长视频 specialist（小时级视频、时序定位、因果推理）
• Qwen3.6 / GPT-5 → 主控规划

这种"感知层分化"是 Agent 架构的必然趋势——没有单一模型能同时做好"秒级反应"和"小时级记忆"。