昆仑万维领先推出全新 R1V 视觉思维链，引领多模态思考新时代

打破思维边界，探索多维智能未来

　　 近日，昆仑万维宣布正式推出国内首个工业级多模态思维链推理模型SkyworkR1V，并面向公众开源模型权重和技术报告，此举标志着中国企业在多模态技术领域迈出了重要一步。从今天起，开发者和研究者们可以自由访问这一资源，共同推动相关技术的发展与创新。 在我看来，昆仑万维此次的开源行动不仅彰显了其在技术创新上的前瞻性和责任感，也为国内人工智能行业注入了新的活力。随着多模态技术逐渐成为未来发展的关键方向之一，这种开放共享的态度有助于降低技术研发门槛，促进更多优质项目的诞生。同时，这也体现了中国企业在全球科技竞争中的积极姿态——通过加强基础研究和核心技术积累，不断提升自身在全球产业链中的地位。希望未来能看到更多类似的合作与探索，让科技更好地服务于社会进步。

　　 Hugging Face：https://huggingface.co/Skywork/Skywork-R1V-38B

　　 GitHub：https://github.com/SkyworkAI/Skywork-R1V

　　 https://github.com/SkyworkAI/Skywork-R1V/blob/main/Skywork_R1V.pdf

　　 据介绍，视觉推理模型是一种专注于通过多层次逻辑分析来解决复杂视觉任务的技术。这类模型不仅能够识别图像内容，还能深入理解其中的细节，并通过逐步推理得出结论。它在视觉逻辑推理、数学问题解答以及医学影像分析等领域展现出了强大的能力。例如，在医学领域，这种模型可以帮助医生快速准确地诊断疾病，提升医疗效率；在科学研究中，它能帮助分析复杂的实验现象，为科研人员提供有力支持。 我认为，随着技术的进步，视觉推理模型的应用前景非常广阔。它不仅能提高工作效率，还能在一些关键领域发挥重要作用，比如医疗健康和科学研究。然而，我们也应该注意到，尽管这些模型具有很高的准确性，但它们仍然依赖于大量高质量的数据训练，因此数据的质量和多样性至关重要。此外，如何确保模型的安全性和隐私保护也是未来需要重点关注的问题。总体而言，视觉推理模型为我们打开了一个全新的视角，让我们能够以更智能的方式理解和处理视觉信息。

　　 SkyworkR1V在逻辑推理和数学分析方面展现出卓越的能力，在备受认可的MATH500和AIME评测中，分别获得了94.0分和72.0分的优异成绩。在视觉理解领域，SkyworkR1V成功将文本推理与思维链推导能力应用到视觉任务上，在MMMU和MathVista等视觉推理基准测试中，分别取得了69分和67.5分的好成绩。

　　 昆仑万维称 Skywork R1V 模型拥有三项关键技术创新，附如下：

　　 昆仑万维团队创新性地提出了基于Skywork-VL的视觉投影器，这一方法能够在不重新训练语言模型和视觉编码器的情况下，将文本推理能力高效迁移至视觉任务，同时依然保持了出色的文本推理性能（AIME72.0，MATH50094.0）。

　　 采用迭代监督微调（IterativeSFT）与GRPO强化学习相结合的方式，分阶段对齐视觉与文本表征，有效促进跨模态任务的深度融合，大幅提高跨模态任务的表现水平。该方法使模型在MMMU基准测试中取得69分的成绩，在MathVista上获得67.5分，与更大规模的闭源模型表现相当。通过反复利用高质量数据和高难度数据的组合，模型得以不断强化知识积累并修正错误，显著增强了多模态推理的准确性和泛化能力。

　　 研究团队设计了一种以视觉-文本复杂度为基础的自适应推理链长度调控方法，通过动态调整模型推理步骤，有效防止模型“过度思考”，显著提高了推理效率。此外，结合多阶段自蒸馏技术，该机制进一步优化了数据生成和推理质量，增强了模型在复杂多模态任务中的综合表现。