Skywork R1V：昆侖萬維開源的全球首個工業(yè)級開源多模態(tài)推理模型

昆侖萬維于2025-03-18發(fā)布在Ai產(chǎn)品

Skywork R1V是什么？

Skywork R1V 是由昆侖萬維開源的一款多模態(tài)思維鏈推理模型，于2025年3月18日正式發(fā)布。

Skywork R1V 是全球首個工業(yè)級開源多模態(tài)推理模型，專注于通過多步邏輯推理解決復(fù)雜的視覺任務(wù)。它將文本推理能力高效遷移到視覺任務(wù)中，實現(xiàn)了視覺與文本模態(tài)的深度融合。Skywork R1V不僅能理解圖像和文本，還能進行多步驟邏輯推理，尤其擅長處理基于圖像的復(fù)雜問題。

Skywork R1V：昆侖萬維開源的全球首個工業(yè)級開源多模態(tài)推理模型.jpg

Skywork R1V功能特征

視覺鏈式推理：能對復(fù)雜視覺任務(wù)進行多步邏輯推理，逐步分析并得出結(jié)論。
數(shù)學(xué)與科學(xué)問題求解：可識別圖像中的數(shù)學(xué)或科學(xué)問題，結(jié)合推理能力給出逐步解答。
跨模態(tài)融合：將視覺與文本信息深度融合，提升語義理解能力。
高效推理優(yōu)化：通過自適應(yīng)長度思維鏈蒸餾，動態(tài)調(diào)整推理深度，節(jié)省算力并提升效率。
強大的推理與視覺理解能力：在多項基準測試中表現(xiàn)出色，邏輯推理和視覺理解能力均達到較高水平。

Skywork R1V技術(shù)原理

文本推理能力的多模態(tài)遷移：通過視覺投影器（Visual Projector），無需重新訓(xùn)練語言模型和視覺編碼器，即可將文本推理能力遷移到視覺任務(wù)中。
多模態(tài)混合式訓(xùn)練（Iterative SFT + GRPO）：結(jié)合迭代監(jiān)督微調(diào)（Iterative SFT）和群組相對策略優(yōu)化（GRPO）強化學(xué)習，分階段對齊視覺與文本表征，提升模型在跨模態(tài)任務(wù)中的表現(xiàn)。
自適應(yīng)長度思維鏈蒸餾：引入基于視覺-文本復(fù)雜度的自適應(yīng)推理鏈長度控制機制，動態(tài)優(yōu)化模型推理過程，避免“過度思考”，提升推理效率和質(zhì)量。
三階段訓(xùn)練方法：

初始對齊：使用輕量級視覺適配器（MLP）連接視覺編碼器和語言模型，在常規(guī)多模態(tài)數(shù)據(jù)上訓(xùn)練，初步對齊視覺與語言表征。
推理能力遷移：將訓(xùn)練好的適配器與強推理語言模型連接，形成視覺推理模型，賦予模型初始視覺推理能力。
精準對齊：基于混合優(yōu)化框架（Iterative SFT + GRPO）進一步精準對齊視覺和語言模態(tài)，提升多模態(tài)推理能力。