昆仑万维开源多模态思维链推理模型 Skywork R1V

昆仑万维正式开源了首款工业界多模态思维链推理模型Skywork R1V，成为中国第一个开源此类模型的企业。这一举措标志着昆仑万维在多模态 AI 领域的领先地位，并为全球开发者和研究人员提供了强大的工具，推动多模态推理技术的发展。

模型特点

Skywork R1V 是一种能够解决需要思维链（Chain-of-Thought）的视觉任务的模型。它通过对视觉信息进行多步逻辑推理与分析，逐步推导出最终结果。这种模型不仅关注图像内容的识别与理解，还强调通过层层递进的推理路径，实现复杂视觉问题的精准求解。其应用场景包括视觉逻辑推理、视觉数学问题、图像中的科学现象分析、医学影像的诊断推理等。

• GitHub：https://github.com/SkyworkAI/Skywork-R1V
• 模型：https://huggingface.co/Skywork/Skywork-R1V-38B

性能表现

1. 推理能力
   • 在权威的 MATH500 基准测试中，Skywork R1V 取得了 94.0 分。
   • 在 AIME 基准测试中，Skywork R1V 取得了 72.0 分，展现了顶尖的逻辑推理与数学分析能力。
2. 视觉理解能力
   • 在 MMMU 视觉推理基准测试中，Skywork R1V 取得了 69 分。
   • 在 MathVista 视觉推理基准测试中，Skywork R1V 取得了 67.5 分，成功地将文本推理与思维链推导能力迁移到视觉任务中。

关键技术创新

Skywork R1V 模型拥有三项关键技术创新，使其在多模态推理任务中表现出色：

1. 文本推理能力的多模态高效迁移
   • 技术细节：昆仑万维团队首次提出利用 Skywork-VL 的视觉投影器，无需重新训练语言模型和视觉编码器，即可实现文本推理能力的高效迁移到视觉任务。
   • 优势：保留了优秀的原本推理文本能力（AIME 72.0，MATH500 94.0），同时提升了视觉任务的推理能力。
2. 多模态混合式训练（Iterative SFT + GRPO）
   • 技术细节：通过结合 迭代监督微调（Iterative SFT） 和 GRPO 强化学习，分阶段对齐视觉-文本表征，实现跨模态任务的高效融合。
   • 优势：推动模型在 MMMU 基准达到 69 分的能力，同时在 MathVista 达到 67.5 分，与更大规模的闭源模型基本持平。通过反复迭代地利用高质量数据与高难度数据的组合，实现模型持续的知识巩固与错误纠正，显著提升了多模态推理的精度与泛化性能。
3. 自适应长度思维链蒸馏
   • 技术细节：团队提出了一种基于视觉-文本复杂度的自适应推理链长度控制机制，动态优化模型推理过程，避免模型“过度思考”，提升推理效率。结合多阶段自蒸馏策略，进一步提升了数据生成与推理过程的质量。
   • 优势：促进了模型在复杂多模态任务中的表现，提高了推理效率和精度。