Skywork R1V

Skywork R1V – 昆仑万维开源的多模态思维链推理模型

Skywork R1V是昆仑万维推出的首款开源工业多模态推理模型，具备卓越的视觉链式推理能力。该模型能够针对视觉输入进行多步逻辑推理，成功应对复杂的视觉任务，涵盖视觉逻辑推理、数学问题解析、科学现象分析及医学影像诊断等多个领域。Skywork R1V在众多权威基准测试中表现出色，例如在MATH-500和AIME测试中分别获得94.0和72.0的高分，明显优于其他主流模型，推动了多模态推理模型的发展，有助于学术研究和产业应用的深入探索。

Skywork R1V是什么

Skywork R1V是昆仑万维推出的首款工业界多模态思维链推理模型，具备强大的视觉链式推理能力。该模型能够进行多步逻辑推理，解决复杂的视觉任务，如视觉逻辑推理、视觉数学问题、科学现象分析及医学影像诊断等。Skywork R1V在多个权威基准测试中表现优异，如在MATH-500和AIME测试中分别获得94.0和72.0的高分，显著领先于其他主流模型。此开源模型推动了多模态推理领域的发展，助力学术研究与产业应用的探索。

Skywork R1V

Skywork R1V的主要功能

视觉链式推理：能够对图像和视频等视觉输入进行多步逻辑推理，逐步分析以得出复杂问题的答案。
数学与科学问题求解：识别和解析图像中的数学问题或科学现象，结合推理能力逐步给出解决方案。
跨模态理解：将视觉信息与文本信息深度融合，实现更丰富的语义理解。
复杂视觉任务处理：处理诸如医学影像诊断推理、艺术作品分析等复杂视觉任务。

Skywork R1V的技术原理

文本推理能力的多模态迁移：利用视觉投影器（Visual Projector），高效将文本推理能力迁移至视觉任务，无需重新训练语言模型和视觉编码器，保留模型在文本推理任务中的强大能力，同时处理视觉输入。
多模态混合式训练（Iterative SFT + GRPO）：结合迭代监督微调（Iterative SFT）和群组相对策略优化（GRPO）强化学习，分阶段对齐视觉与文本表征，通过高质量数据与高难度数据的结合，反复迭代训练，提升模型在跨模态任务中的表现，在视觉推理基准测试中达到或超越现有领先模型。
自适应长度思维链蒸馏：引入基于视觉-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，结合多阶段自蒸馏策略，避免模型“过度思考”，提升推理效率和质量。
三阶段训练方法：
- 初始对齐：使用轻量级视觉适配器（MLP）连接视觉编码器和语言模型，在常规多模态数据上进行训练，初步对齐视觉与语言表征。
- 推理能力迁移：将训练完成的适配器与强推理语言模型连接，形成视觉推理模型，使其具备初步的视觉推理能力。
- 精准对齐：基于混合优化框架（Iterative SFT + GRPO）进一步精准对齐视觉和语言模态，增强模型的多模态推理能力。

Skywork R1V的性能表现

逻辑推理能力：
- 在MATH-500基准测试中，Skywork R1V取得94.0的高分，远超其他同规模或更大规模的开源模型。
- 在AIME 2024基准测试中，Skywork R1V达到了72.0%的通过率。
- 在GPQA（General Physics Question Answering）基准测试中，Skywork R1V的通过率为61.6%。
视觉理解能力：
- 在MathVista（视觉数学推理）基准测试中，Skywork R1V获得67.5分。
- 在MMMU（Multimodal Medical Understanding）基准测试中，Skywork R1V达到69.0分。