剛剛，昆侖萬維正式開源了全球首個工業(yè)界多模態(tài)推理模型Skywork R1V（以下簡稱「R1V」）！

R1V高效地將DeepSeek-R1這種強(qiáng)大的文本推理能力無縫scaling到了視覺模態(tài)，實現(xiàn)了多模態(tài)領(lǐng)域的領(lǐng)先表現(xiàn)，并以開源方式推動了技術(shù)進(jìn)步。

由此，多模態(tài)推理的新時代即將開啟。

R1V的實力，究竟有多強(qiáng)？

在視覺問答任務(wù)中，R1V直接對標(biāo)Claude 3.5 Sonnet、GPT-4o等閉源模型，同時還保留了頂級文本推理能力。

在MMMU基準(zhǔn)測試中，R1V以69分創(chuàng)下同等規(guī)模新高，在MathVista上拿下67.5分，達(dá)到領(lǐng)先的開源模型水平。

無論是復(fù)雜的數(shù)學(xué)推理，還是圖像中的邏輯分析等，R1V都能輕松駕馭，堪稱多模態(tài)領(lǐng)域的「全能戰(zhàn)士」。

總結(jié)來說，R1V有以下三大亮點。

1. 全球第一個工業(yè)界開源多模態(tài)+推理模型
2. 性能接近甚至超越了規(guī)模大兩倍的開源模型
3. 通過開源讓技術(shù)可以惠及到更多人

這背后的締造者，就是中國的AI科技公司——昆侖萬維。

R1V的問世，更以開放的姿態(tài)為全球AI開源社區(qū)注入了全新活力。

即日起，模型權(quán)重、推理代碼、技術(shù)報告全盤開源。

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

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

技術(shù)報告：https://github.com/SkyworkAI/Skywork-R1V/blob/main/Skywork_R1V.pdf

這標(biāo)志著，昆侖萬維成為全球首家開源多模態(tài)思考模型的公司，朝著AGI落地邁出重要的一步。

而選擇開源R1V視覺思考模型，也正是昆侖萬維為了更堅定地貫徹AGI的夢想，推動開源社區(qū)的技術(shù)進(jìn)步。

R1V：全球首款開源多模態(tài)推理模型

此前，OpenAI o1和DeepSeek-R1在全球帶來了長思考模型的熱潮，讓大模型領(lǐng)域進(jìn)入了全新的技術(shù)范式。

而不同于長思考模型專注于多步推理的特點，視覺思考模型則專注于從圖像或視頻中提取信息、進(jìn)行邏輯推理。

如果要給它下個定義的話，什么是視覺思考模型？

簡單來說，視覺思考模型是一種，能在文本、視覺復(fù)雜任務(wù)中，展現(xiàn)驚人推理能力的AI。

它不僅能「讀懂」文字，還能「看懂」圖像，并基于此進(jìn)行深度分析和邏輯推理。

首先來一道數(shù)學(xué)題：「用圓心角為120°，半徑為6cm的扇形紙片卷成一個圓錐形無底紙帽，則這個紙帽的高是？」

R1V經(jīng)過短暫糾錯后，給出了清晰完整的解題過程，并得出正確答案，表現(xiàn)出了較強(qiáng)的邏輯推理能力。

圖片

接下來再來一道更難一些的：「函數(shù)f(x)=∣2x?3∣+1在x=2和x=5處的導(dǎo)數(shù)關(guān)系是？」

可以看到，R1V先找到了絕對值部分∣2x?3∣的零點：令2x-3=0得x=1.5。

然后得出，當(dāng)x≥1.5時，f(x)=2x-3+1=2x-2，導(dǎo)數(shù)f?'(x)=2；當(dāng)x<1.5時，f(x)=-(2x-3)+1=-2x+4，導(dǎo)數(shù)f?'(x)=-2。

由于題目中的x=2和x=5均大于1.5，所以都屬于f(x)=2x-2部分。因此，f?'(2)=2，f?'(5)=2，即兩點處的導(dǎo)數(shù)相等。

最后，R1V給出了答案：（B）等于。

圖片

以上案例中不難看出，R1V在視覺+推理上表現(xiàn)驚艷，所以，它是如何逆襲成功的？

煉丹之道，細(xì)節(jié)全公開

最新公開的技術(shù)報告中，揭秘了三大殺招。

跨模態(tài)遷移學(xué)習(xí)

昆侖萬維的研究者，首次發(fā)現(xiàn)了跨模態(tài)的遷移學(xué)習(xí)。

R1V首次實現(xiàn)了將大模型的文本推理能力高效遷移至視覺模態(tài)，通過Skywork-VL視覺投影器的有效訓(xùn)練，顯著保留了原有的推理能力。

整個過程無需從頭重新訓(xùn)練基座語言模型和視覺編碼器，且有效保留了原有的文本推理能力。

具體來說，研究者提出了一種高效的多模態(tài)遷移方法，通過MLP結(jié)構(gòu)，有效地將具有推理能力的語言模型與視覺骨干對齊。

這樣，就大幅減少了對大量多模態(tài)推理數(shù)據(jù)的需求。

這種方法背后的關(guān)鍵洞察，就在于將視覺-語言表示的對齊與推理能力的保留解耦。

直接將具有推理能力的語言模型（f_l）連接到視覺骨干（f_v），會需要大量的 R1風(fēng)格格式的多模態(tài)推理數(shù)據(jù)，以同時實現(xiàn)這兩個目標(biāo)。

然而這種做法成本太高，不切實際。因此，研究者采用了一種相反的分階段策略。

首先，他們訓(xùn)練一個MLP適配器，將fv與具有相同架構(gòu)但無推理能力的替代語言模型（）對齊；隨后，他們利用和f_l之間的潛在相似性，將預(yù)訓(xùn)練的MLP轉(zhuǎn)移，以使f_v與原始的推理能力模型f_l對齊。

這樣，所需數(shù)據(jù)量就大幅減少。

所導(dǎo)致的結(jié)果就是，正如前文提到的，R1V在權(quán)威的數(shù)學(xué)推理基準(zhǔn)測試AIME和MATH500中，分別取得72.0和94.0的高分，展現(xiàn)了強(qiáng)大的推理競爭力。

在同等規(guī)模大小模型中的推理能力遙遙領(lǐng)先，并且與閉源模型以及大尺寸模型相比，仍有很強(qiáng)的競爭力。

這樣的優(yōu)異的文本推理能力，直接「搬家」視覺領(lǐng)域，效率直接拉滿。

混合式訓(xùn)練策略

R1V還采用了迭代監(jiān)督微調(diào)（Iterative SFT）和 GRPO強(qiáng)化學(xué)習(xí)相結(jié)合的混合訓(xùn)練方法，能夠動態(tài)調(diào)整思維鏈長度。

這個過程，一共分為三個階段。

階段1：使用完整數(shù)據(jù)集，進(jìn)行初始訓(xùn)練；

階段2：使用定制數(shù)據(jù)，進(jìn)行迭代訓(xùn)練；

階段3：強(qiáng)化學(xué)習(xí)。

混合式訓(xùn)練策略

具體而言，在SFT階段，研究人員迭代訓(xùn)練一系列模型M?, ..., M?，其中每個后續(xù)模型M???，都在獎勵模型選擇的高質(zhì)量數(shù)據(jù)和前一迭代中處理不正確的樣本上進(jìn)行訓(xùn)練。

在RL階段，遵循了DeepSeek R1提出的方法，利用基于規(guī)則的獎勵系統(tǒng)GRPO，進(jìn)一步提升模型的泛化能力。

強(qiáng)化學(xué)習(xí)訓(xùn)練完成后，研究人員選擇一個在性能和推理合理性之間達(dá)到最佳平衡的模型作為最終模型。

經(jīng)此訓(xùn)練后的模型，不僅提升了推理效率，還在開源模型中，率先實現(xiàn)SOTA。

經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練，R1V在MMMU基準(zhǔn)上達(dá)到69分的高分，同時在MathVista上取得67.5分，接近更大規(guī)模閉源模型的表現(xiàn)。

自適應(yīng)長度思維鏈蒸餾

此外，研究團(tuán)隊還提出了一個自適應(yīng)長度的思維鏈蒸餾（AL-CoTD）框架。

像o1這樣的推理模型之所以表現(xiàn)出色，很大程度上歸功于，它們在推理時能模擬人類長時間的思考過程。

然而，一個關(guān)鍵問題來了——推理模型有時會「過度思考」。

或許你也感同身受：輸入一個問題后，AI有時會反復(fù)思考很多遍。

最近，來自UC伯克利CMU、UMass Amherst、上交大等國內(nèi)外機(jī)構(gòu)也通過研究實證，推理模型「過度思考」會導(dǎo)致計算資源浪費，甚至損害模型本身的性能。

某些情況下， AI生成的序列可能長達(dá)數(shù)萬個token，收益卻微乎其微。

昆侖萬維提出的AL-CoTD框架，可根據(jù)需求動態(tài)調(diào)整思維鏈長度，有效緩解推理模型「過度思考」的問題，并顯著提升了推理效率。

它一共包含三大核心組件：質(zhì)量與難度評估模塊（QDAM）、視覺-文本集成分析器（VTIA）、動態(tài)推理長度控制器（DRLC）。

自適應(yīng)長度思維鏈蒸餾

· QDAM

質(zhì)量與難度評估模塊利用GPT-4o系統(tǒng)性地評估圖文查詢對，從視覺得分（S_v）和文本得分（S_t）兩個主要維度進(jìn)行分析。

視覺得分（S_v）會量化圖像的視覺特征，具體包括圖像清晰度和圖像必要性。文本得分（S_t）則會分析語言特性，主要涵蓋問題質(zhì)量、難度級別和推理需求。

這個綜合評估框架能夠捕捉多模態(tài)查詢中的感知復(fù)雜性和認(rèn)知復(fù)雜性，從而能更準(zhǔn)確地評估多模態(tài)任務(wù)的難度。

· VTIA

視覺-文本融合分析器（VTIA） 通過句法分析和語義分析確定跨模態(tài)融合的必要深度，并計算融合評分（S_I）。

VTIA依靠GPT-4o識別圖文查詢中的模式，并根據(jù)查詢的復(fù)雜程度動態(tài)調(diào)整融合需求。

高融合模式常見于科學(xué)解釋類問題，涉及多個視覺對象的空間關(guān)系理解，需要高階視覺推理能力。低融合模式主要出現(xiàn)在物體識別任務(wù)，側(cè)重于直接物體識別，不需要復(fù)雜推理。

這樣，VTIA就實現(xiàn)了針對查詢復(fù)雜度的自適應(yīng)跨模態(tài)融合，確保模型合理分配計算資源。

· DRLC

動態(tài)推理長度控制器（DRLC） 通過歸一化的視覺得分（）、文本得分（）和融合評分（）來動態(tài)調(diào)節(jié)推理鏈的長度。

這些歸一化得分通過最小-最大縮放歸一化到區(qū)間 [0,1]。

推理鏈長度的調(diào)節(jié)遵循以下兩大原則：

1. 降低重復(fù)懲罰（促進(jìn)深入推理）：當(dāng)圖文質(zhì)量高、認(rèn)知難度大、視覺場景復(fù)雜時，降低重復(fù)懲罰，以允許更長的推理鏈。
2. 高重復(fù)懲罰（減少冗余推理）：當(dāng)查詢涉及低難度任務(wù)、簡單視覺識別，且文本-圖像的融合需求較低時，提高重復(fù)懲罰，從而縮短推理鏈，避免不必要的復(fù)雜推理。

· 多階段自蒸餾管線

在DRLC模塊的基礎(chǔ)上，研究者進(jìn)一步引入漸進(jìn)式自蒸餾策略，以提高推理數(shù)據(jù)的質(zhì)量。

總結(jié)來說，這篇論文的發(fā)表，也意味著相較于其他不開源或不免費的模型，昆侖萬維無償把上述技術(shù)思路給開源了。

這也就充分體現(xiàn)出R1V和DeepSeek的思路一樣，希望通過開源持續(xù)打造技術(shù)影響力。

進(jìn)化全模態(tài)

值得一提的是，當(dāng)前想要打造一個全模態(tài)的模型，不僅需要在特定領(lǐng)域獨立訓(xùn)練多個專業(yè)模型，而且還會面臨跨模態(tài)協(xié)同的算力挑戰(zhàn)。

為實現(xiàn)多模態(tài)到全模態(tài)的跨越，團(tuán)隊設(shè)計了一種全新的全模態(tài)擴(kuò)展技術(shù)，使得R1V在單個模型中具備同時處理圖像、視頻、語音等多種模態(tài)信息的能力。

結(jié)果顯示，「進(jìn)化」后的R1V不僅能夠在單個模型中同時實現(xiàn)圖像、視頻、語音的全模態(tài)思考能力，而且還能在語音和視覺理解評測中均斬獲多項SOTA成績。

敢為人先，中國AI企業(yè)硬核擔(dān)當(dāng)

作為中國AI領(lǐng)軍企業(yè)，昆侖萬維始終秉持著——實現(xiàn)AGI，讓每個人更好塑造和表達(dá)自我，持續(xù)深耕AI前沿技術(shù)。

過去3年，這家公司在音樂大模型、文本大模型、視頻模型等領(lǐng)域，取得了一系列突破，并構(gòu)建起了完整的AI產(chǎn)品矩陣：

• 天工AI搜索
• 全球首個AI音樂創(chuàng)作平臺Mureka
• AI短劇平臺SkyReels

更值得一提的是，上個月，團(tuán)隊還發(fā)布了世界模型系列Matrix-Zero。

當(dāng)世界模型能夠模擬物理世界時，虛擬實驗、仿真和影視創(chuàng)作都將迎來爆發(fā)式增長。

從AI前沿基礎(chǔ)研究，到基座模型，再到AI矩陣產(chǎn)品/應(yīng)用的完整布局，昆侖萬維正一步步將技術(shù)愿景變?yōu)楝F(xiàn)實。

下一步，他們還將陸續(xù)開源具有空間推理能力和世界理解能力的視覺思考模型，以及全模態(tài)思考模型。

而R1V的誕生，是中國AI向世界發(fā)出的洪亮聲音。