开启多模态思考新时代：昆仑万维开源 R1V 视觉思维链推理模型

IT之家 3 月 18 日消息，昆仑万维今日正式开源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「多模态推理模型」的企业，即日起开源模型权重和技术报告。

模型权重下载

• Hugging Face：点击这里下载模型权重

• GitHub：下载模型权重

详细技术报告

• 查看详细技术报告

据介绍，视觉推理模型是一类能够解决需要思维链（Chain-of-Thought）的视觉任务的模型，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。这种模型关注图像内容的识别与理解，同时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，例如视觉逻辑推理、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。

在 Reasoning 推理能力方面，Skywork R1V 实现了模型的顶尖逻辑推理与数学分析能力，在权威的 MATH500 和 AIME 基准测试中，Skywork R1V 分别取得 94.0 和 72.0 分；在 Vision 视觉理解能力方面，Skywork R1V 成功地将其文本推理与思维链推导能力迁移到视觉任务中，在 MMMU 与 MathVista 等视觉推理基准中分别取得了 69 和 67.5 分。

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

文本推理能力的多模态高效迁移

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，同时保留了优秀的原本推理文本能力（AIME 72.0，MATH500 94.0）。

多模态混合式训练（Iterative SFT+GRPO）

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，极大提升跨模态任务的表现。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。

自适应长度思维链蒸馏

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，促进了模型在复杂多模态任务中的表现。

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考。