Skywork-R1V
Skywork AI (Kunlun Tech) · Sonstiges
Skywork-R1V ist eine offene Reihe multimodaler Reasoning-Modelle von Skywork AI. Es liest Bilder und löst Mathe-, Wissenschafts- und Diagrammaufgaben Schritt für Schritt.
Über Skywork-R1V
What Is Skywork-R1V
Skywork-R1V ist eine Familie von Vision-Language-Modellen von Skywork AI, dem Forschungsarm von Kunlun Tech. Damit ist die Reihe ein multimodales Reasoning-Modell und zugleich Open-Source-KI multimodal, die die Gewichte in Ihre Hand legt. Die Idee hinter der Reihe ist leicht zu beschreiben und schwer umzusetzen: Man nehme ein Modell, das bereits gut in Text schlussfolgert, und gebe ihm die Fähigkeit, über Bilder zu schlussfolgern, ohne diese Stärke zu verlieren. Skywork nennt das, starkes Schlussfolgern vom Text auf die Vision zu übertragen. Die meisten multimodalen Modelle erkennen, was auf einem Bild zu sehen ist; R1V arbeitet die Schritte dahinter durch.
Das erste R1V erschien im März 2025 als Veröffentlichung mit offenen Gewichten, und das Team hat seitdem schnell nachgelegt. R1V2 folgte im April, R1V3-38B kam im Juli mit 76,0 im MMMU-Benchmark, und R1V4-Lite landete im November als leichteres agentisches Modell. Jeder Schritt bewegte die Reihe vom reinen Schlussfolgern hin zu Modellen, die handeln. Sie können die Gewichte bei Hugging Face herunterladen, lokal ausführen oder die gehostete API aufrufen.
Zwei Grenzen zählen von Anfang an. Die 38B-Modelle sind groß genug, dass der eigene Betrieb ernsthafte Hardware verlangt, außer man wählt eine quantisierte Variante. Und R1V ist eine Veröffentlichung auf Forschungsniveau, sodass das Umfeld davon ausgeht, dass Sie sich mit Python und einem Modellserver auskennen.
Getting Started
- Wählen Sie eine Version aus der Hugging-Face-Sammlung, die zu Ihrer Hardware passt, von R1V3-38B bis zu einer quantisierten Variante
- Klonen Sie das Skywork-R1V-Repository auf GitHub und richten Sie die Python-Umgebung mit dem mitgelieferten Skript ein
- Laden Sie ein Modell mit Transformers oder vLLM und richten Sie es auf ein Bild plus eine Frage
- Für den gehosteten Weg legen Sie ein Konto auf der Skywork-Plattform an und rufen den Completions-Endpunkt mit Bild und Prompt auf
Produktinformationen
Ein kurzer Überblick über Preise, unterstützte Plattformen und die Leistung von Skywork-R1V.
Am besten für
Die Nutzer, Aufgaben und Szenarien, für die dieses Tool am besten passt.
Nutzer
- KI-Forschende
- Machine-Learning-Engineers
- Studierende und Selbstlernende
- Startups mit knappem Budget
Aufgaben
- Visuelle Mathe- und Wissenschaftsaufgaben
- Diagramm- und Grafikanalyse
- Dokumentenverständnis
- Prüfung medizinischer und technischer Bilder
- Agentische Bildaufgaben
Szenarien
- Eine Studentin fotografiert eine handschriftliche Aufgabe
- Ein Forscher vergleicht Benchmarks
- Ein kleines Team braucht Vision ohne hohe Rechnung
- Ein Entwickler liest ein dichtes Diagramm
- Ein Support-Team sortiert gescannte Formulare
Wichtigste Funktionen
Multimodales Schlussfolgern in der Gedankenkette (Gedankenkette Reasoning)
Der Kern von Skywork-R1V ist, dass es in Schritten schlussfolgert, statt ein Antwortmuster abzugleichen. Geben Sie ihm eine Geometrieaufgabe mit Skizze, und es arbeitet die Logik durch, bevor es zu einem Ergebnis kommt. Das Team hat die Reihe darum gebaut, Textschlussfolgern auf die Vision zu übertragen, sodass das Modell seine Mathe- und Logikfähigkeiten behält, während es ein Bild liest. Diese Kombination trennt es von einem Modell, das nur Bildunterschriften erzeugt.
Anpassbare Länge der Gedankenkette
Nicht jede Frage braucht eine lange Gedankenkette. R1V passt an, wie viel es schlussfolgert, je nachdem, wie schwer die Aufgabe wirkt und wie klar das Bild ist. Eine einfache Erkennungsfrage bekommt einen kurzen Weg, eine mehrstufige Wissenschaftsaufgabe die volle Behandlung. So bleibt die Inferenz effizient und der Denküberschuss fällt weg, der andere Reasoning-Modelle bremst.
Führende offene Benchmarks
Laut Skywork erreicht R1V3-38B 76,0 bei MMMU und 77,1 bei MathVista, und das erste R1V kam auf 94,0 bei MATH500 und 72,0 bei AIME. Diese Zahlen bringen die offene Veröffentlichung bei fächerübergreifenden Aufgaben in die Nähe deutlich größerer proprietärer Modelle. Das Team veröffentlicht den Evaluationscode, sodass Sie die Benchmarks selbst nachlaufen können, statt die Werte zu glauben.
Offene Gewichte unter permissiver Lizenz
Die Gewichte von R1V3 stehen unter der MIT-Lizenz, die kommerzielle Nutzung, Veränderung und Weitergabe erlaubt. Sie können sie bei Hugging Face herunterladen, auf eigener GPU ausführen und ein Produkt darauf bauen, ohne eine Gebühr pro Aufruf zu zahlen. Nur wenige Vision-Modelle dieser Klasse kommen mit so offenen Bedingungen.
Quantisierte Varianten für kleinere Hardware
Skywork veröffentlicht AWQ-quantisierte Versionen von R1V und R1V2, die auf einer einzigen Karte mit mehr als 30 GB Speicher laufen. Das senkt die Hardwarehürde von einem Multi-GPU-Rechner auf eine Workstation-Karte, was zählt, wenn Sie das Modell testen wollen, bevor Sie sich an einen Cluster binden. Der Preis ist ein kleiner Genauigkeitsverlust, der bei den härtesten Benchmarks sichtbar wird.
Aktive Bildoperationen in R1V4-Lite
Die neueste Veröffentlichung, R1V4-Lite, kann etwas, das die früheren Modelle nicht können. Ist ein Foto unscharf oder schlecht gerahmt, schneidet es zu, zoomt, dreht oder findet selbst eine Region und schlussfolgert dann über die bessere Ansicht. Es kann mitten in der Aufgabe ein kleines Werkzeug schreiben, um das Bild zu korrigieren. Das Modell ist leicht genug für den Produktivbetrieb und antwortet in einem Bruchteil der Zeit größerer Modelle.
Vor- und Nachteile
Vorteile
- Offene Gewichte unter MIT-Lizenz lassen Sie das Modell kostenlos selbst hosten und darauf aufbauen
- Starke Benchmark-Werte bei MMMU, MathVista und MATH500 für ein 38B-Modell
- Schlussfolgern in Schritten macht Antworten leichter prüfbar als ein Schuss ins Blaue
- Quantisierte Varianten laufen auf einer GPU mit 30 GB Speicher, was die Hardwarekosten senkt
- Die gehostete API lässt sich auf der Skywork-Plattform kostenlos testen
Nachteile
- Das volle 38B-Modell selbst zu betreiben verlangt ein ernsthaftes GPU-Setup
- Quantisierte Versionen verlieren Genauigkeit bei den härtesten Aufgaben, der Kompromiss ist also real
- Die Einrichtung setzt Python- und Modellserver-Kenntnisse voraus, was sie für Nicht-Techniker unerreichbar macht
- R1V4-Lite wird als Agent vermarktet, doch seine Kanalabdeckung ist schmaler als der Reasoning-Kern
Häufige Fragen
Skywork-R1V ist eine offene Reihe multimodaler Reasoning-Modelle von Skywork AI. Jedes Modell liest ein Bild und folgt einer Gedankenkette, um eine Frage zu beantworten, statt nur zu benennen, was es sieht. Die Reihe umfasst R1V, R1V2, R1V3-38B und R1V4-Lite.
Ähnliche Inhalte
Entdecke passende Tools, Skills und Artikel zu Skywork-R1V.
Alternativen zu Skywork-R1V
Odyssey 3
Odyssey · SonstigesOdyssey-3 ist Odysseys fundamentales Weltmodell. Es simuliert Physik in Echtzeit, macht aus einer Eingabe eine interaktive Umgebung und lässt sich an Roboter, Autos und Spiele anpassen.
JarvisCore
Prescott Data · Coding · Produktivität · SonstigesJarvisCore ist eine Open-Source-Laufzeit in Python, in der KI-Agenten als gleichrangige Peers in einem Mesh arbeiten, Aufgaben aus einem gemeinsamen Register übernehmen und externe Dienste über einen Zero-Trust-Broker erreichen.
Clef
Cloudflare · Business · SonstigesClef ist Cloudflares Open-Source-Entscheidungsmodell für Workers AI. Es liefert kalibrierte Wahrscheinlichkeiten für typisierte Fragen statt Text, damit Agenten schnell klassifizieren, routen und handeln.