Skywork-R1V
Skywork AI (Kunlun Tech) · Otro
Skywork-R1V es una serie abierta de modelos de razonamiento multimodal de Skywork AI. Lee imágenes y resuelve problemas de matemáticas, ciencia y gráficos paso a paso.
Acerca de Skywork-R1V
What Is Skywork-R1V
Skywork-R1V es una familia construida sobre el modelo visión lenguaje de Skywork AI, el brazo de investigación de Kunlun Tech. Como liberación de IA multimodal de código abierto, la serie pone los pesos en tus manos. La idea de la serie suena simple y es difícil de lograr: tomar un modelo que ya razona bien en texto y darle la capacidad de razonar sobre imágenes sin perder esa habilidad. Skywork llama a esto trasladar el razonamiento fuerte del texto a la visión. La mayoría de los modelos multimodales reconocen qué hay en una foto; R1V trabaja los pasos que hay detrás.
El primer R1V salió en marzo de 2025 como liberación de pesos abiertos, y el equipo ha iterado rápido desde entonces. R1V2 llegó en abril, R1V3-38B apareció en julio con 76.0 en el benchmark MMMU, y R1V4-Lite aterrizó en noviembre como un modelo agéntico más ligero. Cada paso movió la serie del razonamiento puro hacia modelos que actúan. Puedes bajar los pesos desde Hugging Face, ejecutarlos en local o llamar a la API alojada.
Dos límites importan desde el principio. Los modelos de 38B son lo bastante grandes como para que ejecutarlos por tu cuenta exija hardware serio, salvo que elijas una build cuantizada. Y R1V es una liberación de nivel investigador, así que las herramientas que lo rodean asumen que sabes manejarte con Python y un servidor de modelos.
Getting Started
- Elige una versión de la colección de Hugging Face que encaje con tu hardware, desde R1V3-38B hasta una build cuantizada
- Clona el repositorio de Skywork-R1V en GitHub y prepara el entorno de Python con el script que trae
- Carga un modelo con Transformers o vLLM y apúntalo a una imagen más una pregunta
- Si prefieres la vía alojada, crea una cuenta en la plataforma de Skywork y llama al endpoint de completions con tu imagen y tu prompt
Información del producto
Un vistazo rápido a los precios, las plataformas compatibles y el rendimiento de Skywork-R1V.
Ideal para
Los usuarios, tareas y casos de uso en los que esta herramienta encaja mejor.
Usuarios
- Investigadores de IA
- Ingenieros de machine learning
- Estudiantes y autodidactas
- Startups con presupuesto ajustado
Tareas
- Problemas visuales de matemáticas y ciencia
- Análisis de gráficos y diagramas
- Comprensión de documentos
- Revisión de imágenes médicas y técnicas
- Tareas de imagen agénticas
Casos de uso
- Un estudiante fotografía un problema escrito a mano
- Un investigador compara benchmarks
- Un equipo pequeño necesita visión sin una factura grande
- Un desarrollador lee un gráfico denso
- Un equipo de soporte ordena formularios escaneados
Funciones clave
Razonamiento multimodal por cadena de pensamiento
El núcleo de Skywork-R1V es que razona en pasos en vez de encajar un patrón de respuesta. Dale un problema de geometría con un diagrama y trabaja la lógica antes de dar con el resultado. El equipo construyó la serie alrededor de trasladar el razonamiento de texto a la visión, así que el modelo conserva sus habilidades de matemáticas y lógica mientras lee una imagen. Esa combinación lo separa de un modelo que solo pone pies de foto.
Longitud adaptativa de la cadena de pensamiento
No toda pregunta necesita una ristra larga de razonamiento. R1V ajusta cuánto razona según lo difícil que parece el problema y lo clara que sea la imagen. Una consulta sencilla de reconocimiento recibe un camino corto, y un problema de ciencia de varios pasos recibe el tratamiento completo. Así la inferencia es eficiente y se corta el exceso de pensamiento que frena a otros modelos de razonamiento.
Benchmarks abiertos punteros
Según Skywork, R1V3-38B puntúa 76.0 en MMMU y 77.1 en MathVista, y el primer R1V llegó a 94.0 en MATH500 y 72.0 en AIME. Esos números ponen la liberación abierta al nivel de modelos propietarios mucho más grandes en tareas interdisciplinares. El equipo publica el código de evaluación, así que puedes repetir los benchmarks en lugar de creerte las cifras sin más.
Pesos abiertos con licencia permisiva
Los pesos del modelo R1V3 vienen bajo la licencia MIT, que permite uso comercial, modificación y distribución. Puedes bajarlos de Hugging Face, ejecutarlos en tu propia GPU y montar un producto encima sin pagar una tarifa por llamada. Pocos modelos de visión de esta clase traen condiciones tan abiertas.
Builds cuantizadas para hardware más modesto
Skywork publica versiones cuantizadas AWQ de R1V y R1V2 que corren en una sola tarjeta con más de 30GB de memoria. Eso baja el listón de hardware de un equipo multi-GPU a una tarjeta de estación de trabajo, algo que importa si quieres probar el modelo antes de comprometerte con un clúster. El precio es un pequeño recorte de precisión que asoma en los benchmarks más duros.
Operaciones activas sobre la imagen en R1V4-Lite
La liberación más reciente, R1V4-Lite, hace algo que los modelos anteriores no pueden. Cuando una foto sale borrosa o mal encuadrada, recorta, amplía, gira o localiza una región por su cuenta y luego razona sobre la vista mejorada. Puede escribir una pequeña herramienta para arreglar la imagen a mitad de tarea. El modelo es lo bastante ligero para producción y responde en una fracción del tiempo que tardan modelos mayores.
Ventajas y desventajas
Ventajas
- Los pesos abiertos con licencia MIT te dejan alojar el modelo y construir sobre él gratis
- Resultados fuertes en MMMU, MathVista y MATH500 para un modelo de 38B
- Razonar en pasos hace las respuestas más fáciles de revisar que una respuesta a la primera
- Las builds cuantizadas corren en una GPU con 30GB de memoria, lo que baja el coste de hardware
- La API alojada es gratis de probar en la plataforma de Skywork
Desventajas
- Ejecutar tú mismo el modelo completo de 38B exige un equipo de GPU considerable
- Las versiones cuantizadas pierden precisión en las tareas más difíciles, así que el intercambio es real
- La puesta en marcha pide manejo de Python y de un servidor de modelos, lo que lo aleja del usuario no técnico
- R1V4-Lite se presenta como agente, pero su cobertura de canales es más estrecha que el núcleo de razonamiento
Preguntas frecuentes
Skywork-R1V es una serie abierta de modelos de razonamiento multimodal de Skywork AI. Cada modelo lee una imagen y sigue una cadena de pensamiento para responder una pregunta, en lugar de solo nombrar lo que ve. La serie abarca R1V, R1V2, R1V3-38B y R1V4-Lite.
Contenido relacionado
Explora herramientas, habilidades y artículos relacionados con Skywork-R1V.
Alternativas a Skywork-R1V
Odyssey 3
Odyssey · OtroOdyssey-3 es el modelo del mundo fundacional de Odyssey. Simula física en tiempo real, convierte una descripción en un entorno interactivo y se adapta a robots, coches y videojuegos.
JarvisCore
Prescott Data · Programación · Productividad · OtroJarvisCore es un runtime de código abierto en Python donde los agentes de IA actúan como pares en una malla, reclaman tareas de un libro mayor compartido y llegan a servicios externos por un bróker sin confianza.
Clef
Cloudflare · Negocios · OtroClef es el modelo de decisión de código abierto de Cloudflare para Workers AI. Devuelve probabilidades calibradas para preguntas tipadas en lugar de texto, así que un agente clasifica, enruta y actúa rápido.