Skywork-R1V
Skywork AI (Kunlun Tech) · その他
Skywork-R1VはSkywork AIのオープンなマルチモーダル推論モデル群だ。画像を読み、数学・科学・グラフの問題を段階的に推論する。
Skywork-R1V について
What Is Skywork-R1V
Skywork-R1Vは、昆侖万維の研究部門であるSkywork AIが作った視覚言語モデルのシリーズだ。オープンソースのマルチモーダルAIとして、重みを利用者の手に委ねる。狙いは口で言うのは簡単で、実現は難しい。すなわち、テキストの推論がすでに得意なモデルに、その力を失わせずに画像上で推論させる。Skyworkはこれを「強い推論をテキストから視覚へ移す」と呼ぶ。多くのマルチモーダルモデルは画像に何が写っているかを認識するだけだが、R1Vはその背後の手順をたどる。
初代R1Vは2025年3月にオープンウェイトとして登場し、チームはその後素早く改良を重ねた。R1V2が4月に続き、R1V3-38Bは7月にMMMUベンチマークで76.0を記録して登場、R1V4-Liteはより軽いエージェント型モデルとして11月に投入された。各段階でシリーズは純粋な推論から行動するモデルへと動いてきた。重みはHugging Faceからダウンロードでき、ローカルで動かすことも、ホスト型APIを呼ぶこともできる。
最初に押さえるべき制約が二つある。38Bモデルは自分で動かすには本格的なハードウェアが要る。量子化版を選べば話は別だ。加えてR1Vは研究向けの公開であり、周辺ツールはPythonとモデルサーバーを扱える前提で作られている。
Getting Started
- Hugging Faceのコレクションから、自分のハードウェアに合うバージョンを選ぶ。R1V3-38Bから量子化版まで幅がある
- GitHubのSkywork-R1Vリポジトリをクローンし、同梱のスクリプトでPython環境を整える
- TransformersかvLLMでモデルを読み込み、画像と質問を渡す
- ホスト型を使うなら、Skyworkプラットフォームでアカウントを作り、画像とプロンプトを添えてcompletionsエンドポイントを呼ぶ
AIツール情報
Skywork-R1Vの料金、対応プラットフォーム、性能を簡単に確認できます。
こんな人におすすめ
このツールが最も力を発揮するユーザー、タスク、シーン。
ユーザー
- AI研究者：マルチモーダル推論を研究し、検証・微調整・論文引用ができるオープンウェイトを求めるチーム
- 機械学習エンジニア：視覚機能を作る開発者で、モデルを借りるのではなく自分でホストしたい人
- 学生と独学者：写真から難しい数学・科学の問題を無料で解きたい人
- 予算の限られたスタートアップ：商用の視覚API料金を払えず、自前のハードウェアで動かしたい小規模チーム
タスク
- 視覚的な数学・科学の問題：図が情報の半分を担う物理や幾何の問題を解く
- グラフと図表の分析：画像内の折れ線、回路図、表を読み取り、数値について推論する
- 文書理解：スキャンしたページや領収書、帳票から構造を抜き出す
- 医療・技術画像の確認：画像や図面から所見を拾い、人による確認につなげる
- エージェント型の画像タスク：R1V4-Liteが回答前に自分で画像を切り抜き、拡大し、回転させる
シーン
- 学生が手書きの問題を撮影する：モデルは答えを当てず、段階的に推論する
- 研究者がベンチマークを比較する：オープンウェイトなら公開されたMMMUとMathVistaのスコアを再現できる
- 小規模チームが大きな請求なしに視覚機能を求める：量子化版のセルフホストなら呼び出しごとの費用が消える
- 開発者が込み入ったグラフを読む：モデルが数値を抜き出し、何を示すかを説明する
- サポートチームがスキャン帳票を整理する：モデルが画像のバッチから項目を引き出す
主な機能
マルチモーダルな思考連鎖推論
Skywork-R1Vの中核は、答えのパターンを当てるのではなく段階を踏んで推論する点にある。図付きの幾何問題を渡せば、結果に至る前に論理をたどる。チームはテキストの推論を視覚へ移すことを軸にシリーズを作ったため、モデルは画像を読む間も数学と論理の力を保つ。この組み合わせが、単に画像を説明するモデルとの違いだ。
適応的な思考連鎖の長さ
すべての質問に長い推論が必要なわけではない。R1Vは問題の見た目の難しさと画像の鮮明さに応じて、推論の量を調整する。単純な認識の問いには短い経路を、多段階の科学問題には完全な処理を割り当てる。これで推論は効率的に保たれ、他の推論モデルを鈍らせる過剰な思考が削られる。
最先端のオープン評価スコア
Skyworkによれば、R1V3-38BはMMMUで76.0、MathVistaで77.1を記録し、初代R1VはMATH500で94.0、AIMEで72.0に達した。この数字は、学際的なタスクでオープンな公開版をはるかに大きな独自モデルの圏内に置く。チームは評価コードを公開しているため、スコアを鵜呑みにせず自分で再実行できる。
寛容なライセンスのオープンウェイト
R1V3のモデル重みはMITライセンスで提供され、商用利用・改変・配布が認められる。Hugging Faceからダウンロードし、自分のGPUで動かし、呼び出しごとの料金なしで製品を載せられる。このクラスの視覚モデルで、これほど開かれた条件は珍しい。
小さめのハードウェア向け量子化版
SkyworkはR1VとR1V2のAWQ量子化版を公開しており、30GB超のメモリを積んだ1枚のカードで動く。これでハードウェアの壁がマルチGPU構成からワークステーションの1枚に下がる。クラスタに踏み切る前に試したい人には大きい。代償は精度のわずかな低下で、最も難しいベンチマークで表面化する。
R1V4-Liteの能動的な画像操作
最新のR1V4-Liteは、従来モデルにできないことをする。写真がぼやけていたり構図がずれていたりすると、自分で切り抜き、拡大し、回転させ、領域を特定してから、改善した画で推論する。タスクの途中で画像を直す小さなツールを書くこともある。モデルは本番運用に耐える軽さで、大きなモデルが要する時間のほんの一部で答える。
メリットとデメリット
メリット
- MITライセンスのオープンウェイトで、無料でセルフホストし、その上に開発できる
- 38BモデルとしてはMMMU、MathVista、MATH500で強いスコアを出す
- 段階的に推論するため、一発の推測より答えを確認しやすい
- 量子化版は30GBのメモリを積んだGPU1枚で動き、ハードウェア費用を抑えられる
- ホスト型APIはSkyworkプラットフォームで無料で試せる
デメリット
- 完全な38Bモデルを自分で動かすには、それなりのGPU構成が要る
- 量子化版は最も難しいタスクで精度を落とすため、トレードオフは現実だ
- 導入手順はPythonとモデルサーバーの知識を前提とし、非技術者には届かない
- R1V4-Liteはエージェントとして売り出されているが、対応するチャネルは推論の中核より狭い
よくある質問
Skywork-R1Vは、Skywork AIによるオープンなマルチモーダル推論モデルのシリーズだ。各モデルは画像を読み、思考連鎖をたどって質問に答える。見えたものを名指しするだけではない。シリーズにはR1V、R1V2、R1V3-38B、R1V4-Liteが含まれる。
関連コンテンツ
Skywork-R1Vに関連するツール、スキル、記事を探す。
Skywork-R1Vの代替ツール
Odyssey 3
Odyssey · その他Odyssey-3はOdysseyの基盤ワールドモデルだ。物理をリアルタイムにシミュレーションし、プロンプトからインタラクティブな環境を生成して、ロボットや車、ゲームに適応する。
JarvisCore
Prescott Data · コーディング · 生産性向上 · その他JarvisCore は、AI エージェントが対等なピアとしてメッシュを組み、共有台帳からタスクを引き受け、ゼロトラストのブローカー経由で外部サービスを呼ぶオープンソースの Python ランタイムである。
Clef
Cloudflare · ビジネス · その他Clef は Workers AI で動く Cloudflare のオープンソース意思決定モデルだ。生成テキストではなく、型付きの設問に確率を返す。エージェントは素早く分類し、振り分け、行動できる。