Skywork-R1V
Skywork AI (Kunlun Tech) · Outros
O Skywork-R1V é uma série aberta de modelos de raciocínio multimodal da Skywork AI. Lê imagens e resolve problemas de matemática, ciência e gráficos passo a passo.
Sobre Skywork-R1V
What Is Skywork-R1V
O Skywork-R1V é uma família construída sobre o modelo visão linguagem da Skywork AI, o braço de pesquisa da Kunlun Tech. Como liberação de IA multimodal de código aberto, a série põe os pesos nas suas mãos. A ideia por trás da série é fácil de enunciar e difícil de executar: pegar um modelo que já raciocina bem em texto e dar a ele a capacidade de raciocinar sobre imagens sem perder essa habilidade. A Skywork chama isso de levar o raciocínio forte do texto para a visão. A maioria dos modelos multimodais reconhece o que há numa foto; o R1V percorre os passos por trás dela.
O primeiro R1V chegou em março de 2025 como lançamento de pesos abertos, e a equipe iterou rápido desde então. O R1V2 veio em abril, o R1V3-38B apareceu em julho com 76.0 no benchmark MMMU, e o R1V4-Lite desembarcou em novembro como um modelo agêntico mais leve. Cada passo levou a série do raciocínio puro rumo a modelos que agem. Você pode baixar os pesos no Hugging Face, rodá-los localmente ou chamar a API hospedada.
Dois limites importam desde o início. Os modelos de 38B são grandes o bastante para que rodá-los por conta própria exija hardware parrudo, a menos que você escolha uma build quantizada. E o R1V é um lançamento de nível de pesquisa, então as ferramentas ao redor assumem que você sabe mexer com Python e um servidor de modelos.
Getting Started
- Escolha uma versão da coleção do Hugging Face que combine com o seu hardware, do R1V3-38B a uma build quantizada
- Clone o repositório Skywork-R1V no GitHub e prepare o ambiente Python com o script que vem junto
- Carregue um modelo com Transformers ou vLLM e aponte para uma imagem mais uma pergunta
- Para a rota hospedada, crie uma conta na plataforma da Skywork e chame o endpoint de completions com sua imagem e seu prompt
Informações do produto
Uma visão rápida dos preços, das plataformas compatíveis e do desempenho de Skywork-R1V.
Ideal para
Os usuários, tarefas e cenários em que esta ferramenta se encaixa melhor.
Usuários
- Pesquisadores de IA
- Engenheiros de machine learning
- Estudantes e autodidatas
- Startups com orçamento apertado
Tarefas
- Problemas visuais de matemática e ciência
- Análise de gráficos e diagramas
- Compreensão de documentos
- Revisão de imagens médicas e técnicas
- Tarefas de imagem agênticas
Cenários
- Um estudante fotografa um problema escrito à mão
- Um pesquisador compara benchmarks
- Uma equipe pequena precisa de visão sem uma conta alta
- Um desenvolvedor lê um gráfico denso
- Uma equipe de suporte organiza formulários digitalizados
Principais recursos
Raciocínio multimodal em cadeia de pensamento
O núcleo do Skywork-R1V é raciocinar em passos em vez de encaixar um padrão de resposta. Dê a ele um problema de geometria com um diagrama e ele trabalha a lógica antes de chegar ao resultado. A equipe construiu a série em torno de transferir o raciocínio de texto para a visão, então o modelo mantém suas habilidades de matemática e lógica enquanto lê uma imagem. Essa combinação é o que o separa de um modelo que só legenda fotos.
Comprimento adaptativo da cadeia de pensamento
Nem toda pergunta precisa de uma longa corrente de raciocínio. O R1V ajusta quanto raciocina conforme a dificuldade aparente do problema e a clareza da imagem. Uma consulta simples de reconhecimento recebe um caminho curto, e um problema de ciência de várias etapas recebe o tratamento completo. Isso mantém a inferência eficiente e corta o excesso de pensamento que trava outros modelos de raciocínio.
Benchmarks abertos de ponta
Segundo a Skywork, o R1V3-38B marca 76.0 no MMMU e 77.1 no MathVista, e o primeiro R1V chegou a 94.0 no MATH500 e 72.0 no AIME. Esses números colocam o lançamento aberto no nível de modelos proprietários bem maiores em tarefas interdisciplinares. A equipe publica o código de avaliação, então você pode repetir os benchmarks em vez de aceitar as notas de fé.
Pesos abertos sob licença permissiva
Os pesos do modelo R1V3 vêm sob a licença MIT, que permite uso comercial, modificação e distribuição. Você pode baixá-los no Hugging Face, rodá-los na sua própria GPU e construir um produto em cima sem pagar uma tarifa por chamada. Poucos modelos de visão dessa classe trazem termos tão abertos.
Builds quantizadas para hardware menor
A Skywork publica versões quantizadas AWQ do R1V e do R1V2 que rodam numa única placa com mais de 30GB de memória. Isso baixa a régua de hardware de um conjunto multi-GPU para uma placa de estação de trabalho, o que importa se você quer testar o modelo antes de se comprometer com um cluster. O preço é um pequeno corte de precisão que aparece nos benchmarks mais duros.
Operações ativas na imagem no R1V4-Lite
O lançamento mais recente, o R1V4-Lite, faz algo que os modelos anteriores não fazem. Quando uma foto sai borrada ou mal enquadrada, ele recorta, amplia, gira ou localiza uma região por conta própria e então raciocina sobre a vista melhorada. Pode escrever uma pequena ferramenta para corrigir a imagem no meio da tarefa. O modelo é leve o suficiente para produção e responde numa fração do tempo que modelos maiores levam.
Prós e contras
Prós
- Pesos abertos com licença MIT deixam você hospedar o modelo e construir sobre ele de graça
- Resultados fortes em MMMU, MathVista e MATH500 para um modelo de 38B
- Raciocinar em passos torna as respostas mais fáceis de conferir do que um palpite único
- As builds quantizadas rodam numa GPU com 30GB de memória, o que baixa o custo de hardware
- A API hospedada é gratuita para testar na plataforma da Skywork
Contras
- Rodar você mesmo o modelo completo de 38B exige um setup de GPU considerável
- As versões quantizadas perdem precisão nas tarefas mais difíceis, então a troca é real
- A configuração pede domínio de Python e de servidor de modelos, o que afasta o usuário não técnico
- O R1V4-Lite é apresentado como agente, mas sua cobertura de canais é mais estreita que o núcleo de raciocínio
Perguntas frequentes
O Skywork-R1V é uma série aberta de modelos de raciocínio multimodal da Skywork AI. Cada modelo lê uma imagem e segue uma cadeia de pensamento para responder a uma pergunta, em vez de só nomear o que vê. A série abrange R1V, R1V2, R1V3-38B e R1V4-Lite.
Conteúdo relacionado
Explore ferramentas, skills e artigos relacionados a Skywork-R1V.
Alternativas a Skywork-R1V
Odyssey 3
Odyssey · OutrosOdyssey-3 é o modelo de mundo fundacional da Odyssey. Simula física em tempo real, transforma um texto em ambiente interativo e se adapta a robôs, carros e jogos.
JarvisCore
Prescott Data · Programação · Produtividade · OutrosJarvisCore é um runtime de código aberto em Python em que agentes de IA atuam como pares numa malha, assumem tarefas de um registro compartilhado e chegam a serviços externos por um broker sem confiança.
Clef
Cloudflare · Negócios · OutrosClef é o modelo de decisão open source da Cloudflare para o Workers AI. Devolve probabilidades calibradas para perguntas tipadas em vez de texto, então o agente classifica, roteia e age rápido.