【新智元导读】
全球首个开源多模态推理大模型来了！38B参数模型性能直逼DeepSeek-R1，同尺寸上横扫多项SOTA。而这家中国公司之所以选择无偿将技术思路开源，正是希望同DeepSeek一样，打造开源界的技术影响力。
刚刚，昆仑万维正式开源了全球首个工业界多模态推理模型Skywork R1V（以下简称「R1V」）！
R1V高效地将DeepSeek-R1这种强大的文本推理能力无缝scaling到了视觉模态，实现了多模态领域的领先表现，并以开源方式推动了技术进步。
在视觉问答任务中，R1V直接对标Claude 3.5 Sonnet、GPT-4o等闭源模型，同时还保留了顶级文本推理能力。
在MMMU基准测试中，R1V以69分创下同等规模新高，在MathVista上拿下67.5分，达到领先的开源模型水平。
无论是复杂的数学推理，还是图像中的逻辑分析等，R1V都能轻松驾驭，堪称多模态领域的「全能战士」。
1. 全球第一个工业界开源多模态+推理模型
2. 性能接近甚至超越了规模大两倍的开源模型
3. 通过开源让技术可以惠及到更多人
这背后的缔造者，就是中国的AI科技公司——昆仑万维。
R1V的问世，更以开放的姿态为全球AI开源社区注入了全新活力。
GitHub：https://github.com/SkyworkAI/Skywork-R1V
Hugging Face：https://huggingface.co/Skywork/Skywork-R1V-38B
技术报告：https://github.com/SkyworkAI/Skywork-R1V/blob/main/Skywork_R1V.pdf
这标志着，昆仑万维成为全球首家开源多模态思考模型的公司，朝着AGI落地迈出重要的一步。
而选择开源R1V视觉思考模型，也正是昆仑万维为了更坚定地贯彻AGI的梦想，推动开源社区的技术进步。
此前，OpenAI o1和DeepSeek-R1在全球带来了长思考模型的热潮，让大模型领域进入了全新的技术范式。
而不同于长思考模型专注于多步推理的特点，视觉思考模型则专注于从图像或视频中提取信息、进行逻辑推理。
简单来说，视觉思考模型是一种，能在文本、视觉复杂任务中，展现惊人推理能力的AI。
它不仅能「读懂」文字，还能「看懂」图像，并基于此进行深度分析和逻辑推理。
首先来一道数学题：「用圆心角为120°，半径为6cm的扇形纸片卷成一个圆锥形无底纸帽，则这个纸帽的高是？」
R1V经过短暂纠错后，给出了清晰完整的解题过程，并得出正确答案，表现出了较强的逻辑推理能力。
接下来再来一道更难一些的：「函数f(x)=∣2x−3∣+1在x=2和x=5处的导数关系是？」
可以看到，R1V先找到了绝对值部分∣2x−3∣的零点：令2x-3=0得x=1.5。
然后得出，当x≥1.5时，f(x)=2x-3+1=2x-2，导数f '(x)=2；当x<1.5时，f(x)=-(2x-3)+1=-2x+4，导数f '(x)=-2。
由于题目中的x=2和x=5均大于1.5，所以都属于f(x)=2x-2部分。因此，f '(2)=2，f '(5)=2，即两点处的导数相等。
以上案例中不难看出，R1V在视觉+推理上表现惊艳，所以，它是如何逆袭成功的？
最新公开的技术报告中，揭秘了三大杀招。
R1V首次实现了将大模型的文本推理能力高效迁移至视觉模态，通过Skywork-VL视觉投影器的有效训练，显著保留了原有的推理能力。
整个过程无需从头重新训练基座语言模型和视觉编码器，且有效保留了原有的文本推理能力。
具体来说，研究者提出了一种高效的多模态迁移方法，通过MLP结构，有效地将具有推理能力的语言模型与视觉骨干对齐。
这种方法背后的关键洞察，就在于将视觉-语言表示的对齐与推理能力的保留解耦。
直接将具有推理能力的语言模型（f
l
）连接到视觉骨干（f
v
），会需要大量的 R1风格格式的多模态推理数据，以同时实现这两个目标。
然而这种做法成本太高，不切实际。因此，研究者采用了一种相反的分阶段策略。
首先，他们训练一个MLP适配器，将fv与具有相同架构但无推理能力的替代语言模型（
）对齐；
随后，他们利用
和f
l
之间的潜在相似性，将预训练的MLP转移，以使f
v
与原始的推理能力模型f
l
对齐。
