11月18日，昆侖萬維正式發(fā)布Skywork R1V4-Lite，一款集成視覺操作、推理與規(guī)劃的輕量級多模態(tài)智能體。它不僅能進行深度推理，還在同一模型中統(tǒng)一了主動圖像操作、外部工具調(diào)用、多模態(tài)深度研究三大能力。
與傳統(tǒng)只能“看圖回答”的模型不同，Skywork R1V4-Lite能夠在真實場景中隨手拍照即可完成復(fù)雜任務(wù)：自動旋轉(zhuǎn)圖像判斷空間位置、多次放大讀取模糊文字、繪制輔助線驗證幾何關(guān)系、跨模態(tài)搜索定位真實地點……這些過去只有在大型模型或?qū)Ｓ肁gent系統(tǒng)中才能實現(xiàn)的能力，如今在輕量多模態(tài)智能體Skywork R1V4-Lite中即可完成。
這意味著用戶不需要設(shè)計提示詞，不需要提供額外信息，只需拍一張圖，Skywork R1V4-Lite就能自己觀察、操作、推理并給出答案。從感知到行動，從推理到驗證，Skywork R1V4-Lite讓“即時多模態(tài)洞察”成為現(xiàn)實，為多模態(tài)智能體從封閉推理邁向開放式交互提供了新的技術(shù)路徑。
在多個權(quán)威視覺與感知基準上，Skywork R1V4-Lite展現(xiàn)出超過預(yù)期的競爭力：在8個多模態(tài)理解基準評測上整體領(lǐng)先Gemini 2.5 Flash，其中5個任務(wù)上超過Gemini 2.5 Pro的水平。
這證實了“圖像操作 × 深度推理”訓練范式的有效性，并展現(xiàn)出極強的scaling潛力：即便是小模型，也能逼近頂級閉源模型的表現(xiàn)。
01核心優(yōu)勢一：隨手拍解題，即時理解的主動視覺操作
Skywork R1V4-Lite在推理過程中并非被動“看圖回答”，而是具備主動式圖像操作能力：在遇到視角受限或信息不足的場景時，模型會自動執(zhí)行裁切（Crop）、放大（Zoom）、旋轉(zhuǎn)（Rotate）、區(qū)域定位等操作，構(gòu)建一條透明且可回溯的“視覺行動鏈”。
R1V4-Lite展現(xiàn)出物理邏輯理解力：它先對圖像進行幾何校正，再基于正確視角進行空間關(guān)系推理。
當任務(wù)要求極高精度時，R1V4-Lite會進一步主動進行微觀級操作：放大區(qū)域、生成參考線、構(gòu)建輔助判斷策略。對于需要“精密判斷”的任務(wù)，模型不會直接給答案，而是會先構(gòu)建輔助工具來確保結(jié)果嚴謹可靠。
在需要主動式圖像操作能力的任務(wù)中，模型會主動進行多步裁剪放大的圖像操作，找到對應(yīng)的圖片區(qū)域，使推理結(jié)果具備可解釋性與嚴謹性。這一過程完整展示了R1V4-Lite的視覺行動力：模型不再“被動看圖”，而是在復(fù)雜場景中主動探索、驗證、修正與整合，實現(xiàn)真正意義上的「邊觀察、邊思考、邊行動」。
02核心優(yōu)勢二：多模態(tài)深度研究，領(lǐng)先的輕量級搜索增強能力
Skywork R1V4-Lite也支持接入聯(lián)網(wǎng)搜索功能，在聯(lián)網(wǎng)搜索下會自動觸發(fā)深度研究能力：
通過構(gòu)建推理腳手架，與外部世界進行搜索、檢索、比對等主動交互。觸發(fā)搜索、檢索、比對等多種外部資源交互，將搜索結(jié)果與視覺推理深度融合，形成“搜索—推理—驗證”的閉環(huán)。模型由此獲得跨模態(tài)、跨資源的知識擴展能力，推理邊界顯著拉寬。
從結(jié)果上看，R1V4-Lite在多模態(tài)DeepResearch類任務(wù)中展現(xiàn)出了領(lǐng)先趨勢：在mm-search上以66分超過Gemini 2.5 Flash的64.9分，在FVQA上以67分顯著領(lǐng)先Gemini 2.5 Flash的60.8分。這一系列結(jié)果強有力地驗證了「圖像操作 × 深度推理交織訓練」范式的有效性。
面對復(fù)雜問題，R1V4-Lite能夠進行多輪推理與信息整合。
R1V4-Lite 不僅在學術(shù)、法律、生態(tài)與醫(yī)學場景中展現(xiàn)出強大的多模態(tài)深度推理能力，在電商智能與內(nèi)容理解方面同樣表現(xiàn)卓越。 r1v4-lite在復(fù)雜的圖片輸入下，找到了商品來源并給出了詳細的商品介紹。這種能力可直接應(yīng)用于智能導(dǎo)購、圖搜找同款、跨平臺商品比價等典型電商場景。
03核心優(yōu)勢三：看圖即可規(guī)劃，主動式多模態(tài)任務(wù)規(guī)劃
R1V4-planner-lite可以支持真正意義上的主動式多模態(tài) Agentic 規(guī)劃，首次讓視覺輸入能夠直接驅(qū)動任務(wù)鏈規(guī)劃，將推理鏈擴展為可執(zhí)行鏈。
從一張圖像出發(fā)，Planner能夠自動構(gòu)建一條可執(zhí)行的多輪任務(wù)鏈（task chain），并完成：
任務(wù)分解（Task Decomposition）
工具選擇（Tool Selection）
參數(shù)生成（Parameter Generation）
執(zhí)行順序規(guī)劃（Execution Ordering）
這意味著模型首次從傳統(tǒng)的 “看圖回答” → “看圖行動”，具備了由視覺驅(qū)動的行動規(guī)劃能力。
在此基礎(chǔ)上，R1V4-Planner-Lite將規(guī)劃能力擴展到系統(tǒng)級（system-level planning）：模型會綜合用戶意圖、上下文、可用工具與任務(wù)依賴關(guān)系（dependency graph），自動生成結(jié)構(gòu)化的執(zhí)行方案，并以高度可解釋的形式給出每一步的工具、參數(shù)與目的。這為Agentic智能提供了可控性、透明度和穩(wěn)定性。
Skywork R1V4-Lite并非傳統(tǒng)意義上的“小模型”。它是業(yè)界首個在輕量級架構(gòu)下同時實現(xiàn)：圖像操作（Crop / Zoom / Rotate）、深度推理（Long-form Reasoning）和任務(wù)規(guī)劃（Agentic Planning）三能力統(tǒng)一的多模態(tài)智能體。
在極小參數(shù)規(guī)模下，Skywork R1V4-Lite依然能進行端到端的深度思考與主動執(zhí)行，實現(xiàn)從 “視覺輸入” 一直推到 “任務(wù)完成” 的完整能力鏈。
04核心優(yōu)勢四：小尺寸、快響應(yīng)、低成本
Skywork R1V4-Lite在模型規(guī)模、推理速度與吞吐效率之間實現(xiàn)了極佳工程平衡。這意味著它不僅適合工程落地，也能支撐極高的并發(fā)和實時性要求，是移動端、應(yīng)用內(nèi)推理和高 QPS 產(chǎn)品的更優(yōu)選項。
通過更高效的模型優(yōu)化與繼承Qwen3 A3B輕量架構(gòu)設(shè)計，它在真實生產(chǎn)環(huán)境中展現(xiàn)出遠超同體量模型的性能表現(xiàn)：
1.響應(yīng)速度（Latency）
- 約為Gemini 2.5 Pro的1/19
- 約為Gemini 2.5 Flash的1/5
2.Token 吞吐（TPS）
- 為Gemini 2.5 Pro/Flash的約2倍
3.端到端完成速度：依托更強的推理壓縮能力與極低的工具調(diào)用輪次，在工具調(diào)用與長推理任務(wù)（端到端使用工具），R1V4-Lite實現(xiàn)了：
- 比Gemini 2.5 Pro快2.9×
- 比Gemini 2.5 Flash快1.7×
憑借低延遲×高吞吐×極低成本的組合優(yōu)勢，R1V4-Lite完美適用于：
實時問答
視覺檢索
智能助手
多模態(tài)工具調(diào)用
高并發(fā)的在線生產(chǎn)場景
R1V4-Lite的發(fā)布證明了——小模型也能很強，小模型也能很快，小模型也能多模態(tài)。
05展望
R1V4-Lite的成功不僅來自工程優(yōu)化，更源自其背后的多模態(tài)新范式：圖像操作×深度推理交織訓練。這一訓練路線讓輕量模型具備跨模態(tài)推理、主動圖像操作、任務(wù)規(guī)劃與搜索增強的統(tǒng)一能力，展示了輕量多模態(tài)智能體的全新可能性。
這一結(jié)果進一步說明：能力密度比參數(shù)規(guī)模更重要，小模型也能逼近閉源模型的真實表現(xiàn)。隨著更大容量與更強結(jié)構(gòu)進一步加入該范式，其scaling潛力將持續(xù)釋放。目前，Skywork R1V4-Pro也即將準備發(fā)布。
未來，昆侖萬維旗下Skywork將沿著 “Multimodal Reasoning×Agentic Intelligence×Tool Augmentation” 路線繼續(xù)前進，讓模型不僅理解世界，還能更有效地與世界信息交互，并在真實任務(wù)中產(chǎn)生實際價值。
申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！
