崑崙萬維正式發佈Skywork R1V4-Lite，多模態智慧體邁向開放式交互時代

　　崑崙萬維正式發佈Skywork R1V4-Lite，多模態智慧體邁向開放式交互時代

　　11月18日，崑崙萬維正式發佈Skywork R1V4-Lite，一款整合視覺操作、推理與規劃的輕量級多模態智慧體。它不僅能進行深度推理，還在同一模型中統一了主動圖像操作、外部工具調用、多模態深度研究三大能力。

　　與傳統只能“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複雜任務：自動旋轉圖像判斷空間位置、多次放大讀取模糊文字、繪製輔助線驗證幾何關係、跨模態搜索定位真實地點……這些過去只有在大型模型或專用Agent系統中才能實現的能力，如今在輕量多模態智慧體Skywork R1V4-Lite中即可完成。

　　這意味著用戶不需要設計提示詞，不需要提供額外資訊，只需拍一張圖，Skywork R1V4-Lite就能自己觀察、操作、推理並給出答案。從感知到行動，從推理到驗證，Skywork R1V4-Lite讓“即時多模態洞察”成為現實，為多模態智慧體從封閉推理邁向開放式交互提供了新的技術路徑。

　　在多個權威視覺與感知基準上，Skywork R1V4-Lite展現出超過預期的競爭力：在8個多模態理解基準評測上整體領先Gemini 2.5 Flash，其中5個任務上超過Gemini 2.5 Pro的水準。

　　這證實了“圖像操作 ×深度推理”訓練範式的有效性，並展現出極強的scaling潛力：即便是小模型，也能逼近頂級閉源模型的表現。

　　01核心優勢一：隨手拍解題，即時理解的主動視覺操作

　　Skywork R1V4-Lite在推理過程中並非被動“看圖回答”，而是具備主動式圖像操作能力：在遇到視角受限或資訊不足的場景時，模型會自動執行裁切(Crop)、放大(Zoom)、旋轉(Rotate)、區域定位等操作，構建一條透明且可回溯的“視覺行動鏈”。

　　R1V4-Lite展現出物理邏輯理解力：它先對圖像進行幾何校正，再基於正確視角進行空間關係推理。

　　當任務要求極高精度時，R1V4-Lite會進一步主動進行微觀級操作：放大區域、生成參考線、構建輔助判斷策略。對於需要“精密判斷”的任務，模型不會直接給答案，而是會先構建輔助工具來確保結果嚴謹可靠。

　　在需要主動式圖像操作能力的任務中，模型會主動進行多步裁剪放大的圖像操作，找到對應的圖片區域，使推理結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”，而是在複雜場景中主動探索、驗證、修正與整合，實現真正意義上的“邊觀察、邊思考、邊行動”。

　　02核心優勢二：多模態深度研究，領先的輕量級搜索增強能力

　　Skywork R1V4-Lite也支援接入聯網搜索功能，在聯網搜索下會自動觸發深度研究能力：

　　通過構建推理腳手架，與外部世界進行搜索、檢索、比對等主動交互。觸發搜索、檢索、比對等多種外部資源交互，將搜索結果與視覺推理深度融合，形成“搜索—推理—驗證”的閉環。模型由此獲得跨模態、跨資源的知識擴展能力，推理邊界顯著拉寬。

　　從結果上看，R1V4-Lite在多模態DeepResearch類任務中展現出了領先趨勢：在mm-search上以66分超過Gemini 2.5 Flash的64.9分，在FVQA上以67分顯著領先Gemini 2.5 Flash的60.8分。這一系列結果強有力地驗證了“圖像操作 ×深度推理交織訓練”範式的有效性。

　　面對複雜問題，R1V4-Lite能夠進行多輪推理與資訊整合。

　　R1V4-Lite 不僅在學術、法律、生態與醫學場景中展現出強大的多模態深度推理能力，在電商智慧與內容理解方面同樣表現卓越。 r1v4-lite在複雜的圖片輸入下，找到了商品來源並給出了詳細的商品介紹。這種能力可直接應用於智慧導購、圖搜找同款、跨平臺商品比價等典型電商場景。

　　03核心優勢三：看圖即可規劃，主動式多模態任務規劃

　　R1V4-planner-lite可以支援真正意義上的主動式多模態 Agentic 規劃，首次讓視覺輸入能夠直接驅動任務鏈規劃，將推理鏈擴展為可執行鏈。

　　從一張圖像出發，Planner能夠自動構建一條可執行的多輪任務鏈(task chain)，並完成：

　　任務分解(Task Decomposition)

　　工具選擇(Tool Selection)

　　參數生成(Parameter Generation)

　　執行順序規劃(Execution Ordering)

　　這意味著模型首次從傳統的 “看圖回答” → “看圖行動”，具備了由視覺驅動的行動規劃能力。

　　在此基礎上，R1V4-Planner-Lite將規劃能力擴展到系統級(system-level planning)：模型會綜合用戶意圖、上下文、可用工具與任務依賴關係(dependency graph)，自動生成結構化的執行方案，並以高度可解釋的形式給出每一步的工具、參數與目的。這為Agentic智慧提供了可控性、透明度和穩定性。

　　Skywork R1V4-Lite並非傳統意義上的“小模型”。它是業界首個在輕量級架構下同時實現：圖像操作(Crop / Zoom / Rotate)、深度推理(Long-form Reasoning)和任務規劃(Agentic Planning)三能力統一的多模態智慧體。

　　在極小參數規模下，Skywork R1V4-Lite依然能進行端到端的深度思考與主動執行，實現從 “視覺輸入” 一直推到 “任務完成” 的完整能力鏈。

　　04核心優勢四：小尺寸、快響應、低成本

　　Skywork R1V4-Lite在模型規模、推理速度與吞吐效率之間實現了極佳工程平衡。這意味著它不僅適合工程落地，也能支撐極高的併發和實時性要求，是移動端、應用內推理和高 QPS 産品的更優選項。

　　通過更高效的模型優化與繼承Qwen3 A3B輕量架構設計，它在真實生産環境中展現出遠超同體量模型的性能表現：

　　1. 響應速度(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：依託更強的推理壓縮能力與極低的工具調用輪次，在工具調用與長推理任務(端到端使用工具)，R1V4-Lite實現了：

　　 - 比Gemini 2.5 Pro快2.9×  - 比Gemini 2.5 Flash快1.7×

　　憑藉低延遲×高吞吐×極低成本的組合優勢，R1V4-Lite完美適用於：

　　實時問答

　　視覺檢索

　　智慧助手

　　多模態工具調用

　　高併發的線上生産場景

　　R1V4-Lite的發佈證明了——小模型也能很強，小模型也能很快，小模型也能多模態。

　　05展望

　　R1V4-Lite的成功不僅來自工程優化，更源自其背後的多模態新範式：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推理、主動圖像操作、任務規劃與搜索增強的統一能力，展示了輕量多模態智慧體的全新可能性。

　　這一結果進一步説明：能力密度比參數規模更重要，小模型也能逼近閉源模型的真實表現。隨著更大容量與更強結構進一步加入該範式，其scaling潛力將持續釋放。目前，Skywork R1V4-Pro也即將準備發佈。

　　未來，崑崙萬維旗下Skywork將沿著 “Multimodal Reasoning×Agentic Intelligence×Tool Augmentation” 路線繼續前進，讓模型不僅理解世界，還能更有效地與世界資訊交互，並在真實任務産生實際價值。