11 月 18 日，昆仑万维正式发布 Skywork R1V4-Lite，一款集成视觉操作、推理与规划的轻量级多模态智能体。它不仅能进行深度推理，还在同一模型中统一了主动图像操作、外部工具调用、多模态深度研究三大能力。
与传统只能「看图回答」的模型不同，Skywork R1V4-Lite 能够在真实场景中随手拍照即可完成复杂任务：自动旋转图像判断空间位置、多次放大读取模糊文字、绘制辅助线验证几何关系、跨模态搜索定位真实地点……这些过去只有在大型模型或专用 Agent 系统中才能实现的能力，如今在轻量多模态智能体 Skywork R1V4-Lite 中即可完成。
这意味着用户不需要设计提示词，不需要提供额外信息，只需拍一张图，Skywork R1V4-Lite 就能自己观察、操作、推理并给出答案。从感知到行动，从推理到验证，Skywork R1V4-Lite 让「即时多模态洞察」成为现实，为多模态智能体从封闭推理迈向开放式交互提供了新的技术路径。
在多个权威视觉与感知基准上，Skywork R1V4-Lite 展现出超过预期的竞争力：在 8 个多模态理解基准评测上整体领先 Gemini 2.5 Flash，其中 5 个任务上超过 Gemini 2.5 Pro 的水平。
这证实了「图像操作 × 深度推理」训练范式的有效性，并展现出极强的 scaling 潜力：即便是小模型，也能逼近顶级闭源模型的表现。
01核心优势一：随手拍解题，即时理解的主动视觉操作
Skywork R1V4-Lite 在推理过程中并非被动「看图回答」，而是具备主动式图像操作能力：在遇到视角受限或信息不足的场景时，模型会自动执行裁切（Crop）、放大（Zoom）、旋转（Rotate）、区域定位等操作，构建一条透明且可回溯的「视觉行动链」。
R1V4-Lite 展现出物理逻辑理解力：它先对图像进行几何校正，再基于正确视角进行空间关系推理。
当任务要求极高精度时，R1V4-Lite 会进一步主动进行微观级操作：放大区域、生成参考线、构建辅助判断策略。对于需要「精密判断」的任务，模型不会直接给答案，而是会先构建辅助工具来确保结果严谨可靠。
在需要主动式图像操作能力的任务中，模型会主动进行多步裁剪放大的图像操作，找到对应的图片区域，使推理结果具备可解释性与严谨性。这一过程完整展示了 R1V4-Lite 的视觉行动力：模型不再「被动看图」，而是在复杂场景中主动探索、验证、修正与整合，实现真正意义上的「边观察、边思考、边行动」。
02核心优势二：多模态深度研究，领先的轻量级搜索增强能力
Skywork R1V4-Lite 也支持接入联网搜索功能，在联网搜索下会自动触发深度研究能力：
通过构建推理脚手架，与外部世界进行搜索、检索、比对等主动交互。触发搜索、检索、比对等多种外部资源交互，将搜索结果与视觉推理深度融合，形成「搜索—推理—验证」的闭环。模型由此获得跨模态、跨资源的知识扩展能力，推理边界显著拉宽。
从结果上看，R1V4-Lite 在多模态 DeepResearch 类任务中展现出了领先趋势：在 mm-search 上以66 分超过 Gemini 2.5 Flash 的64.9 分，在 FVQA 上以67 分显著领先 Gemini 2.5 Flash 的60.8 分。这一系列结果强有力地验证了「图像操作 × 深度推理交织训练」范式的有效性。
面对复杂问题，R1V4-Lite 能够进行多轮推理与信息整合。
R1V4-Lite 不仅在学术、法律、生态与医学场景中展现出强大的多模态深度推理能力，在电商智能与内容理解方面同样表现卓越。r1v4-lite 在复杂的图片输入下，找到了商品来源并给出了详细的商品介绍。这种能力可直接应用于智能导购、图搜找同款、跨平台商品比价等典型电商场景。
03核心优势三：看图即可规划，主动式多模态任务规划
R1V4-planner-lite 可以支持真正意义上的主动式多模态 Agentic 规划，首次让视觉输入能够直接驱动任务链规划，将推理链扩展为可执行链。
从一张图像出发，Planner 能够自动构建一条可执行的多轮任务链（task chain），并完成：
任务分解（Task D.composition）
工具选择（Tool Selection）
参数生成（Parameter Generation）
执行顺序规划（Execution Ordering）
这意味着模型首次从传统的 「看图回答」→「看图行动」，具备了由视觉驱动的行动规划能力。
在此基础上，R1V4-Planner-Lite 将规划能力扩展到系统级（system-level planning）：模型会综合用户意图、上下文、可用工具与任务依赖关系（dependency graph），自动生成结构化的执行方案，并以高度可解释的形式给出每一步的工具、参数与目的。这为 Agentic 智能提供了可控性、透明度和稳定性。
Skywork R1V4-Lite 并非传统意义上的「小模型」。它是业界首个在轻量级架构下同时实现：图像操作（Crop / Zoom / Rotate）、深度推理（Long-form Reasoning）和任务规划（Agentic Planning）三能力统一的多模态智能体。
在极小参数规模下，Skywork R1V4-Lite 依然能进行端到端的深度思考与主动执行，实现从 「视觉输入」 一直推到 「任务完成」 的完整能力链。
04核心优势四：小尺寸、快响应、低成本
Skywork R1V4-Lite 在模型规模、推理速度与吞吐效率之间实现了极佳工程平衡。这意味着它不仅适合工程落地，也能支撑极高的并发和实时性要求，是移动端、应用内推理和高 QPS 产品的更优选项。
通过更高效的模型优化与继承 Qwen3 A3B 轻量架构设计，它在真实生产环境中展现出远超同体量模型的性能表现：
1. 响应速度（Latency）
- 约为 Gemini 2.5 Pro 的1/19
- 约为 Gemini 2.5 Flash 的1/5
2. Token 吞吐（TPS）
- 为 Gemini 2.5 Pro/Flash 的约 2 倍
3. 端到端完成速度：依托更强的推理压缩能力与极低的工具调用轮次，在工具调用与长推理任务（端到端使用工具），R1V4-Lite 实现了：
- 比 Gemini 2.5 Pro快 2.9×
- 比 Gemini 2.5 Flash快 1.7×
凭借低延迟×高吞吐×极低成本的组合优势，R1V4-Lite 完美适用于：
实时问答
视觉检索
智能助手
多模态工具调用
高并发的在线生产场景
R1V4-Lite 的发布证明了——小模型也能很强，小模型也能很快，小模型也能多模态。
05展望
R1V4-Lite 的成功不仅来自工程优化，更源自其背后的多模态新范式：图像操作×深度推理交织训练。这一训练路线让轻量模型具备跨模态推理、主动图像操作、任务规划与搜索增强的统一能力，展示了轻量多模态智能体的全新可能性。
这一结果进一步说明：能力密度比参数规模更重要，小模型也能逼近闭源模型的真实表现。随着更大容量与更强结构进一步加入该范式，其scaling 潜力将持续释放。目前，Skywork R1V4-Pro也即将准备发布。
未来，昆仑万维旗下 Skywork 将沿着「Multimodal Reasoning×Agentic Intelligence×Tool Augmentation」路线继续前进，让模型不仅理解世界，还能更有效地与世界信息交互，并在真实任务中产生实际价值。
来源：互联网