大家好，我是刘聪NLP。
昨天刷到了昆仑万维发布了一个Skywork R1V4-Lite模型，只有3B的激活参数，
就可以主动操作图像、调用外部工具、图文交互深度检索，是一个多模态Agent模型。
技术核心是，R1V4-Lite 加上了主动操作，训练过程引入图像操作和深度推理交互训练，做到 All-in-One，
让小模型从源头具备更清晰的任务规划与搜索增强的能力。
30B-A3B是不是很眼熟，
没错，它是基于Qwen3-VL-30B-A3B增量训练的，
还有它仅使用了3万条后训练数据，再次体现了高质量数据的重要性。
最终整体榜单的效果，在感知和深度研究上全面超越Qwen3-VL-30B-A3B和Gemini2.5-Flash。
榜单重要也不重要，
因为我们是主打实测，哈哈哈，
来看看R1V4-Lite模型的整体效果到底如何，
懒人不爱看版本：
- 因为训练数据以英文为主，所以思维链和回答会以英文为主，你问了中文也会回答英文，当然你可以额外加上指令“请用中文回答”，那会用中文回答
- 找位置，简直无敌，由于带有图片裁剪、放大等操作，再加上图片检索，找图片位置简直是一绝
- 较低分辨率的内容可以识别的比较好，因为会先放大
- 计算推理一般，因为有代码操作，会默认用代码进行计算，但代码部分模型做的图像变换比较多
- 其他能力就依赖于原始Qwen3-VL的能力了，比如时钟识别依然是问题
- 纯Plan能力，我没专门测试，感兴趣自己可以去测测
- 速度很快A3B让模型输出嗖嗖的
先看几个常规的模型能力，
目标识别，数数，考察模型基本查个数的能力，“告诉我桌子上菇娘儿的个数”
报告解读，考察模型内容理解能力、知识储备的能力。“请帮我解读一下报告内容”
表格识别，内容提取和指令跟随能力，
但，并不是所有表格都很好，对于字数较多的表格，还原起来就没有那么好。
除了常规预测外，因为可以精准调用外部工具，同时R1V4-Lite可以进行自动图片裁剪、放大、翻转，所以对于定位、细粒度分析的内容效果会格外的好。
比如，之前所有VLM大模型都回答不了的“上海金茂大厦”位置，R1V4-Lite精准回答。
用了图像搜索，所以你说他作弊，也行，但是也是实打实的找对了。
注意它的图像思考和检索是交互存在的，并不割裂，所以找的也更准
色盲测试，会对图片进行一系列操作，主要提高图片的对比度，让这些数字更清晰可见，下图，很直观。
还有找到奔跑的人，可以精准框出人所在的位置。
低分辨率的图像，也会做先裁剪，再放大、高清的处理，让其VLM模型可以再次看，可以更清楚。
不过，时钟问题，依然是比较难得，这个跟基模也有一定的关系，时钟翻转没有回答正确，只做了裁剪放大。
以上测试完毕，
你可以在skywork api平台上测试：https://platform.skyworkmodel.ai/ ，
接口文档：https://docs.skyworkmodel.ai/r1v4/api-reference/completions.html
同时，Skywork R1V4-Lite的论文也放出来了，
Paper：https://github.com/SkyworkAI/Skywork-R1V/blob/main/Skywork\_R1V4.pdf
核心内容在数据构造的部分，感兴趣的可以仔细阅读一下原文。
我这里简单带过一下，
- 图像操作部分，让开源或闭源大模型（GLM4.6、Claude）通过编写代码对图像执行一系列操作，包括但不限于裁剪、旋转、对比度增强和像素级分析，每一步都对比代码输出与推理文本是否一致，4 次采样只留答对的样本数据。
- 搜索部分，分成基础搜索和增强搜索，基础搜索，图像主体突出，查询简单，一般通过反向图像搜索识别主体后，通常只需几轮文本搜索即可获得答案。增强搜索，涉及增强文本query生成和文本到多模态query改写。
- 能力融合，随机抽取 3k 例 LiveVQA，用 Claude 写 先裁图→搜索→再裁图 的混合脚本，再用 VLM 自动丢弃错位裁剪等低质量样本，保证图像操作与搜索结果因果一致。
R1V4-Lite的系统提示词如下；
最后，R1V4-Lite还是蛮让我吃惊的，
用了一些很巧妙的方法，解决了一些30B模型无法很好解决的问题，也能具备大模型级别的多模态链式推理与主动行为能力，
以前都是很大模型，来去做Agent交互，
R1V4-Lite让我们看到了更多可能吧，
当然，模型依然还有一些不足，但这不正是我们要努力的方向吗
然后今天Gemini 3.0 Pro更新了，在测试了，
等我更新，哈哈哈哈哈
继续卷起来~