摘要：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。

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。

Skywork R1V4-Lite使用地址：

Skywork API平台：

.ai/

Skywork API接口文档：

Novita AI：

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。

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”。

让我们以"看图猜位置"为例展示这一能力。

当任务涉及地点判断时，R1V4-Lite不会停留在表层识别，而是自动裁切关键区域（如建筑物、店招、道路纹理）再分别调用图像搜索与文本搜索，并将结果进行语义比对，必要时对新区域再次裁切验证。

当模型需要在真实世界信息中做判断时，它会主动定位关键线索，以避免“误解场景”或“走错方向”。R1V4-Lite不仅能够通过自动裁切与搜索交叉比对进行定位，还能够进一步放大店招与建筑立面纹理，最终锁定以下图片是天津市南开区·天大设计院。

这类任务本质上是“小模型挑战大场景”，但R1V4-Lite的主动视觉策略让它能稳健地完成复杂的现实世界定位。可以看到在上述任务中，R1V4-Lite先裁剪放大出带有招牌的大楼，再对大楼进行图片搜索，得到这栋楼对应的是天津大学设计院。最后文本搜索，确认天津大学设计院的地理位置。

当R1V4-Lite遇见旋转、倒置或视角混乱的图像时，它会主动进行几何修复。我们输入一张倒转的图片，R1V4-Lite能够对输入图像进行旋转与结构重建分析。

R1V4-Lite的分析过程展现出，要真正理解图像中的空间关系，仅靠像素识别远远不够，必须先“把图像变回正常视角”。正如图中所示：

原始倒置图像：机器人在画面右侧

自动旋转校正后：机器人应在左侧

模型进一步判断：机器人使用右手牵着孩子的右手

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。

我们再让R1V4-Lite执行辅助线验证几何关系任务：在“吸管与笔是否平行”任务中，模型主动画辅助线，并严格确认它们平行：

在这些任务中，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」。

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。

在以下任务处理中，由于题目的复杂性，R1V4-Lite自主进行了长达8轮的人机协同推理与工具调用，通过持续的自主执行8轮交替推理与工具调用，最终生成了精准且有依据的答案。

R1V4-Lite处理生态学认知任务：当输入一张拍摄自伊比利亚半岛的鸟类图片时，R1V4-Lite自动识别出其为红颈夜鹰（Red-necked Nightjar, Caprimulgus ruficollis）。模型进一步生成结构化描述，说明其体长、分布区域及夜行习性。这一过程体现出模型在视觉识别与生物分类知识上的深度融合能力。

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。

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 Decomposition）

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。

例如，我们可以看到R1V4-planner-lite给出了如何完成搜索该动漫的plan，对应到每一个工具和参数。

Plan模式同样适用于纯文本输入。当用户提到想去26年1月想去三亚旅游的时候，R1V4-planner-lite也可以很好地帮用户制定计划和推荐行程。

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。

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

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。

来源：动态宝