/ Модель

Характеристики

Контекст
16 384 токена
Размер весов
76,8 ГБ
Лицензия
MIT
Архитектура
skywork_chat · dense
Базовая модель
InternVL3-38B
Библиотека
transformers
Опубликована
6 июл 2025

Skywork-R1V3-38B

Генерация текстаТекст → текст3 профессии

Skywork-R1V3-38B — мультимодальная чат-модель для анализа изображений и рассуждений по визуальным, математическим, научным и логическим задачам.

240скачиваний за 30 дней90лайковвеса обновлены14 июл 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Skywork-R1V3-38B — мультимодальная чат-модель с визуальным рассуждением, разработанная командой Skywork. Она дообучена на базе OpenGVLab/InternVL3-38B; постобучение с подкреплением и настройка модуля связи изображений и текста направлены на улучшение рассуждений по визуальным и междисциплинарным задачам. Модель принимает текст и изображения и генерирует текстовые ответы в диалоговом формате; карточка сообщает о результатах на тестах по математике, физике, логике и общему мультимодальному рассуждению.

Модель предназначена для вопросов по изображениям, решения визуальных задач и рассуждений по учебным и научным материалам. В README приведены результаты на MMMU, MathVista, MathVerse, MathVision и других бенчмарках, но эти показатели сами по себе не гарантируют качество на пользовательских данных. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers; лицензия — MIT. Метаданные указывают английский язык карточки, что не подтверждает поддержку других языков.

Сценарии применения

  • ответы на вопросы по содержимому изображения
  • решение математических задач с визуальными данными
  • рассуждения по физическим схемам и иллюстрациям
  • анализ учебных изображений и заданий
  • объяснение логических задач, представленных визуально

Ограничения

Заявленные результаты относятся к бенчмаркам и не гарантируют аналогичное качество в реальных сценариях. В карточке подтверждён английский язык; поддержку других языков и видео она не описывает.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

1. Model Introduction

Skywork-R1V3-38B is the latest and most powerful open-source multimodal reasoning model in the Skywork-R1V series. Built on InternVL-38B, it significantly pushes the boundaries of multimodal and cross-disciplinary intelligence. Mainly through RL algorithm in post-training, R1V3 boasts enhanced reasoning ability, achieving open-source state-of-the-art (SOTA) performance across numerous multimodal reasoning benchmarks.

2. Technical Highlights

Skywork-R1V3 is an advanced, open-source Vision-Language Model (VLM) built on several core innovations:

  • Refined Post-Training RL: Instead of relying on reasoning pre-training, our fine-grained cold-start finetuning effectively primes the model for Reinforcement Learning (RL), which dramatically enhances its reasoning ability.

  • Essential Connector Module: We've uncovered the critical role of the connector module in achieving robust cross-modal alignment for strong multimodal reasoning. What's more, Connector-only Finetuning can further boost the model's performance post-RL.

  • Entropy of Critical Reasoning Tokens: This unique indicator effectively gauges reasoning capability, guiding checkpoint selection during RL training.

These innovations lead to Broad Reasoning Generalization, allowing our RL-powered approach to successfully extend mathematical reasoning to diverse subject areas. Additionally, our work delves into RL-specific explorations like curriculum learning and learning rate strategies, alongside a broader discussion on multimodal reasoning. For more details, refer to our [📖 R1V3 Report] .

3. Evaluation

🌟 Key Results

  • MMMU: 76.0
  • EMMA-Mini(CoT): 40.3
  • MMK12: 78.5
  • Physics Reasoning: PhyX-MC-TM (52.8), SeePhys (31.5)
  • Logic Reasoning: MME-Reasoning (42.8) VisuLogic (28.5)
  • Math Benchmarks: MathVista (77.1), MathVerse (59.6), MathVision (52.6)

Visual-Language Models Benchmark Comparison

CategoryBenchmarkMetricSkywork-38BQVQ-72BInternVL-78BQwenVL-72BClaude 3.7GPT-4o
GeneralMMMU (val)Acc.🏆 76.070.372.270.375.070.7
EMMA (mini-cot)Acc.40.332.038.339.356.536.0
MMMU-proAcc.🏆 55.446.9*48.651.150.054.5
MMK12Acc.🏆 78.562.7*67.4*70.5*55.349.9
MMstarAcc.70.660.872.570.868.865.1
MMBench-en-1.1Acc.85.772.6*87.788.082.084.3
HallusionBenchAcc.🏆 61.355.3*59.155.258.356.2
MathematicsMathVista (mini)Acc.🏆 77.171.472.274.866.862.9
MathVerse (vision-only)Acc.🏆 59.645.151.057.649.9*49.9
MathVisionAcc.52.635.943.138.158.631.2
WeMath (strict)Acc.🏆 56.537.746.150.648.9*50.6
LogicVisulogicAcc.🏆 28.523.5*27.726.225.926.3
LogicVistaAcc.59.753.855.957.160.6*64.4
MME-reasoningAcc.🏆 42.835.232.134.134.130.2
PhysicsPhyX (mc-text-minimal)Acc.🏆 52.835.2*40.544.841.643.8
SeePhysAcc.31.522.519.0*24.234.621.9

🏆 Top performer of Skywork-R1V3 in each benchmark
[*] indicates results from our evaluation framework.

4. Usage

If you need the detailed inference code and evaluation script, please refer to our GitHub.

Run the Inference Script

hf inference

import torch
from transformers import AutoModel, AutoTokenizer
from utils import load_image, split_model
import argparse

def main():
    parser = argparse.ArgumentParser(description="Run inference with Skywork-R1V model.")
    parser.add_argument('--model_path', type=str, default='Skywork/Skywork-R1V3-38B', help="Path to the model.")
    parser.add_argument('--image_paths', type=str, nargs='+', required=True, help="Path(s) to the image(s).")
    parser.add_argument('--question', type=str, required=True, help="Question to ask the model.")
    args = parser.parse_args()

    device_map = split_model(args.model_path)
    model = AutoModel.from_pretrained(
        args.model_path,
        torch_dtype=torch.bfloat16,
        load_in_8bit=False,
        low_cpu_mem_usage=True,
        use_flash_attn=True,
        trust_remote_code=True,
        device_map=device_map
    ).eval()
    tokenizer = AutoTokenizer.from_pretrained(args.model_path, trust_remote_code=True, use_fast=False)

    pixel_values = [load_image(img_path, max_num=12).to(torch.bfloat16).cuda() for img_path in args.image_paths]
    if len(pixel_values) > 1:
        num_patches_list = [img.size(0) for img in pixel_values]
        pixel_values = torch.cat(pixel_values, dim=0)
    else:
        pixel_values = pixel_values[0]
        num_patches_list = None
        
    prompt = "<image>
"*len(args.image_paths) + args.question
    generation_config = dict(max_new_tokens=64000, do_sample=True, temperature=0.6, top_p=0.95, repetition_penalty=1.05)
    response = model.chat(tokenizer, pixel_values, prompt, generation_config, num_patches_list=num_patches_list)

    print(f'User: {args.question}
Assistant: {response}')

if __name__ == '__main__':
    main()

vllm inference

python -m vllm.entrypoints.openai.api_server --model $MODEL_PATH  --max_model_len 32768  --limit-mm-per-prompt "image=20" --tensor-parallel-size $N_GPU --dtype auto  --trust-remote-code


5. Citation

If you use Skywork-R1V in your research, please cite:

@misc{shen2025skyworkr1v3technicalreport,
      title={Skywork-R1V3 Technical Report}, 
      author={Wei Shen and Jiangbo Pei and Yi Peng and Xuchen Song and Yang Liu and Jian Peng and Haofeng Sun and Yunzhuo Hao and Peiyu Wang and Jianhao Zhang and Yahui Zhou},
      year={2025},
      eprint={2507.06167},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2507.06167}, 
}

6.License

This project is released under the MIT License. This project uses the InternVL3-38B as the base model, which is licensed under the MIT License.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

vLLM

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
SkyworkR1VChatModel
Ревизия весов
8553666

0 моделей