颠覆认知！3B小模型也能做多模态Agent？Skywork R1V4-Lite实测，效果炸裂！

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，

如何高效转型Al大模型领域？

作为一名在一线互联网行业奋斗多年的老兵，我深知持续学习和进步的重要性，尤其是在复杂且深入的Al大模型开发领域。为什么精准学习如此关键？

• 系统的技术路线图：帮助你从入门到精通，明确所需掌握的知识点。
• 高效有序的学习路径：避免无效学习，节省时间，提升效率。
• 完整的知识体系：建立系统的知识框架，为职业发展打下坚实基础。

AI大模型从业者的核心竞争力

• 持续学习能力：Al技术日新月异，保持学习是关键。
• 跨领域思维：Al大模型需要结合业务场景，具备跨领域思考能力的从业者更受欢迎。
• 解决问题的能力：AI大模型的应用需要解决实际问题，你的编程经验将大放异彩。

以前总有人问我说：老师能不能帮我预测预测将来的风口在哪里？

现在没什么可说了，一定是Al；我们国家已经提出来：算力即国力！

未来已来，大模型在未来必然走向人类的生活中，无论你是前端，后端还是数据分析，都可以在这个领域上来，我还是那句话，在大语言AI模型时代，只要你有想法，你就有结果！只要你愿意去学习，你就能卷动的过别人！

现在，你需要的只是一份清晰的转型计划和一群志同道合的伙伴。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】