2025 年幾乎被一致包裝成 AI Agent之年。從大模型到Agent轉(zhuǎn)向，行業(yè)講述的故事是，AI 不再只是一個(gè)會(huì)聊天、會(huì)生成文本的工具，而要變成能理解目標(biāo)、拆解任務(wù)、自動(dòng)調(diào)用各種服務(wù)的“數(shù)字執(zhí)行者”。在 PPT 和發(fā)布會(huì)上，這聽起來是一次從會(huì)說話到會(huì)干活的范式轉(zhuǎn)變。

但第一批把這一愿景裝進(jìn)硬件里的產(chǎn)品，很快給了現(xiàn)實(shí)的一記耳光。Rabbit R1 帶著 “Large Action Model” 的敘事亮相，號(hào)稱能像真人一樣在各類 App 里訂機(jī)票、點(diǎn)外賣、完成整條流程。然而真正到用戶手里，它更多像是一臺(tái)性能有限、響應(yīng)遲緩、依賴云端的一部功能不完善的手機(jī)，宣傳中的自動(dòng)化場(chǎng)景要么不可用，要么極不穩(wěn)定，交互體驗(yàn)也并未跳出傳統(tǒng)語音助手的框架，最終被普遍視為一場(chǎng)高調(diào)開局、低質(zhì)量收?qǐng)龅氖?shí)驗(yàn)。

這并不意味著Agent本身是偽命題，而是提醒我們把Agent做成一臺(tái)獨(dú)立硬件，可能一開始就選錯(cuò)了戰(zhàn)場(chǎng)。與其再造一塊昂貴卻雞肋的設(shè)備，不如把“能看、能想、能行動(dòng)”的能力壓縮成一個(gè)可以嵌入任意應(yīng)用的輕量模型。

在這一背景下，昆侖萬維最新發(fā)布的Skywork R1V4-Lite（以下簡(jiǎn)稱“R1V4-Lite”），試圖成為那個(gè)“能行動(dòng)”的Agent。它不標(biāo)榜自己是巨無霸，反而強(qiáng)調(diào)“輕量級(jí)”（Lite），其核心定位是，首次在輕量級(jí)架構(gòu)下，統(tǒng)一了主動(dòng)圖像操作、外部工具調(diào)用和多模態(tài)深度研究三大能力。

拋開噱頭，只討論感知—推理—行動(dòng)這條鏈路本身時(shí)，今天的技術(shù)到底已經(jīng)走到了哪一步。

我們?cè)O(shè)計(jì)了一系列高難度的真實(shí)場(chǎng)景，來看看R1V4-Lite的表現(xiàn)。

對(duì)Skywork R1V4-Lite的技術(shù)細(xì)節(jié)和在線使用感興趣的讀者，也可以通過以下鏈接獲取更多信息：

Skywork API平臺(tái) (可在線體驗(yàn)): https://platform.skyworkmodel.ai/ Github開源地址: https://github.com/SkyworkAI/Skywork-R1V 技術(shù)報(bào)告: https://github.com/SkyworkAI/Skywork-R1V/blob/main/Skywork_R1V4.pdf API接口文檔: https://docs.skyworkmodel.ai/r1v4/api-reference/completions.html Novita AI (第三方平臺(tái)): https://novita.ai/

1

模糊手寫體小票收據(jù)識(shí)別

為了測(cè)試它是不是真的能行動(dòng)，我們沒有給它一張清晰的打印小票，而是遞上了一張只有400x300像素、字跡潦草的手寫收據(jù)。

給它的任務(wù)是：“這張收據(jù)上，第二項(xiàng)‘空調(diào)加雪種’的金額是多少錢？”

R1V4-Lite的第一反應(yīng)沒有像傳統(tǒng)模型那樣“一眼答”（或者直接瞎猜），而是在模型思考中承認(rèn)了視覺局限。

接下來的行動(dòng)。它直接調(diào)用了code工具，當(dāng)場(chǎng)為自己造了一個(gè)裁切工具。

它自己import了PIL庫，自己計(jì)算了坐標(biāo)，自己執(zhí)行了img.crop。來解決眼前這個(gè)模糊問題。

在它自己寫代碼、自己裁切圖片之后，R1V4-Lite進(jìn)入了第二輪的思考，并給出了正確的答案

這個(gè)就是Agent的屬性，看不清時(shí)，會(huì)自己想辦法來解決問題。

作為對(duì)比，我們也讓ChatGPT5.1來完成同樣的任務(wù)，但并沒有準(zhǔn)確識(shí)別，可以看到它并沒有主動(dòng)使用工具：

1

AI看圖定制菜譜

我們繼續(xù)來測(cè)試一下R1V4-Lite的外部工具調(diào)用和任務(wù)規(guī)劃能力，包括聯(lián)網(wǎng)搜索能力，把這些加在一起，看看它處理的怎么樣。

“幫我看看冰箱里這些東西，晚上能做點(diǎn)什么吃的？幫我規(guī)劃一下，最好能找個(gè)菜譜?！?/p>

我們給它的，也不是一個(gè)塞滿新鮮食材的擺拍冰箱，而是一個(gè)極其真實(shí)的“打工人”冰箱，里有幾瓶牛奶、一堆醬料、一根玉米和一些速食。

和前一個(gè)案例一樣，R1V4-Lite的第一反應(yīng)是動(dòng)腦和動(dòng)手。它在模型思考中判斷，需要先聚焦到關(guān)鍵食材上。

在看清了食材（牛奶、玉米、沙茶醬等）之后，它嘗試調(diào)用image_search工具，用它剛裁切的圖片去網(wǎng)上搜菜譜。

有意思的是，搜索失敗了。只返回了一堆賣冰箱收納盒的亞馬遜鏈接和意義不明的YouTube視頻。

換做一些別的模型，可能就卡住或者瞎編了。

不過R1V4-Lite接下來識(shí)別到了自己的失敗，并切換了策略。它放棄了image_search，轉(zhuǎn)而調(diào)用text_search，搜索關(guān)鍵詞：“simple recipes corn satay sauce bean paste...”

在text_search返回了一些初步結(jié)果后（比如沙茶雞肉），它在輪次 4的思考中覺得還不夠精準(zhǔn)（因?yàn)楸淅餂]雞肉），于是它再次精煉了關(guān)鍵詞，進(jìn)行了第二次text_search。

在經(jīng)過了裁切看清 -> 搜圖失敗 -> 換策略搜文字 -> 再搜文字，這一系列復(fù)雜的行動(dòng)和思維鏈后，在“輪次 5”匯總了所有信息，給出了一個(gè)非常合乎邏輯的回答。

推薦菜單：玉米沙茶醬炒菜
備選方案1：奶油玉米湯
備選方案2：蔬菜炒菜
貼心提示： 你的牛奶可以當(dāng)做“提神小食”

為了驗(yàn)證“玉米沙茶醬炒菜”是不是什么黑暗料理，我們進(jìn)行了人工驗(yàn)證。發(fā)現(xiàn)這是閩南、潮汕和臺(tái)灣一帶常見的家常做法。所以R1V4-Lite給出的并不是一個(gè)敷衍的結(jié)果，而是包含多種選擇的方案。

1

“專家級(jí)”推理：醫(yī)學(xué)博士的考題

如果說前兩個(gè)案例是“隨手拍、解萬難”，那這第三個(gè)案例就是一次專業(yè)的極限挑戰(zhàn)。試試R1V4-Lite能不能解決醫(yī)學(xué)博士級(jí)別的考題。

任務(wù)： 看懂下面這張復(fù)雜的組織學(xué)病理切片，并診斷出它最符合哪種疾病特征 。

對(duì)于普通人來說，這種病理切片里的紫色圓圈和斑點(diǎn)毫無意義。但R1V4-Lite的反應(yīng)，展示了它作為“深度研究”型Agent的能力。

它先是識(shí)別出圖像A區(qū)域 那些不規(guī)則聚集的細(xì)胞，并將其定性為“非干酪樣肉芽腫”（Non-caseating granuloma）。

然后調(diào)用了專業(yè)醫(yī)學(xué)知識(shí)庫，將這個(gè)視覺特征（“非干酪樣肉芽腫”）與疾?。ā翱肆_恩病”） 的典型特征進(jìn)行了高速匹配和驗(yàn)證。

最終給出了一個(gè)精準(zhǔn)、專業(yè)的診斷結(jié)論：該特征與“克羅恩病”（Crohn’s disease）一致 。

1

識(shí)破“野史”謠言：康熙到底是不是洪承疇的爹？

測(cè)完了硬核的醫(yī)學(xué)問題，再來考考它的文科功底。我們?cè)诰W(wǎng)上找了一張近期熱議的歷史話題，康熙帝與洪承疇的關(guān)系。最近有傳聞稱洪承疇“貍貓換太子”云云，并列舉一系列證據(jù)，比如什么光緒帝Y染色體遺傳標(biāo)記與愛新覺羅家族沒關(guān)系等等。如果是一個(gè)只會(huì)檢索引用的AI，很容易被搜索到的野史帶偏，R1V4-Lite能不能厘清事實(shí)？

R1V4-Lite的表現(xiàn)很像一個(gè)嚴(yán)謹(jǐn)?shù)摹翱紦?jù)黨”。

在第一輪搜索中，它捕捉到了網(wǎng)絡(luò)上關(guān)于兩人關(guān)系的爭(zhēng)議點(diǎn)：“I can see that there's a common myth... that Emperor Kangxi was actually the biological son of Hong Chengchou.” （我發(fā)現(xiàn)有一個(gè)普遍的傳說，說康熙是洪承疇的親生兒子。）

但它沒有輕信，而是觸發(fā)了DeepSearch邏輯，分別調(diào)用web_visit訪問了維基百科，查證兩人的確切生卒年。

這里有一次邏輯推理，洪承疇出生于 1593 年，康熙出生于 1654 年。兩人年齡相差 61歲，且兩人之間的實(shí)際關(guān)系是君臣關(guān)系。洪承疇是明清兩代的高級(jí)官員，曾效力于康熙的父輩（順治皇帝及其后的攝政時(shí)期）。

最終答案就很明顯了：關(guān)于康熙是洪承疇親生子的說法實(shí)屬現(xiàn)代網(wǎng)絡(luò)謠言，歷史學(xué)者已予以澄清，兩者年齡差距使得這種關(guān)系在時(shí)間線上根本不可能成立。

這個(gè)案例證明了這種多模態(tài)深度研究能力，不僅僅是聯(lián)網(wǎng)搜答案。它還需要模型具備反思和批判性思維，能從紛繁復(fù)雜的網(wǎng)絡(luò)信息中，識(shí)別謠言、查證數(shù)據(jù)、并給出基于事實(shí)的獨(dú)立判斷，這在信息過載的今天尤為重要。

1

Planner模式：復(fù)雜指令下的多工具協(xié)同規(guī)劃

除了R1V4-Lite，這次昆侖萬維還推出了R1V4-planner-lite 。如果說R1V4-Lite是能行動(dòng)的輕量級(jí)多模態(tài)智能體 ，它是引擎。而R1V4-planner-lite則像是這個(gè)引擎的一種高級(jí)工作模式，是一種導(dǎo)航系統(tǒng)或任務(wù)規(guī)劃器。

我們來看看它是怎么工作的，任務(wù)： （給模型一張Jacob Elordi的街拍圖）“我喜歡這個(gè)人的穿搭。請(qǐng)幫我規(guī)劃一下怎么買到這身衣服：識(shí)別出他身上所有的主要單品（帽子、外套、內(nèi)搭、褲子和鞋子）。幫我全網(wǎng)搜索每個(gè)單品的品牌和大概價(jià)格。如果太貴了，幫我找?guī)讉€(gè)風(fēng)格相似的平價(jià)替代品鏈接?！?/p>

R1V4-planner-lite制定了一份詳盡的長(zhǎng)達(dá)8步執(zhí)行計(jì)劃。

[image_search]：識(shí)別圖片中人物的所有穿搭單品和配飾。
[text_search]：搜索“藍(lán)色LA帽子”的品牌和價(jià)格。
[text_search]：搜索“藍(lán)色衛(wèi)衣”的品牌和價(jià)格。
[text_search]：搜索“淺藍(lán)牛仔褲”的品牌和價(jià)格。
[text_search]：搜索“紅色運(yùn)動(dòng)鞋”的品牌和價(jià)格。
[text_search]：搜索“黑色絎縫包”的品牌和價(jià)格。
[text_search]：為上述每個(gè)單品搜索“100美元以下”的平價(jià)替代品。
[none]：匯總所有發(fā)現(xiàn)...

可以看到，R1V4-planner-lite能將模糊的扒穿搭指令，分解為8個(gè)有依賴關(guān)系的步驟，并為每一步精準(zhǔn)匹配了image_search、text_search或web_visit等工具。特別是它精準(zhǔn)識(shí)別出了“黑色絎縫包”（Black quilted bag）這一細(xì)節(jié)，并為其單獨(dú)規(guī)劃了搜索步驟，證明了其視覺識(shí)別的細(xì)膩度。所以模型真的不再只是給個(gè)答案，而是幫你辦事，并且在行動(dòng)前，就能先給出一份完整的SOP。

1

“看天吃飯”：基于環(huán)境條件的動(dòng)態(tài)規(guī)劃

如果說扒穿搭展示了R1V4-planner-lite的線性拆解能力，那么最后這個(gè)測(cè)試，則是為了驗(yàn)證它是否具備更動(dòng)態(tài)決策能力?，F(xiàn)實(shí)世界充滿了變數(shù)。很多時(shí)候，我們需要的不是一個(gè)死板的執(zhí)行列表，而是一個(gè)視情況而定的方案。

上傳了一張隨手拍攝的照片，任務(wù)：我現(xiàn)在在圖中這個(gè)地方。我想在附近玩兩個(gè)小時(shí)。請(qǐng)幫我做一個(gè)規(guī)劃，先識(shí)別出這是哪里。再幫我搜索一下這個(gè)地方未來3小時(shí)的天氣情況。根據(jù)天氣情況幫我做決定：如果下雨，就幫我找一個(gè)附近評(píng)分最高的室內(nèi)咖啡廳或博物館，如果沒有雨，就幫我找一個(gè)附近的公園或戶外步行路線。最后告訴我推薦地點(diǎn)的具體地址和今天的營(yíng)業(yè)時(shí)間。

面對(duì)這個(gè)包含分支邏輯的指令，R1V4-planner-lite 把用戶給出的需求，直接寫進(jìn)了搜索參數(shù)里。

執(zhí)行計(jì)劃如下：

Step 1: [image_search] 識(shí)別圖片中的地點(diǎn)。

Step 2: [text_search] 搜索“[地點(diǎn)] 未來3小時(shí)天氣預(yù)報(bào)”。
Step 3 (關(guān)鍵一步): [text_search] 參數(shù)中明確寫入了邏輯——"Based on the weather forecast, search for nearby indoor venues... if rain is expected, or outdoor venues... if no rain." （基于天氣預(yù)報(bào)，如果下雨則搜室內(nèi)場(chǎng)館，如果沒雨則搜戶外公園。）
Step 4: [web_visit] 訪問具體網(wǎng)頁確認(rèn)地址和營(yíng)業(yè)時(shí)間。

Step 5: [none] 匯總信息。

這一點(diǎn)其實(shí)很關(guān)鍵。傳統(tǒng)的Workflow通常只能執(zhí)行固定的 A->B->C，一旦遇到“看情況”的模糊指令往往會(huì)卡殼。而 R1V4-planner-lite 能讀懂自然語言里的邏輯分支，并將其翻譯成可執(zhí)行的搜索策略，而不是只會(huì)執(zhí)行固定的代碼模版。

1

為什么Lite，反而很Pro？

我們的測(cè)試過程中可以感受到，R1V4-Lite 在真實(shí)任務(wù)中的表現(xiàn)是可靠且可用的。不過，更值得注意的恰恰是它名字里的這個(gè)Lite（輕量級(jí)），它展現(xiàn)出的行動(dòng)與理解能力，與其模型體量之間存在明顯反差。

這與 Rabbit R1 等產(chǎn)品翻車之后行業(yè)逐漸形成的一種共識(shí)相呼應(yīng)，AI 的演進(jìn)方向，未必是單一超大模型包打天下，而更可能是由多個(gè)體量較小、功能聚焦的模型協(xié)同構(gòu)成的體系。

根據(jù)官方發(fā)布的數(shù)據(jù)，在 8 個(gè)多模態(tài)理解基準(zhǔn)上，R1V4-Lite 整體領(lǐng)先 Gemini 2.5 Flash，并在其中 5 項(xiàng)任務(wù)上超過 Gemini 2.5 Pro。在多模態(tài) DeepResearch 任務(wù)上也呈現(xiàn)出接近甚至領(lǐng)先的趨勢(shì)。

與之相對(duì)，它在工程指標(biāo)上的“輕”同樣突出：響應(yīng)延遲約為 Gemini 2.5 Pro 的 1/19、Flash 的 1/5，而 Token 吞吐量（TPS）接近它們的 2 倍左右。對(duì)于高并發(fā)、低延遲要求明顯的生產(chǎn)場(chǎng)景（如實(shí)時(shí)助手、視覺檢索），這樣的“快、省、夠用”的 Lite 模型，在成本與體驗(yàn)上的綜合價(jià)值，確實(shí)有可能優(yōu)于“大而慢”的 Pro 級(jí)模型。

也就是說，相比單純追求參數(shù)規(guī)模，AI Agent的“能力密度”也是值得關(guān)注的方向。昆侖萬維將 R1V4-Lite 的表現(xiàn)，歸因于其“圖像操作 × 深度推理交織訓(xùn)練”的范式，試圖用更緊湊的訓(xùn)練路徑，讓小模型逼近頂級(jí)閉源模型在多模態(tài)推理與行動(dòng)上的表現(xiàn)。

在路線選擇上，昆侖萬維也釋放出相對(duì)清晰的信號(hào)。一方面，R1V4-Lite（及其 Planner）以開源形式提供，這在一定程度上降低了開發(fā)者構(gòu)建“行動(dòng)Agent”的門檻，有利于圍繞這一范式形成工具鏈與生態(tài)；另一方面，從此前的 Skywork-R1V 系列（如 R1V 2.0、R1V 3.0）可以看出，當(dāng)前版本不是一次性投入的產(chǎn)物，而是從R1V 2.0、3.0的多模態(tài)思維鏈推理，到如今R1V4-Lite Agent能力的持續(xù)迭代積累。

當(dāng)然，能力密度并不意味著問題已經(jīng)解決。當(dāng)前結(jié)果主要依賴有限數(shù)量的基準(zhǔn)與典型場(chǎng)景，在更開放、多變、乃至對(duì)抗性的環(huán)境中，輕量模型是否仍能保持穩(wěn)定的規(guī)劃與行動(dòng)質(zhì)量，仍需更多實(shí)證驗(yàn)證。同時(shí)，如何在保證推理能力的前提下，將這類模型安全、低成本地嵌入現(xiàn)有業(yè)務(wù)系統(tǒng)（包括工具編排、權(quán)限控制與監(jiān)控），也會(huì)決定它們能否真正走出實(shí)驗(yàn)室。

總體來看，R1V4-Lite 提供了一種值得重視的樣本，未來的Agent未必長(zhǎng)在“超大模型”的單一樹干上，更可能以一批高效、可部署、真正“能動(dòng)手”的輕量多模態(tài)模型為基礎(chǔ)，在從“思考”走向“行動(dòng)”的過程中，探索出更務(wù)實(shí)的工程形態(tài)。

點(diǎn)個(gè)“愛心”，再走 吧