R1-Onevision 是由 Fancy-MLLM 团队开发的一款开源多模态大型语言模型，专注于视觉与语言的深度结合。该模型能够同时处理图像和文本等多种模态输入，在视觉推理、图像理解、数学解题等多个领域展现出卓越性能。基于 Qwen2.5-VL 架构优化而来，R1-Onevision 在 Mathvision、Mathverse 等基准测试中超越了同类模型 Qwen2.5-VL-7B，其表现甚至能够挑战业界标杆 GPT-4V。作为一个完整的开源项目，它不仅提供模型权重，还包含了训练数据集和完整代码库，这对研究者和开发者而言具有重要价值。
该模型最显著的特点是支持复杂的多模态推理任务，包括但不限于数学题解答、科学问题分析、图像内容描述等。其数据集覆盖自然场景、OCR 文字识别和图表分析等多个领域，为开展各类视觉语言任务研究提供了丰富资源。
Essa resposta foi extraída do artigoR1-Onevision: um modelo de linguagem visual de código aberto que oferece suporte ao raciocínio multimodalO
Não pode ser reproduzido sem permissão:Ferramentas de produtividade de IA " R1-Onevision是支持多模态推理的开源视觉语言模型
Português do Brasil 
简体中文 
English 
日本語 
Deutsch