R1-Onevision 是一个多模态推理大模型，专注于复杂视觉推理任务。它能够整合视觉与文本信息，对多模态内容进行精确解读，在数学、科学、深度图像理解与逻辑推理等场景中具备较强能力，可作为跨领域问题求解的 AI 助手。
主要能力
- 跨模态推理：通过将图像转换为形式化文本表示，实现基于语言的精确推理。
- 多领域覆盖：数据集涵盖自然场景、科学、数学问题、OCR 内容以及复杂图表等。
- 模型微调：基于 Qwen2.5-VL 在 R1-Onevision 数据集上微调，增强视觉-语言理解与推理能力。
- 配套资源：提供数据集、基准测试（R1-Onevision-Bench）、SFT 权重、RL 权重以及演示。
使用方式
可使用 Hugging Face transformers 库加载模型。项目提供了数据集、基准、SFT/RL 权重和 Demo 的链接（具体链接见仓库页面）。
适用场景
- 视觉推理任务
- 图像理解
- 数学与科学问题求解
- 逻辑推理
- 复杂图表解读
限制
- 具体功能细节、收费情况、价格、平台支持、使用效果等未在资料中完整提供。
- 模型性能与实验细节需参考论文。
- 机构：浙江大学。
相关链接
- GitHub 仓库：https://github.com/Fancy-MLLM/R1-Onevision
- 数据集、基准、权重与论文链接见仓库页面。
