R1-OneVision

R1-OneVision是一个开源的多模态大型语言模型，专注于深度推理能力。它融合了视觉和文本数据，能够对多模态信息进行精确解读，在数学、科学、深度图像理解和逻辑推理等领域表现出色。该模型基于Qwen2.5-VL进行微调，并在R1-OneVision数据集上训练，该数据集整合了LLaVA-OneVision和其他领域特定数据集，包含自然场景、科学问题、数学题、OCR内容和复杂图表等多种类型，旨在提升模型的深度推理能力。

R1-OneVision的性能在Mathvision、Mathverse和R1-Onevision-Bench基准测试中均优于Qwen2.5-VL-7B和GPT-4V，展现了其强大的多模态推理能力。 它的使用场景非常广泛，可以作为强大的AI助手，解决跨不同领域的各种问题，例如：解答结合图像的科学或数学问题，理解复杂的图表信息，以及进行基于图像和文本的逻辑推理等。 目前已发布了3B、7B和72B三个参数规模的模型。 项目由浙江大学的研究人员开发。