大多数AI实验室在吹自己的推理模型时，会把配方锁起来。权重也许给你。训练数据和生成它们的代码，几乎从不给。
昆仑万维反着来。这家北京公司做了天工助手，2025年4月13日放出一组推理模型，然后把整个厨房搬到了院子里。
关键要点
- Skywork-OR1是一个系列的三款开源推理模型，主攻数学和代码——"把过程写出来"最重要的两个任务。
- 昆仑不只开源权重，还把训练数据集、完整训练代码和技术博客一并放上GitHub与Hugging Face。
- 这一系列接着Skywork-o1而来，公司称后者在2025年2月面世时是首个中文逻辑推理大模型。
- 对普通开发者，这意味着可以下载、审计、微调一个能用的推理模型，不必申请许可，也不必付授权费。
推理模型到底是什么
普通聊天机器人答得快，而且经常自信地答错。推理模型被训练成"慢下来"：把难题拆成步骤，答之前先自查。就像一个脱口而出的学生，和一个把证明写完整的学生之间的差别。
这在数学和编程里最要命——一步逻辑滑坡，整道题就废了。昆仑把OR1正好对准了这两块。
三个模型，一个思路
- Skywork-OR1-Math-7B：数学专精，代码能力也不差。AIME24得69.8分，AIME25得52.3分。
- Skywork-OR1-7B-Preview：通用型，数学与代码混着练。
- Skywork-OR1-32B-Preview：旗舰，处理更复杂的问题。AIME24 79.7、AIME25 69.0、LiveCodeBench 63.9。
"7B"和"32B"指参数量。70亿的模型一台像样的工作站就能跑；320亿的要更多硬件，但推理更稳。
同行通常藏起来的那部分
不一样的地方在这里：昆仑没有只发一个成品。团队公布了训练数据集和完整训练代码，配一篇技术说明，讲清楚数据怎么清洗、他们学到了什么。公开的目标是完全可复现——另一个实验室照着走，应该能得到相近的结果。
这很罕见。多数开源发布是"模型给你，怎么造你自己猜"。把数据和代码一起放出来，就把一次产品发布变成了一次教学。这也是为什么OR1在研究者圈子里有反响，尽管昆仑并不属于DeepSeek、Qwen那样的中国AI头条常客。
它们怎么衡量"会思考"
昆仑用了两个公认基准：AIME（竞赛级数学）和LiveCodeBench（真实编程题）。更有意思的是他们推的指标，叫avg@k。
传统的pass@k问的是：试k次，有没有一次做对？avg@k算的是这k次里平均成功多少次。团队的理由是，后者更能反映稳定的、可用的能力，而不是一把运气。评测用的是AIME24、AIME25和LiveCodeBench，训练集则是约11万道可验证的数学题和约1.4万道带单元测试的代码题——这个数据配比本身也是公开的一部分。
一家公司为什么要送
开源一个推理模型不是纯粹做慈善。它建立开发者信任，养出一个会提bug、会写教程的社区，也把昆仑商业化的天工产品摆在"免费研究版"旁边，成为那个"有人支持"的选项。这套打法开源软件用了几十年：引擎送人，服务收钱。
对中国AI整体而言，这类发布在一点点拆掉一个印象——最好的推理研究只存在于美国公司的围墙里。一个谁都能下载、能检视的模型，是内罗毕的大学和圣保罗的创业公司真的用得上的模型。
诚实的局限
推理质量的结论，建立在昆仑自己的评测和博客上，没有中立的第三方复现，独立验证很薄。32B仍然需要真正的GPU，不是笔记本能跑的东西。这里的"开放"指权重和代码开放，不是训练算力开放——从零复现，依然要花大钱。而且推理模型即便很好，在数学和代码之外的问题上仍然会自信地犯错，逐步思考的训练在那里帮不上太多忙。
普通人现在能做什么
- 你做软件，就去Hugging Face拉OR1的权重，用自己的数学或编程任务测一遍，别信营销数字。
- 你教书或学AI，可以把公开的训练代码当作一个罕见的、具体的样本：一个推理模型究竟是怎么造出来的。
- 你只是用聊天工具，可以留意产品里的"深度思考"开关——OR1这类发布说明，逐步思考正在从付费功能变成标配。