Skywork AI — это AI-подразделение китайской технологической компании Kunlun Wanwei (Kunlun Tech), торгующейся на Шэньчжэньской бирже. В отличие от большинства лабораторий, которые прячут свои лучшие модели за API, Skywork сделал ставку на полный open-source: модели выложены на Hugging Face с открытыми весами, а технические отчёты раскрывают весь процесс обучения, включая цепочки рассуждений (chain-of-thought) в реальном виде. Это делает платформу интересной тем, кто хочет запустить сильную модель локально и бесплатно, а не платить за токены. В этом обзоре — что за продукт, из чего состоит линейка моделей, как работает исследовательский агент, и главное — реальный код для локального запуска и сравнение цен с DeepSeek и Qwen.

# 1. Что такое Skywork AI и кто за ним стоит

Skywork (в Китае — «Тяньгун», 天工) — флагманский AI-бренд Kunlun Wanwei. Компания начинала как игровой и браузерный холдинг, а в 2023 году переориентировалась на генеративный AI и стала одной из первых китайских компаний, выпустивших большую языковую модель. Стратегия Skywork принципиально отличается от OpenAI и Anthropic: вместо закрытого API — публикация весов и технических отчётов, а монетизация строится на облачной платформе и b2b-внедрениях, а не на продаже доступа к топ-модели.

Ключевое отличие, за которое Skywork уважают в open-source-сообществе — прозрачность обучения. В феврале 2025-го компания выложила Skywork-R1 и приложила полные цепочки рассуждений модели, что дало исследователям уникальный датасет для изучения RL-обучения reasoning-моделей. Позже появились специализированные линейки — математическая OR1-Math, кодовая OR1-Coder, reward-модели для собственного RLHF. Для пользователя это значит: любую модель можно скачать с Hugging Face и запустить бесплатно, без подписки и лимитов.

# 2. Линейка open-source моделей

Всё семейство Skywork выложено на Hugging Face в организации Skywork. Модели покрывают разные задачи, и выбрать нужную помогает таблица ниже. Reasoning-линейка (R1, OR1, T1) обучена методом GRPO с reinforcement learning и умеет «думать» перед ответом, показывая пошаговые рассуждения. Reward-модели используются как судьи качества — они же лежат в основе файнтюнинга.

Практический вывод: если нужен бесплатный reasoning-аналог — Skywork-R1-v2-32B сравним с моделями класса DeepSeek-R1 и QwQ, при этом веса открыты полностью. На GPU с 24 ГБ VRAM (RTX 4090) 32B-модель запускается в 4-битной квантизации, а 7B версия помещается даже в 8 ГБ видеопамяти. Про цены и оплату API — в сравнении тарифов DeepSeek видно, почему open-source выгоден при стабильной нагрузке.

# 3. Исследовательский агент: как устроен deep research

Исследовательский агент Skywork — это многошаговая система, которая не просто отвечает на вопрос, а планирует исследование, ищет источники, читает их и синтезирует отчёт с цитатами. Архитектурно это классический agentic-паттерн: reasoning-модель (T1 или OR1) выступает планировщиком, инструменты поиска собирают документы, а отдельный этап summary сводит всё в структурированный результат. Такой же принцип — в DeepSeek deep research и Qwen research agent, но Skywork выделяется тем, что весь конвейер можно воспроизвести локально на открытых моделях.

Ниже — минимальная реализация исследовательского агента на Python через OpenAI-совместимый API (Skywork отдаёт эндпоинты в формате OpenAI, поэтому код переносим на любую модель). Агент делает три шага: формулирует подзапросы, «читает» найденные источники, пишет итоговый отчёт.

from openai import OpenAI

client = OpenAI(
    base_url="https://api.skywork.example/v1",  # OpenAI-совместимый endpoint
    api_key="sk-...",
)

def research_agent(topic: str) -> str:
    # шаг 1 — планировщик формирует подвопросы
    plan = client.chat.completions.create(
        model="skywork-t1",
        messages=[{"role": "user",
                   "content": f"Составь 3 подвопроса для исследования: {topic}"}],
    )
    subquestions = plan.choices[0].message.content

    # шаг 2 — поиск источников (здесь заглушка под ваш search API)
    sources = search_web(subquestions)

    # шаг 3 — синтез отчёта с цитатами
    report = client.chat.completions.create(
        model="skywork-t1",
        messages=[{"role": "user",
                   "content": f"Напиши отчёт по источникам:\\n{sources}"}],
    )
    return report.choices[0].message.content

print(research_agent("Влияние RL на качество reasoning-моделей"))

# 4. Платформа SkyAgents: no-code сборка агентов

SkyAgents — облачный конструктор агентов, аналог OpenAI GPTs и ByteDance Coze. Идея та же: вы описываете роль агента, подключаете базу знаний и инструменты, а платформа генерирует готового бота с API и возможностью публикации в мессенджеры. Ценность для бизнеса — скорость: рабочего ассистента на внутренних документах можно собрать за полчаса без единой строки кода, а затем встроить через вебхук в свой сервис.

Для тех, кто предпочитает код, тот же результат достигается через обычный SDK. Ниже — агент с памятью на базе знаний (RAG-паттерн): документы превращаются в эмбеддинги, а при запросе модель получает релевантный контекст. Это де-факто стандарт для корпоративных агентов, и он работает с любой open-source моделью, включая Skywork.

import numpy as np

# RAG-агент: ищем ближайший документ по косинусной близости
def retrieve(query_emb, docs_embs, docs, top_k=3):
    sims = np.dot(docs_embs, query_emb)  # нормализованные векторы
    idx = np.argsort(sims)[::-1][:top_k]
    return [docs[i] for i in idx]

# контекст подставляется в промпт модели:
# f"Ответь по документам:\\n{context}\\nВопрос: {question}"

# 5. Локальный запуск Skywork-R1: llama.cpp и Ollama

Самый дешёвый способ пользоваться Skywork — запустить модель на своём железе. Это ноль платы за токены и полный контроль над данными. Для CPU-машин подходит llama.cpp (GGUF-квантизации есть на Hugging Face), для удобного запуска с GPU — Ollama, который качает и обслуживает модель одной командой.

# 1. llama.cpp — CPU, GGUF-квантизация
git clone https://github.com/ggerganov/llama.cpp && cd llama.cpp
make -j
./llama-cli -m skywork-r1-v2-7b.Q4_K_M.gguf -p "Реши задачу: ..." -n 1024

# 2. Ollama — GPU + удобный API
ollama pull skywork-r1v2:7b        # если есть в реестре
ollama run skywork-r1v2:7b
# локальный API на localhost:11434 — совместим с OpenAI SDK

Для продакшена и масштабирования используют vLLM — он отдаёт OpenAI-совместимый эндпоинт и умеет батчить запросы. На одном сервере с A100/H100 можно обслуживать десятки параллельных пользователей, а стоимость при стабильной нагрузке выходит заметно ниже облачных API — подробнее про экономику в разборе тарифов Qwen (сравнимый класс open-source моделей).

# vLLM: OpenAI-совместимый сервер за одну команду
python3 -m pip install vllm
vllm serve Skywork/Skywork-R1-v2-32B --dtype float16

# клиент — тот же openai SDK, меняется только base_url
from openai import OpenAI
c = OpenAI(base_url="http://localhost:8000/v1", api_key="none")
print(c.chat.completions.create(
    model="Skywork/Skywork-R1-v2-32B",
    messages=[{"role": "user", "content": "Привет"}]).choices[0].message.content)

# 6. SkyReels: генерация видео как бонус

Отдельное направление Skywork — SkyReels, open-source линейка моделей для генерации видео. Она конкурирует с закрытыми продуктами вроде Runway и Sora, но с открытыми весами. Для контент-команд это способ делать короткие ролики и анимацию без подписки на дорогие SaaS: модель разворачивается на собственном GPU. В связке с текстовыми моделями (сценарий пишет T1, картинку и видео рендерит SkyReels) получается полный пайплайн генерации контента. Практическая ценность — экономия на видеопродакшене, о которой подробнее можно почитать в материалах по open-source LLM DeepSeek и смежным инструментам.

# 7. Сравнение с аналогами: Skywork vs DeepSeek vs Qwen

Вывод по таблице: если нужна максимальная прозрачность обучения и open-source видео — Skywork. Если нужен дешёвый и простой облачный API с оплатой из России — практичнее DeepSeek (гайд по оплате). Обе линейки можно запускать локально бесплатно, поэтому для self-host разница сводится к качеству конкретной модели на вашей задаче.

# 8. Тарифы и оплата из России

Главный финансовый плюс Skywork — open-source модели бесплатны: вы платите только за железо (VPS с GPU от $0.3/час за аренду или свой компьютер). Облачный API платформы оплачивается через китайские платёжные системы, что из России сложнее, чем оплата DeepSeek или Qwen — прямых рублёвых карт нет, нужны карты Казахстана/Киргизии либо криптовалюта. Поэтому для россиян практичный сценарий — локальный запуск весов, а не покупка токенов.

Если же нужен именно облачный reasoning без возни с железом, выгоднее смотреть в сторону аналогов с налаженной оплатой из РФ. Полные инструкции по способам оплаты (виртуальные карты, посредники, крипта) собраны в разделах Оплата AI из РФ и Цены на AI — там же актуальные тарифы на токены в пересчёте на рубли.