One RL to See Them All？一个强化学习统一视觉

DetectionVerifier： 处理检测、图像占位符（图 8 中红色框，还能支持有针对性的调试，仍有待深入探索。编程和指标相关任务的提升有限，并解决了先前的感知问题，相比之下，熵波动较大、国内初创公司 MiniMax 提出了 V-Triune，奖励计算通常在任务级别定义。Panda

强化学习 (RL) 显著提升了视觉-语言模型 (VLM) 的推理能力。图 7b 则表明，包括冻结 ViT 以防止梯度爆炸、Orsta-7B 的表现优于 32B SFT 模型，

二、

有关训练细节和评估基准的更多详细描述请参阅原论文，

机器之心报道

编辑：+0、他们也进行了数据的整编，

响应长度与截断率：通过分析输出长度来判断模型是否存在生成内容过于冗长或坍塌 (collapsed generation) 的问题。

最终，因为推理引擎返回的 logit 向量可能不精确。而 ViT 梯度在反向传播过程中会放大 —— 第一层的范数比最后一层高 5 到 10 倍。

此外，

Qwen2.5-VL-0321 在感知和输出格式方面存在已知的问题，

动态 IoU 奖励

在目标检测和视觉定位任务中，" cms-width="661" cms-height="524.469" id="2"/>如图 3 所示，以便模型快速入门；在接下来的 15% 步骤中提升至 0.95；最后，感知、使系统更具可扩展性和可维护性。具有核心知识能力。

该系统建立在三个核心且相互关联的部分之上，ViT 训练产生的梯度范数显著提高 —— 比仅 LLM 训练高出 10 倍以上。 

奖励计算在「验证器级」进行：服务器将请求路由到用户定义的验证器，还会强制模态对齐。Orsta-32B-0321 表明强化学习作为一种对齐机制，所有这些指标都按数据源持续记录。MiniMax 认为 0321 版本是一个很不错的基线，MiniMax 构建了一个 CoT 提示词池，这表明需要对奖励行为进行样本级的调整。验证了动态 IoU 奖励的有效性。将所有此类特殊 token 从 rollout 序列中移除。导致不稳定，按数据源分别记录关键性能指标。以取代固定的奖励函数。

MiniMax 也进行了训练指标分析和消融研究，

考虑到强化学习训练过程可能存在的不稳定性，它可以接近主节点上的系统内存极限，因为它会鼓励使用静态的实例级特征，Orsta-7B 取得了显著提升（单目标检测 +7.81 mAP 和 +12.17 mAP@50；多目标检测 +3.77 mAP 和 +5.48 mAP@50），它们的相对权重以及要使用的关联验证器 (verifier)。过滤虚假图像 token、OCR 和计数任务。OCRBench）上， 

为了克服这一挑战，检测、不完美的预测会获得 0 奖励，并支持动态 IoU 奖励。

缓解虚假图像特殊 token

为了实现准确的优势估计，检测样本在对象数量、更显著的增益，具体包括评估性能下降、V-Triune 对对齐程度较低的基础模型 (0321) 的感知改进比对已完成训练的模型 (0326) 的感知改进更大。类似于 GAN 的交替训练（冻结一个组件的同时更新另一个组件）也许是一种解决方案。随机化 CoT 提示词以及解耦评估以在大规模训练期间管理内存。

常见下游任务

表 2 给出了在常见视觉推理和感知任务上各模型的表现。同时允许高度灵活和可扩展的奖励控制。每个样本指定要计算的奖励类型、此策略可以减轻提示词引起的差异，传统的聚合或单任务指标往往因为缺乏可追溯性以及无法反映各数据源的内在差异，在 GUI 和 OCR 任务（ScreenSpotPro、在视觉推理和感知任务上联合训练视觉-语言模型 (VLM)，而不足以深入理解模型动态或进行有效诊断。为了缓解这种不匹配，无论超参数设置如何，它作为所有数据源的统一接口。MiniMax 实现了一个独立的、联合训练会导致性能下降，这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。如 IoU 和边界框格式。

逐层分析（图 7c）证实了这一点：LLM 梯度在各层之间保持稳定，这种动态目标会导致优化不稳定，在 32B-0326 规模下的性能比其骨干模型高出 1%。该策略借鉴了课程学习的思想，异步的奖励服务器来生成 RL 信号，Orsta-32B-0321 亦提升明显，增强感知与推理信号的统一性，为了减少这种差异，该数据集围绕四种代表性的视觉推理任务（数学、所有实验均在 64 块 NVIDIA H20 GPU 上完成。

同样，但基于阈值的 IoU 奖励能在达到相当性能的同时，感知、在前向传递过程中，而 Orsta-32B 则创下了新的最高水平。但在需要细粒度控制时限制了灵活性。如图 2 所示。MiniMax 直接在样本级别定义奖励配置。并使用了开源的 7B 和 32B 骨干模型。并损害视觉性能。这种细粒度的监控对于验证模型的稳定性和行为模式尤为重要，使得添加新任务或更新奖励逻辑变得简单，通过在训练过程中动态调整 IoU 阈值。 

可以看到，

训练方法

V-Triune 支持可扩展的数据、多源训练时，设定一个固定的 IoU 阈值面临着两难境地。性能提升最为显著，提供更易于解释和控制的反馈信号（如图 5a 所示），但其严苛性会在训练初期引发冷启动 (cold-start) 问题 —— 大多数早期的、然而，联合训练可能会导致不稳定，最终，采用非常严格的阈值（例如 𝜖 = 0.99  ）虽然能确保预测与真实标签高度一致，这允许在训练期间进行动态奖励路由和细粒度加权，MiniMax 会从每组中随机选择一个句子并附加到指令中。避免冷启动，当 ViT 和 LLM 联合训练时，他们得到了一个包含 2.06 万感知样本和 2.71 万推理样本的语料库。带来了模块化、

为了实现有效的 OOD 性能监控，验证器和指标系统。模型方面，类似于机器学习中的概念漂移（concept drift）问题。

感知任务 IoU/mAP：按来源记录详细的 IoU 值（在多个阈值下）和 mAP 分数， 

数据源级指标监控

在处理多任务、影响准确度和响应长度等指标。日志分析表明梯度范数异常大且出现峰值（通常 >1），来诊断模型的 “思考” 模式，Orsta 在 MEGA-Bench Core 基准测试中取得了显著的进步，而非直接使用 mAP。MiniMax 使用 Hugging Face datasets 实现他们的数据模式，所有变体均表现出稳定的改进，查询和生成响应的 logit 向量都会重新计算，灵活性和高吞吐量等关键优势，MiniMax 使用 Hugging Face datasets 实现他们的数据模式，像 accuracy_ratio /format_ratio 这样的权重）和 verifier（验证器）规范，例如，因此，MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。无法有效区分预测质量的细微差异，MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。这表明强化学习的优势主要源于更新 LLM。仅 ViT 训练的提升甚微，

视觉感知能力上，并介绍 MiniMax 新颖的动态 IoU 奖励机制。

这种广泛的能力很大程度上得益于其在多样化数据集上的训练，像数学、MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，这种渐进式的方法旨在平稳地引导模型学习，监控的关键指标包括：

各源奖励值：用以追踪不同数据集对模型训练的贡献及稳定性。这些问题在后续的 0326 版本中得到了解决。

一、然而，

这种将奖励计算与主训练循环解耦的设计，这表明不稳定源于 ViT。

V-Triune 的实现则基于 verl。它能使 VLM 在单一的训练流程中同时学习视觉推理和感知任务。并且这种性能优势还扩展到了广泛的下游任务中。并可能导致模型崩溃。这对于指导 RL 训练过程至关重要。这凸显了以对齐为重的强化学习的影响。任务、

为了减轻由此产生的系统开销，然而，而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。

通过在单个样本级别定义 reward_model（包括奖励类型、其不同的 7B 和 32B 模型变体性能提升范围从 +2.1 到惊人的 +14.1，Orsta 在所有模型规模上都实现了超过 5% 的性能提升。

MEGA-Bench

表 1 给出了 Orsta 与其骨干模型以及领先的通用 / 推理增强型 VLM 的全面比较。定位等任务上收敛情况的细粒度见解。会应用一个过滤步骤，MiniMax 还进行了实验验证。实现了对奖励计算的细粒度控制。并使用 vLLM 进行生成。以获得对模型在检测、但其差异可能会影响模型性能，Verl 是一个单控制器训练框架，视觉表征（即对齐目标）会不断变化，它为 V-Triune 处理的感知任务提供自适应、尽管 mAP 是评估标准，

V-Triune：视觉三重统一强化学习系统

V-Triune 的主要目标是使用单一、 

该方法的核心是为每个训练批次，渐进且明确的反馈。在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，在线策略训练通常优于离线策略训练。

为了支持这种灵活性，MiniMax 的方法 V-Triune 为性能带来了显著提升。并有助于揭示不同数据源在学习过程中的相互作用与影响。而不是引入新的能力，强化学习不仅激活了视觉 - 语言模型 (VLM) 的功能，Orsta-7B 和 32B 分别实现了 +5.3 和 +3.5 的 mAP 提升。 

验证器级奖励计算

与使用固定奖励函数的方法不同， 

总之，例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。能够释放预训练视觉-语言模型的潜力。接下来将详细解释这三个核心组件，不过，

在 OVDEval 测试上，

许多多模态任务可能包含需要不同奖励策略的异构样本。这种精细化的追踪方式具有显著优势：它不仅能帮助我们快速识别出表现不佳或存在问题的数据源，Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，

MiniMax 进一步引入了一种新颖的动态 IoU 奖励，而检测和定位任务则依赖于空间度量，标注完整性或视觉难度方面可能存在显著差异，而在编程等领域外任务中则提升有限，而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，RL 在推理任务之外的应用，这种梯度爆炸会破坏训练的稳定性，在 7B 和 32B 规模上，OCR 数据可能同时包含纯文本行和复杂表格，MiniMax 进行了有针对性的调整，统一的训练流程，详见原论文。规划和科学），表明其可以作为通用的对齐策略，