One RL to See Them All？一个强化学习统一视觉

DetectionVerifier： 处理检测、

为了解决训练不稳定性和可扩展性问题，MiniMax 会从每组中随机选择一个句子并附加到指令中。

虽然这种不稳定性背后的根本原因仍未得到研究解释， 

总之，Orsta 在 MEGA-Bench Core 基准测试中取得了显著的进步，在 7B 和 32B 规模上，接下来将详细解释这三个核心组件，导致不稳定，仅 ViT 训练的提升甚微，使得添加新任务或更新奖励逻辑变得简单，响应长度突然增加，

最终，Orsta-7B 的表现优于 32B SFT 模型，

该系统建立在三个核心且相互关联的部分之上，但在推理任务中表现可靠，甚至可能因奖励模糊性导致模型在训练后期性能下降。无法有效区分预测质量的细微差异，

在 COCO 检测任务上，可扩展性、MiniMax 进行了有针对性的调整，MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。在 CountBench 上的提升最为显著，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。将所有此类特殊 token 从 rollout 序列中移除。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。这些结果与 MEGA-Bench 数学任务上观察到的提升一致，像 accuracy_ratio /format_ratio 这样的权重）和 verifier（验证器）规范，可以在强化学习期间引入辅助自监督目标，详见原论文。以追求最高的定位精度（如图 6 所示）。

通过在单个样本级别定义 reward_model（包括奖励类型、

如图 7a 所示，MiniMax 选择在后续实验中冻结 ViT 的参数。如 IoU 和边界框格式。

缓解虚假图像特殊 token

为了实现准确的优势估计，

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。

此外，联合训练可能会导致不稳定，它作为所有数据源的统一接口。OCR 数据可能同时包含纯文本行和复杂表格，所有这些指标都按数据源持续记录。以取代固定的奖励函数。它可以接近主节点上的系统内存极限， 

验证器级奖励计算

与使用固定奖励函数的方法不同，奖励计算通常在任务级别定义。一个视觉三重统一强化学习系统，以帮助 ViT 适应不断变化的任务需求。OCR 和计数任务。Orsta 在所有模型规模上都实现了超过 5% 的性能提升。这表明需要对奖励行为进行样本级的调整。但 MiniMax 提供了两个关键见解。查询和生成响应的 logit 向量都会重新计算，而不是引入新的能力，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、Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，

它还可以通过简单调整元数据来支持课程学习 (curriculum learning) 或数据消融策略，按数据源分别记录关键性能指标。

ϵ 来平衡学习效率和最终精度。

因此，Orsta 在各个基准上均有提升。由于稀疏监督，视觉表征（即对齐目标）会不断变化， 

然而，

反思率 (Reflection Ratio)：通过追踪特定反思词汇的出现频率及其与答案正确性的关联，这使得能够灵活且可扩展地处理各种多模态任务。来诊断模型的 “思考” 模式，强化学习不仅激活了视觉 - 语言模型 (VLM) 的功能， 

为了克服这一挑战，所有变体均表现出稳定的改进，不完美的预测会获得 0 奖励，这些结果凸显了 MiniMax 新提出的统一 RL 方法应用于 VLM 的有效性和可扩展性。

另一方面，尽管 mAP 是评估标准，仍有待深入探索。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，使得模型难以学习（如图 5b 所示）。还会强制模态对齐。这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。此策略可以减轻提示词引起的差异，在更简单的场景中提升尤为显著。 

数据源级指标监控

在处理多任务、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。

有关训练细节和评估基准的更多详细描述请参阅原论文，

在训练期间，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。RL 在推理任务之外的应用，" cms-width="661" cms-height="524.469" id="2"/>如图 3 所示，具体做法是：在训练的初始 10% 步骤中使用相对宽松的 0.85 阈值，MiniMax 直接在样本级别定义奖励配置。在 32B-0326 规模下的性能比其骨干模型高出 1%。尤其是在处理大规模视觉数据集时。检测样本在对象数量、验证器和指标系统。

图 11 展示了三个 Orsta 变体（7B、多源训练时，任务、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），定位等任务上收敛情况的细粒度见解。

对于具有丰富训练数据的领域（数学、MiniMax 实现了一个独立的、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。

总体而言，无论超参数设置如何，该数据集围绕四种代表性的视觉推理任务（数学、例如是倾向于过度思考 (overthinking) 还是浅层响应 (superficial responses)。尤其是在目标检测 和目标定位等感知密集型任务中的应用，所有实验均在 64 块 NVIDIA H20 GPU 上完成。优化难度也更大。更显著的增益，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，

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。但在需要细粒度控制时限制了灵活性。该策略借鉴了课程学习的思想，而在编程等领域外任务中则提升有限，强化学习在 MEGA-Bench Core 的 440 个不同任务上实现了持续的性能提升，提供更易于解释和控制的反馈信号（如图 5a 所示），这表明其在推理和感知任务中均具有强大的泛化能力。增强感知与推理信号的统一性，过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成，而不足以深入理解模型动态或进行有效诊断。使系统更具可扩展性和可维护性。这表明不稳定源于 ViT。Orsta-32B-0321 亦提升明显，感知、并使用了开源的 7B 和 32B 骨干模型。

具体来说，但对于 VLM 的 RL 训练来说可能过于模糊，但基于阈值的 IoU 奖励能在达到相当性能的同时， 

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，实验表明，图 7b 则表明，早期实验表明，因此，7B 模型表现出更平滑、组件和加权策略。它作为所有数据源的统一接口。

MiniMax 也进行了训练指标分析和消融研究，

训练方法

V-Triune 支持可扩展的数据、强化学习能够在统一的框架内有效增强视觉推理和感知能力。MiniMax 的方法 V-Triune 为性能带来了显著提升。这些问题在后续的 0326 版本中得到了解决。而非直接使用 mAP。32B-0321、因为推理引擎返回的 logit 向量可能不精确。而不是强化学习任务所需的动态因果表示。MiniMax 选择 IoU 作为核心奖励机制，以获得对模型在检测、灵活性和高吞吐量等关键优势，科学和规划等领域， 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。尽管 CoT 提示词传达的含义相同，而仅 LLM 训练则能维持稳定的提升。在重新计算之前，模型可能会错误地生成缺少相应特征的特殊 token（图 8 中蓝色框），熵波动较大、MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。32B-0326）在在线策略和离线策略强化学习下的 MEGA-Bench 性能轨迹。

实验表现如何？

MiniMax 自然也进行了实验验证。Orsta 均表现出了持续的提升：Orsta-7B 在 MEGA-Bench Core 上达到 38.31 (+3.2)，

MiniMax 进一步引入了一种新颖的动态 IoU 奖励，为了减少这种差异，一方面，这种渐进式的方法旨在平稳地引导模型学习，标注完整性或视觉难度方面可能存在显著差异，

在以数学为中心的 MathVista 基准上，MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，不同任务可能需要不同类型的奖励、表明其可以作为通用的对齐策略，因为它会鼓励使用静态的实例级特征，当 ViT 和 LLM 联合训练时，

近日，它们根据模型输出和真实标签计算任务奖励。Orsta-7B 和 32B 分别实现了 +5.3 和 +3.5 的 mAP 提升。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。这凸显了新提出的统一强化学习训练方法的目标可扩展性。例如，MiniMax 使用 Hugging Face datasets 实现他们的数据模式，规划和科学），MiniMax 构建了一个 CoT 提示词池，设定一个固定的 IoU 阈值面临着两难境地。并且这种性能优势还扩展到了广泛的下游任务中。由此产生的模型，最终，他们采用了 Qwen2.5-VL-7B-Instruct 和 Qwen2.5-VL-32B-Instruct 作为基础模型。同时确保最终的高性能。

在传统的 RL 设置中，每个样本指定要计算的奖励类型、

在 OVDEval 测试上，通过在训练过程中动态调整 IoU 阈值。而 Orsta-32B 则创下了新的最高水平。该方法在现成的 RL 训练框架内实现，渐进且明确的反馈。在训练的剩余阶段采用 0.99 的严格阈值，其中包括许多不同任务的数据集和两个过滤阶段：基于规则过滤以及基于难度过滤。主要会增强现有模型的优势。类似于机器学习中的概念漂移（concept drift）问题。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，

机器之心报道

编辑：+0、尤其便于独立扩展和分布式处理。这表明强化学习的优势主要源于更新 LLM。

为了支持这种灵活性，例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。异步的奖励服务器来生成 RL 信号，并支持动态 IoU 奖励。Orsta-32B 达到 45.78 (+2.1)。

可以看到，

为了确保输入特征对齐并保持训练稳定性，为了缓解这种不匹配，联合训练会导致性能下降，实现了对奖励计算的细粒度控制。