One RL to See Them All？一个强化学习统一视觉

DetectionVerifier： 处理检测、Orsta-7B 和 32B 分别实现了 +5.3 和 +3.5 的 mAP 提升。尤其便于独立扩展和分布式处理。无论超参数设置如何，

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，

可以看到，MiniMax 选择 IoU 作为核心奖励机制，来诊断模型的 “思考” 模式，包括冻结 ViT 以防止梯度爆炸、

另一方面，在训练的剩余阶段采用 0.99 的严格阈值，它们根据模型输出和真实标签计算任务奖励。验证了动态 IoU 奖励的有效性。

在以数学为中心的 MathVista 基准上，

动态 IoU 奖励

在目标检测和视觉定位任务中， 

总之，渐进且明确的反馈。Orsta 在所有模型规模上都实现了超过 5% 的性能提升。谜题、相比之下，

虽然这种不稳定性背后的根本原因仍未得到研究解释，由此产生的模型，而非直接使用 mAP。

这种将奖励计算与主训练循环解耦的设计，国内初创公司 MiniMax 提出了 V-Triune，其中包含 10 个「让 MiniMax 一步一步思考」的备选方案和 10 个「将答案放入 \boxed { }」的备选方案。 

验证器级奖励计算

与使用固定奖励函数的方法不同，通过在训练过程中动态调整 IoU 阈值。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。导致不稳定，

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、因为推理引擎返回的 logit 向量可能不精确。

因此，Orsta-7B 的表现优于 32B SFT 模型，在 7B 和 32B 规模上，联合训练会导致性能下降，并解决了先前的感知问题，为了缓解这种不匹配，过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成，

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。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。每个样本指定要计算的奖励类型、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，但基于阈值的 IoU 奖励能在达到相当性能的同时，

缓解虚假图像特殊 token

为了实现准确的优势估计，

为了实现有效的 OOD 性能监控，而无需修改核心训练逻辑。它作为所有数据源的统一接口。性能提升最为显著，该方法在现成的 RL 训练框架内实现，最终，影响准确度和响应长度等指标。

具体来说，计数和光学字符识别 (OCR)）构建。

为了确保输入特征对齐并保持训练稳定性，以帮助 ViT 适应不断变化的任务需求。主要会增强现有模型的优势。

最终，但对于 VLM 的 RL 训练来说可能过于模糊，不同任务可能需要不同类型的奖励、能够释放预训练视觉-语言模型的潜力。其奖励是基于文本答案的正确性来计算的，而检测和定位任务则依赖于空间度量，Orsta 均表现出了持续的提升：Orsta-7B 在 MEGA-Bench Core 上达到 38.31 (+3.2)，

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，MiniMax 会定期引入在线测试集基准测试。并使用 vLLM 进行生成。

通过在单个样本级别定义 reward_model（包括奖励类型、

禁用 ViT 训练

在初始实验中，甚至可能因奖励模糊性导致模型在训练后期性能下降。当 ViT 和 LLM 联合训练时，增强感知与推理信号的统一性，强化学习不仅激活了视觉 - 语言模型 (VLM) 的功能，

近日，32B-0321、以获得对模型在检测、

MiniMax 进一步引入了一种新颖的动态 IoU 奖励，接下来将详细解释这三个核心组件，" cms-width="661" cms-height="524.469" id="2"/>如图 3 所示，

该系统建立在三个核心且相互关联的部分之上，

为了支持这种灵活性，从而绕过默认的 vLLM 数据处理。例如，Panda

强化学习 (RL) 显著提升了视觉-语言模型 (VLM) 的推理能力。避免冷启动，例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。MiniMax 实现了一个独立的、

为了减轻由此产生的系统开销，在线策略训练通常优于离线策略训练。但在推理任务中表现可靠，进一步证明了 Orsta 在提升推理能力方面的优势。早期实验表明，一个视觉三重统一强化学习系统，它们的相对权重以及要使用的关联验证器 (verifier)。 

为了克服这一挑战，感知、一方面，

在训练期间，下面来重点看看主要实验结果。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，这表明需要对奖励行为进行样本级的调整。

图 11 展示了三个 Orsta 变体（7B、Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，任务、Orsta-32B 达到 45.78 (+2.1)。Orsta-32B-0321 亦提升明显，更显著的增益，但在需要细粒度控制时限制了灵活性。在 32B-0326 规模下的性能比其骨干模型高出 1%。视觉表征（即对齐目标）会不断变化，实现了对奖励计算的细粒度控制。

• 论文标题：One RL to See Them All 

• 论文地址：https://arxiv.org/pdf/2505.18129

• 代码地址：https://github.com/MiniMax-AI

V-Triune 包含三个互补的组件：样本级数据格式化 (Sample-Level Data Formatting)（用以统一多样化的任务输入）、同时允许高度灵活和可扩展的奖励控制。 

样本级数据格式化

MiniMax 是如何格式化数据以支持跨感知和推理任务的统一训练的呢？

一个主要挑战是，这使得能够灵活且可扩展地处理各种多模态任务。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。他们也进行了数据的整编，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、奖励计算通常在任务级别定义。MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，详见原论文。32B-0326）在在线策略和离线策略强化学习下的 MEGA-Bench 性能轨迹。像数学、如图 2 所示。MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。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，而不是引入新的能力，并且这种性能优势还扩展到了广泛的下游任务中。MiniMax 使用 Hugging Face datasets 实现他们的数据模式，仅 ViT 训练的提升甚微，仍有待深入探索。 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。

二、MiniMax 设计了动态 IoU 奖励策略。谜题和光学字符识别 (OCR) 这样的任务，这种动态目标会导致优化不稳定，为了减少这种差异，MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。Orsta-32B-0321 表明强化学习作为一种对齐机制，日志分析表明梯度范数异常大且出现峰值（通常 >1），而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。并可能提升训练稳定性，感知、因为它会鼓励使用静态的实例级特征，如 IoU 和边界框格式。MiniMax 认为 0321 版本是一个很不错的基线，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。标注完整性或视觉难度方面可能存在显著差异，MiniMax 还进行了实验验证。MiniMax 使用 Hugging Face datasets 实现他们的数据模式，同时确保最终的高性能。灵活性和高吞吐量等关键优势， 

如图 7a 所示，图 7b 则表明，还能支持有针对性的调试，不完美的预测会获得 0 奖励，并支持动态 IoU 奖励。MiniMax 构建了一个 CoT 提示词池，虽然这允许外部实现模块化的奖励函数，

可以看到，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。OCR 和计数任务。这种渐进式的方法旨在平稳地引导模型学习，MiniMax 选择在后续实验中冻结 ViT 的参数。验证器和指标系统。

一、MiniMax 称之为 Orsta (One RL to See Them All)，还会强制模态对齐。MiniMax 的方法 V-Triune 为性能带来了显著提升。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。

为了解决训练不稳定性和可扩展性问题，具体包括评估性能下降、

同样，ViT 的对比预训练可能会限制其在强化学习中的适用性，联合训练可能会导致不稳定，MiniMax 进行了有针对性的调整，能够提供比许多标准 RL 基础设施更深入的洞察力。可以在强化学习期间引入辅助自监督目标，