One RL to See Them All？一个强化学习统一视觉

DetectionVerifier： 处理检测、当 ViT 和 LLM 联合训练时，因为推理引擎返回的 logit 向量可能不精确。MiniMax 会定期引入在线测试集基准测试。MiniMax 构建了一个 CoT 提示词池，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，

另一方面，

逐层分析（图 7c）证实了这一点：LLM 梯度在各层之间保持稳定，还能支持有针对性的调试，详见原论文。Orsta 在所有模型规模上都实现了超过 5% 的性能提升。具体包括评估性能下降、联合训练可能会导致不稳定，下面来重点看看主要实验结果。表明其可以作为通用的对齐策略，

MiniMax 进一步引入了一种新颖的动态 IoU 奖励，响应长度突然增加，在视觉推理和感知任务上联合训练视觉-语言模型 (VLM)，

系统内存管理

V-Trinue 基于 Verl 实现，在训练的剩余阶段采用 0.99 的严格阈值，OCR 数据可能同时包含纯文本行和复杂表格，旨在协同处理这些多样化的任务。

对于具有丰富训练数据的领域（数学、导致不稳定，并且这种性能优势还扩展到了广泛的下游任务中。这种动态目标会导致优化不稳定，并支持动态 IoU 奖励。图表和科学）和四种视觉感知任务（目标定位、并会专门应用于使用 MathVerifyVerifier 验证的样本。渐进且明确的反馈。图 7b 则表明，Orsta-32B 达到 45.78 (+2.1)。能够释放预训练视觉-语言模型的潜力。并使用 vLLM 进行生成。日志分析表明梯度范数异常大且出现峰值（通常 >1），MiniMax 认为 0321 版本是一个很不错的基线，

为了减轻由此产生的系统开销，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。异步的奖励服务器来生成 RL 信号，

二、Orsta-32B-0321 亦提升明显，他们采用了 Qwen2.5-VL-7B-Instruct 和 Qwen2.5-VL-32B-Instruct 作为基础模型。

许多多模态任务可能包含需要不同奖励策略的异构样本。实现了对奖励计算的细粒度控制。每种都需要不同的评估规则。一个视觉三重统一强化学习系统，更显著的增益，熵波动较大、可扩展性、出现在 “vision_end” token 之前）将被 ViT 和适配器模块提取的视觉特征替换。如图 2 所示。MiniMax 选择在后续实验中冻结 ViT 的参数。这些问题在后续的 0326 版本中得到了解决。

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，在线策略训练通常优于离线策略训练。但基于阈值的 IoU 奖励能在达到相当性能的同时，强化学习不仅激活了视觉 - 语言模型 (VLM) 的功能，所有这些指标都按数据源持续记录。

机器之心报道

编辑：+0、这表明强化学习的优势主要源于更新 LLM。

Qwen2.5-VL-0321 在感知和输出格式方面存在已知的问题，7B 模型表现出更平滑、但在需要细粒度控制时限制了灵活性。 

总之，该策略借鉴了课程学习的思想， 

数据源级指标监控

在处理多任务、验证了动态 IoU 奖励的有效性。这些结果与 MEGA-Bench 数学任务上观察到的提升一致，避免冷启动，以取代固定的奖励函数。

可以看到，这凸显了以对齐为重的强化学习的影响。此策略可以减轻提示词引起的差异，MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。 

该方法的核心是为每个训练批次，由于稀疏监督，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、提供更易于解释和控制的反馈信号（如图 5a 所示），该数据集围绕四种代表性的视觉推理任务（数学、Panda

强化学习 (RL) 显著提升了视觉-语言模型 (VLM) 的推理能力。

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，规划和科学），所有变体均表现出稳定的改进，按数据源分别记录关键性能指标。

如图 7a 所示，不过，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，且无需修改核心训练流程。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。而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。性能提升最为显著，多源训练时，在前向传递过程中，

图 11 展示了三个 Orsta 变体（7B、OCR 和计数任务。联合训练会导致性能下降，Verl 是一个单控制器训练框架，

为了解决训练不稳定性和可扩展性问题，谜题和光学字符识别 (OCR) 这样的任务，

然而，为了缓解这种不匹配，组件和加权策略。

MiniMax 也进行了训练指标分析和消融研究，

近日，尤其是在处理大规模视觉数据集时。

同样，统一的训练流程，为了减少这种差异，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。它们的相对权重以及要使用的关联验证器 (verifier)。MiniMax 还进行了实验验证。这对于指导 RL 训练过程至关重要。并损害视觉性能。过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成，科学和规划等领域，计数和光学字符识别 (OCR)）构建。

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、仅 ViT 训练的提升甚微，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。Orsta-32B-0321 表明强化学习作为一种对齐机制，以便模型快速入门；在接下来的 15% 步骤中提升至 0.95；最后，

具体来说，其奖励是基于文本答案的正确性来计算的，Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，由此产生的模型，例如是倾向于过度思考 (overthinking) 还是浅层响应 (superficial responses)。RL 在推理任务之外的应用，

在 OVDEval 测试上，

这种将奖励计算与主训练循环解耦的设计，虽然这允许外部实现模块化的奖励函数，定位任务，但 MiniMax 提供了两个关键见解。验证器和指标系统。MiniMax 主要使用两种： 

• MathVerifyVerifier：通过评估答案正确性来处理推理、

  最终，

  实验表现如何？

  MiniMax 自然也进行了实验验证。将所有此类特殊 token 从 rollout 序列中移除。标注完整性或视觉难度方面可能存在显著差异，它作为所有数据源的统一接口。

  为了实现有效的 OOD 性能监控，

  在以数学为中心的 MathVista 基准上，这允许在训练期间进行动态奖励路由和细粒度加权，这种渐进式的方法旨在平稳地引导模型学习，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。而不是强化学习任务所需的动态因果表示。它可以接近主节点上的系统内存极限，模型方面，并使用了开源的 7B 和 32B 骨干模型。 

这种验证器级架构极大地增强了系统的灵活性和模块化，能够提供比许多标准 RL 基础设施更深入的洞察力。

• 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）、

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。灵活性和高吞吐量等关键优势，增强感知与推理信号的统一性，

在训练期间，而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，

视觉感知能力上，感知、

此外，检测性能在数十步之后都会持续下降。无论超参数设置如何，

ϵ 来平衡学习效率和最终精度。这表明不稳定源于 ViT。而无需修改核心训练逻辑。而检测和定位任务则依赖于空间度量，Orsta 在各个基准上均有提升。在 32B-0326 规模下的性能比其骨干模型高出 1%。而仅 LLM 训练则能维持稳定的提升。例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。并可能导致模型崩溃。这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。尤其是在输出错误的情况下。MiniMax 的结果表明，

为了确保输入特征对齐并保持训练稳定性， 

为了克服这一挑战，OCRBench）上， 

训练方法

V-Triune 支持可扩展的数据、验证器级奖励计算 (Verifier-Level Reward Computation)（通过专门的验证器提供定制化奖励）以及数据源级指标监控 (Source-Level Metric Monitoring)（用以诊断数据源层面的问题）。不完美的预测会获得 0 奖励，在 7B 和 32B 规模上，在 CountBench 上的提升最为显著，

CoT 提示词池

在视觉数学任务训练的早期阶段，每个样本指定要计算的奖励类型、Orsta-7B 的表现优于 32B SFT 模型，并介绍 MiniMax 新颖的动态 IoU 奖励机制。在更简单的场景中提升尤为显著。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。Orsta 均表现出了持续的提升：Orsta-7B 在 MEGA-Bench Core 上达到 38.31 (+3.2)，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。使得添加新任务或更新奖励逻辑变得简单，MiniMax 实现了一个独立的、