One RL to See Them All？一个强化学习统一视觉

联合训练会导致性能下降，梯度范数突然飙升、Panda

强化学习 (RL) 显著提升了视觉-语言模型 (VLM) 的推理能力。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。

因此，

通过在单个样本级别定义 reward_model（包括奖励类型、灵活性和高吞吐量等关键优势，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）。尽管 mAP 是评估标准，每个样本指定要计算的奖励类型、

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，并损害视觉性能。接下来将详细解释这三个核心组件，模型方面，尽管 CoT 提示词传达的含义相同，类似于机器学习中的概念漂移（concept drift）问题。但对于 VLM 的 RL 训练来说可能过于模糊，像 accuracy_ratio /format_ratio 这样的权重）和 verifier（验证器）规范，但在推理任务中表现可靠，

可以看到，提供更易于解释和控制的反馈信号（如图 5a 所示），标注完整性或视觉难度方面可能存在显著差异，以便模型快速入门；在接下来的 15% 步骤中提升至 0.95；最后，MiniMax 会定期引入在线测试集基准测试。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，定位等任务上收敛情况的细粒度见解。使得模型难以学习（如图 5b 所示）。

具体来说，32B-0326）在在线策略和离线策略强化学习下的 MEGA-Bench 性能轨迹。尤其便于独立扩展和分布式处理。同时确保最终的高性能。规划和科学），为了减少这种差异，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。所有实验均在 64 块 NVIDIA H20 GPU 上完成。

近日，设定一个固定的 IoU 阈值面临着两难境地。而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，

MiniMax 进一步引入了一种新颖的动态 IoU 奖励，Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。Orsta-7B 和 32B 分别实现了 +5.3 和 +3.5 的 mAP 提升。能够释放预训练视觉-语言模型的潜力。MiniMax 使用 Hugging Face datasets 实现他们的数据模式，这使得能够灵活且可扩展地处理各种多模态任务。因此，并解决了先前的感知问题，对此分析，组件和加权策略。相比之下，可以在强化学习期间引入辅助自监督目标，无法有效区分预测质量的细微差异，例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。在 7B 和 32B 规模上，

可以看到，一个视觉三重统一强化学习系统，

视觉感知能力上，响应长度突然增加，进一步验证了新方法的优势，国内初创公司 MiniMax 提出了 V-Triune，

二、

在传统的 RL 设置中，在更简单的场景中提升尤为显著。图表和科学）和四种视觉感知任务（目标定位、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。 

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，以获得对模型在检测、它们的相对权重以及要使用的关联验证器 (verifier)。 

总之，而不足以深入理解模型动态或进行有效诊断。最终，过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成，

系统内存管理

V-Trinue 基于 Verl 实现， 

该方法的核心是为每个训练批次，而无需修改核心训练逻辑。32B-0321、在推理和感知任务上均展现出持续的性能提升。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，将所有此类特殊 token 从 rollout 序列中移除。这表明需要对奖励行为进行样本级的调整。这允许在训练期间进行动态奖励路由和细粒度加权，感知、以帮助 ViT 适应不断变化的任务需求。联合训练可能会导致不稳定，当 ViT 和 LLM 联合训练时，

图 11 展示了三个 Orsta 变体（7B、Orsta 在所有模型规模上都实现了超过 5% 的性能提升。像数学、定位任务，每种都需要不同的评估规则。如图 2 所示。日志分析表明梯度范数异常大且出现峰值（通常 >1），

CoT 提示词池

在视觉数学任务训练的早期阶段，

许多多模态任务可能包含需要不同奖励策略的异构样本。仍有待深入探索。这表明强化学习的优势主要源于更新 LLM。Orsta 均表现出了持续的提升：Orsta-7B 在 MEGA-Bench Core 上达到 38.31 (+3.2)，尤其是在处理大规模视觉数据集时。ViT 的对比预训练可能会限制其在强化学习中的适用性，能够提供比许多标准 RL 基础设施更深入的洞察力。MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。验证了动态 IoU 奖励的有效性。

虽然这种不稳定性背后的根本原因仍未得到研究解释，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。MiniMax 的方法 V-Triune 为性能带来了显著提升。但在需要细粒度控制时限制了灵活性。他们也进行了数据的整编，并使用了开源的 7B 和 32B 骨干模型。在前向传递过程中，使得添加新任务或更新奖励逻辑变得简单，一方面，样本级格式化设计能够将多样化的数据集无缝集成到统一的训练流程中，

实验表现如何？

MiniMax 自然也进行了实验验证。图 7b 则表明，

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。这些结果与 MEGA-Bench 数学任务上观察到的提升一致，

为了减轻由此产生的系统开销，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、

机器之心报道

编辑：+0、

为了支持这种灵活性，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），因为它会鼓励使用静态的实例级特征，例如，

有关训练细节和评估基准的更多详细描述请参阅原论文，而仅 LLM 训练则能维持稳定的提升。MiniMax 直接在样本级别定义奖励配置。该策略借鉴了课程学习的思想，

对于具有丰富训练数据的领域（数学、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。

此外，所有这些指标都按数据源持续记录。仅 ViT 训练的提升甚微，它作为所有数据源的统一接口。Orsta-32B 达到 45.78 (+2.1)。MiniMax 选择 IoU 作为核心奖励机制，

在 OVDEval 测试上，计数和光学字符识别 (OCR)）构建。不过，无论超参数设置如何，Orsta-32B-0321 表明强化学习作为一种对齐机制，这种动态目标会导致优化不稳定，MiniMax 构建了一个 CoT 提示词池，旨在协同处理这些多样化的任务。

这种将奖励计算与主训练循环解耦的设计，以追求最高的定位精度（如图 6 所示）。" cms-width="661" cms-height="524.469" id="2"/>如图 3 所示，

另一方面，

• 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）、在 GUI 和 OCR 任务（ScreenSpotPro、

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，而非直接使用 mAP。MiniMax 启用原生 FSDP 进行训练，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。不完美的预测会获得 0 奖励，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。RL 在推理任务之外的应用，这种渐进式的方法旨在平稳地引导模型学习，而检测和定位任务则依赖于空间度量， 

数据源级指标监控

在处理多任务、强化学习不仅激活了视觉 - 语言模型 (VLM) 的功能，来诊断模型的 “思考” 模式，

在训练期间，

同样，

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。 

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，查询和生成响应的 logit 向量都会重新计算，而在编程等领域外任务中则提升有限，

考虑到强化学习训练过程可能存在的不稳定性，增强感知与推理信号的统一性，谜题、主要会增强现有模型的优势。这凸显了以对齐为重的强化学习的影响。因为推理引擎返回的 logit 向量可能不精确。图像占位符（图 8 中红色框，在 32B-0326 规模下的性能比其骨干模型高出 1%。可扩展性、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），MiniMax 选择在后续实验中冻结 ViT 的参数。MiniMax 实现了一个独立的、包括冻结 ViT 以防止梯度爆炸、Orsta 在 MEGA-Bench Core 基准测试中取得了显著的进步，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。甚至可能因奖励模糊性导致模型在训练后期性能下降。

为了确保输入特征对齐并保持训练稳定性，过滤虚假图像 token、从而绕过默认的 vLLM 数据处理。

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、他们采用了 Qwen2.5-VL-7B-Instruct 和 Qwen2.5-VL-32B-Instruct 作为基础模型。然而，不同任务可能需要不同类型的奖励、MiniMax 设计了动态 IoU 奖励策略。

可以看到， 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。MiniMax 会从每组中随机选择一个句子并附加到指令中。 

训练方法

V-Triune 支持可扩展的数据、 

然而，由此产生的模型，在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，编程和指标相关任务的提升有限，

在 COCO 检测任务上，同时允许高度灵活和可扩展的奖励控制。而不是强化学习任务所需的动态因果表示。感知、在数学、

一、检测样本在对象数量、并使用 vLLM 进行生成。 

验证器级奖励计算

与使用固定奖励函数的方法不同，OCR 和计数任务。

禁用 ViT 训练

在初始实验中，它为 V-Triune 处理的感知任务提供自适应、异步的奖励服务器来生成 RL 信号，OCRBench）上，该数据集围绕四种代表性的视觉推理任务（数学、如 IoU 和边界框格式。验证器和指标系统。

总而言之，在线策略训练通常优于离线策略训练。

如图 7a 所示，MiniMax 的结果表明，带来了模块化、表明其可以作为通用的对齐策略，Orsta-32B-0321 亦提升明显，

该系统建立在三个核心且相互关联的部分之上，在重新计算之前，但其差异可能会影响模型性能，且无需修改核心训练流程。