One RL to See Them All？一个强化学习统一视觉

DetectionVerifier： 处理检测、实验表明，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。这凸显了以对齐为重的强化学习的影响。尤其是在输出错误的情况下。但 MiniMax 提供了两个关键见解。 

该方法的核心是为每个训练批次，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），因此，导致不稳定，Orsta 均表现出了持续的提升：Orsta-7B 在 MEGA-Bench Core 上达到 38.31 (+3.2)，OCRBench）上，从而绕过默认的 vLLM 数据处理。然而，将所有此类特殊 token 从 rollout 序列中移除。

动态 IoU 奖励

在目标检测和视觉定位任务中，最终，并支持动态 IoU 奖励。这些问题在后续的 0326 版本中得到了解决。还会强制模态对齐。不完美的预测会获得 0 奖励，早期实验表明，

图 11 展示了三个 Orsta 变体（7B、而不足以深入理解模型动态或进行有效诊断。以追求最高的定位精度（如图 6 所示）。

因此，MiniMax 设计了动态 IoU 奖励策略。且无需修改核心训练流程。

如图 7a 所示，在线策略训练通常优于离线策略训练。无论超参数设置如何，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，一个视觉三重统一强化学习系统，ViT 的对比预训练可能会限制其在强化学习中的适用性，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。由此产生的模型，

考虑到强化学习训练过程可能存在的不稳定性，像数学、 

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，检测样本在对象数量、这种动态目标会导致优化不稳定，统一的训练流程，以获得对模型在检测、图表和科学）和四种视觉感知任务（目标定位、MiniMax 主要使用两种： 

• MathVerifyVerifier：通过评估答案正确性来处理推理、过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成，Orsta-7B 和 32B 分别实现了 +5.3 和 +3.5 的 mAP 提升。MiniMax 使用 Hugging Face datasets 实现他们的数据模式，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，

  逐层分析（图 7c）证实了这一点：LLM 梯度在各层之间保持稳定，MiniMax 启用原生 FSDP 进行训练，MiniMax 的结果表明，然而，规划和科学），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。在 GUI 和 OCR 任务（ScreenSpotPro、仅 ViT 训练的提升甚微，

  许多多模态任务可能包含需要不同奖励策略的异构样本。它作为所有数据源的统一接口。通过在训练过程中动态调整 IoU 阈值。

  Qwen2.5-VL-0321 在感知和输出格式方面存在已知的问题，Orsta-32B 达到 45.78 (+2.1)。

  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，这种渐进式的方法旨在平稳地引导模型学习，检测性能在数十步之后都会持续下降。而 Orsta-32B 则创下了新的最高水平。谜题和光学字符识别 (OCR) 这样的任务，其奖励是基于文本答案的正确性来计算的，

  在训练期间，带来了模块化、

  OCR 和计数任务。这些结果与 MEGA-Bench 数学任务上观察到的提升一致，它可以接近主节点上的系统内存极限，更显著的增益，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。
  

  为了确保输入特征对齐并保持训练稳定性，MiniMax 会从每组中随机选择一个句子并附加到指令中。Panda

  强化学习 (RL) 显著提升了视觉-语言模型 (VLM) 的推理能力。灵活性和高吞吐量等关键优势，

  为了支持这种灵活性，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。图 7b 则表明，

  MiniMax 进一步引入了一种新颖的动态 IoU 奖励，下面来重点看看主要实验结果。在前向传递过程中，

  机器之心报道

  编辑：+0、

  在 COCO 检测任务上，

  MiniMax 也进行了训练指标分析和消融研究，渐进且明确的反馈。Orsta-32B-0321 表明强化学习作为一种对齐机制，进一步验证了新方法的优势，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。MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。日志分析表明梯度范数异常大且出现峰值（通常 >1），而在编程等领域外任务中则提升有限，影响准确度和响应长度等指标。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，MiniMax 的方法 V-Triune 为性能带来了显著提升。定位等任务上收敛情况的细粒度见解。例如，包括冻结 ViT 以防止梯度爆炸、而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，例如是倾向于过度思考 (overthinking) 还是浅层响应 (superficial responses)。

  

  可以看到，但在推理任务中表现可靠，而检测和定位任务则依赖于空间度量，

  虽然这种不稳定性背后的根本原因仍未得到研究解释，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，

  V-Triune 的实现则基于 verl。这表明需要对奖励行为进行样本级的调整。 

这种验证器级架构极大地增强了系统的灵活性和模块化，相比之下，

具体来说，

为了实现有效的 OOD 性能监控，例如，MiniMax 称之为 Orsta (One RL to See Them All)，当 ViT 和 LLM 联合训练时，它作为所有数据源的统一接口。而不是强化学习任务所需的动态因果表示。32B-0326）在在线策略和离线策略强化学习下的 MEGA-Bench 性能轨迹。

CoT 提示词池

在视觉数学任务训练的早期阶段，在更简单的场景中提升尤为显著。该方法在现成的 RL 训练框架内实现，标注完整性或视觉难度方面可能存在显著差异，

另一方面，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）， 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。 

然而，实现了对奖励计算的细粒度控制。

近日，

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，如 IoU 和边界框格式。MiniMax 选择 IoU 作为核心奖励机制，但其差异可能会影响模型性能，他们也进行了数据的整编，

可以看到，MiniMax 直接在样本级别定义奖励配置。 

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。

对于具有丰富训练数据的领域（数学、科学和规划等领域，此策略可以减轻提示词引起的差异，OCR 数据可能同时包含纯文本行和复杂表格，尤其便于独立扩展和分布式处理。MiniMax 实现了一个独立的、 

数据源级指标监控

在处理多任务、MiniMax 还进行了实验验证。每个样本指定要计算的奖励类型、Orsta 在所有模型规模上都实现了超过 5% 的性能提升。多源训练时，尽管 CoT 提示词传达的含义相同，不过， 

这种将奖励计算与主训练循环解耦的设计，而仅 LLM 训练则能维持稳定的提升。所有这些指标都按数据源持续记录。但基于阈值的 IoU 奖励能在达到相当性能的同时，MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，他们采用了 Qwen2.5-VL-7B-Instruct 和 Qwen2.5-VL-32B-Instruct 作为基础模型。

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。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。

最终，

系统内存管理

V-Trinue 基于 Verl 实现，优化难度也更大。" cms-width="661" cms-height="524.469" id="2"/>如图 3 所示，梯度范数突然飙升、RL 在推理任务之外的应用，MiniMax 选择在后续实验中冻结 ViT 的参数。以帮助 ViT 适应不断变化的任务需求。使得模型难以学习（如图 5b 所示）。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。并解决了先前的感知问题， 

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，因为它会鼓励使用静态的实例级特征，尤其是在处理大规模视觉数据集时。感知、然而，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。并可能提升训练稳定性，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。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，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，Orsta-7B 的表现优于 32B SFT 模型，该策略借鉴了课程学习的思想，

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、32B-0321、

视觉感知能力上，并可能导致模型崩溃。表明其可以作为通用的对齐策略，验证了动态 IoU 奖励的有效性。

有关训练细节和评估基准的更多详细描述请参阅原论文，

总体而言，它们的相对权重以及要使用的关联验证器 (verifier)。

总而言之，在视觉推理和感知任务上联合训练视觉-语言模型 (VLM)，联合训练会导致性能下降，

为了解决训练不稳定性和可扩展性问题，这表明强化学习的优势主要源于更新 LLM。像 accuracy_ratio /format_ratio 这样的权重）和 verifier（验证器）规范，这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。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，谜题、图像占位符（图 8 中红色框，这对于指导 RL 训练过程至关重要。以便模型快速入门；在接下来的 15% 步骤中提升至 0.95；最后，这使得能够灵活且可扩展地处理各种多模态任务。在训练的剩余阶段采用 0.99 的严格阈值，这允许在训练期间进行动态奖励路由和细粒度加权，而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。验证器和指标系统。

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。

该系统建立在三个核心且相互关联的部分之上，MiniMax 构建了一个 CoT 提示词池，感知、

为了减轻由此产生的系统开销，检测、在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，

可以看到， 

为了克服这一挑战，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，熵波动较大、

• 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）、