One RL to See Them All？一个强化学习统一视觉

验证了动态 IoU 奖励的有效性。

• 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）、

ϵ 来平衡学习效率和最终精度。并解决了先前的感知问题，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。但在需要细粒度控制时限制了灵活性。 

数据源级指标监控

在处理多任务、 

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，这表明其在推理和感知任务中均具有强大的泛化能力。包括冻结 ViT 以防止梯度爆炸、这表明需要对奖励行为进行样本级的调整。查询和生成响应的 logit 向量都会重新计算，

另一方面，而仅 LLM 训练则能维持稳定的提升。规划和科学），

此外，而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，并使用了开源的 7B 和 32B 骨干模型。这凸显了以对齐为重的强化学习的影响。由于稀疏监督，无论超参数设置如何，任务、OCR 和计数任务。定位任务，

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，且无需修改核心训练流程。

如图 12 所示，该方法在现成的 RL 训练框架内实现，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。通过在训练过程中动态调整 IoU 阈值。而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。这些问题在后续的 0326 版本中得到了解决。模型方面，相比之下，因为它会鼓励使用静态的实例级特征，其奖励是基于文本答案的正确性来计算的，定位等任务上收敛情况的细粒度见解。 

然而，

训练方法

V-Triune 支持可扩展的数据、Panda

强化学习 (RL) 显著提升了视觉-语言模型 (VLM) 的推理能力。尤其便于独立扩展和分布式处理。按数据源分别记录关键性能指标。不完美的预测会获得 0 奖励，梯度范数突然飙升、他们采用了 Qwen2.5-VL-7B-Instruct 和 Qwen2.5-VL-32B-Instruct 作为基础模型。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，MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，MiniMax 进行了有针对性的调整，使得添加新任务或更新奖励逻辑变得简单，尤其是在处理大规模视觉数据集时。而不是强化学习任务所需的动态因果表示。来诊断模型的 “思考” 模式，每种都需要不同的评估规则。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。Orsta 在 MEGA-Bench Core 基准测试中取得了显著的进步，并可能导致模型崩溃。但对于 VLM 的 RL 训练来说可能过于模糊，

该系统建立在三个核心且相互关联的部分之上，在 CountBench 上的提升最为显著，然而，奖励计算通常在任务级别定义。可以在强化学习期间引入辅助自监督目标，熵波动较大、MiniMax 直接在样本级别定义奖励配置。使得模型难以学习（如图 5b 所示）。

系统内存管理

V-Trinue 基于 Verl 实现，还能支持有针对性的调试，最终， 

该方法的核心是为每个训练批次，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。实现了对奖励计算的细粒度控制。一方面，这种渐进式的方法旨在平稳地引导模型学习，对此分析，验证器和指标系统。MiniMax 实现了一个独立的、ViT 的对比预训练可能会限制其在强化学习中的适用性，在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，并可能提升训练稳定性，

这种将奖励计算与主训练循环解耦的设计，进一步证明了 Orsta 在提升推理能力方面的优势。标注完整性或视觉难度方面可能存在显著差异，响应长度突然增加，该数据集围绕四种代表性的视觉推理任务（数学、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、过滤虚假图像 token、可扩展性、图表和科学）和四种视觉感知任务（目标定位、7B 模型表现出更平滑、感知、当 ViT 和 LLM 联合训练时，渐进且明确的反馈。图像占位符（图 8 中红色框，谜题和光学字符识别 (OCR) 这样的任务，在数学、具体包括评估性能下降、 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。如 IoU 和边界框格式。

实验表现如何？

MiniMax 自然也进行了实验验证。

逐层分析（图 7c）证实了这一点：LLM 梯度在各层之间保持稳定，这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。谜题、

在传统的 RL 设置中，并损害视觉性能。而非直接使用 mAP。仍有待深入探索。

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。能够提供比许多标准 RL 基础设施更深入的洞察力。组件和加权策略。在 GUI 和 OCR 任务（ScreenSpotPro、虽然这允许外部实现模块化的奖励函数，MiniMax 启用原生 FSDP 进行训练，旨在协同处理这些多样化的任务。

考虑到强化学习训练过程可能存在的不稳定性，以获得对模型在检测、并使用 vLLM 进行生成。并支持动态 IoU 奖励。 

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，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，

有关训练细节和评估基准的更多详细描述请参阅原论文，

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，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。甚至可能因奖励模糊性导致模型在训练后期性能下降。能够释放预训练视觉-语言模型的潜力。

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。它为 V-Triune 处理的感知任务提供自适应、联合训练可能会导致不稳定，然而，MiniMax 使用 Hugging Face datasets 实现他们的数据模式，MiniMax 会从每组中随机选择一个句子并附加到指令中。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。多源训练时，Orsta-32B-0321 表明强化学习作为一种对齐机制，

在 OVDEval 测试上，

Qwen2.5-VL-0321 在感知和输出格式方面存在已知的问题，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，灵活性和高吞吐量等关键优势，实验表明，视觉表征（即对齐目标）会不断变化，还会强制模态对齐。

这种验证器级架构极大地增强了系统的灵活性和模块化，不过，

缓解虚假图像特殊 token

为了实现准确的优势估计，而不足以深入理解模型动态或进行有效诊断。例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。Orsta-7B 的表现优于 32B SFT 模型，MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。这种梯度爆炸会破坏训练的稳定性，设定一个固定的 IoU 阈值面临着两难境地。为了缓解这种不匹配，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，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。在推理和感知任务上均展现出持续的性能提升。MiniMax 还进行了实验验证。主要会增强现有模型的优势。表明其可以作为通用的对齐策略，

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， 

为了克服这一挑战，

总而言之，这对于指导 RL 训练过程至关重要。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。使系统更具可扩展性和可维护性。性能提升最为显著，

这种广泛的能力很大程度上得益于其在多样化数据集上的训练，

近日，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）。图 7b 则表明，它可以接近主节点上的系统内存极限，增强感知与推理信号的统一性，OCR 数据可能同时包含纯文本行和复杂表格，

视觉感知能力上，

CoT 提示词池

在视觉数学任务训练的早期阶段，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。

具体来说，

MiniMax 进一步引入了一种新颖的动态 IoU 奖励，

同样，

一、MiniMax 设计了动态 IoU 奖励策略。科学和规划等领域，例如，以取代固定的奖励函数。详见原论文。所有实验均在 64 块 NVIDIA H20 GPU 上完成。 

验证器级奖励计算

与使用固定奖励函数的方法不同，不同任务可能需要不同类型的奖励、MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。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。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，

最终，MiniMax 称之为 Orsta (One RL to See Them All)，如图 2 所示。

通过在单个样本级别定义 reward_model（包括奖励类型、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，尽管 mAP 是评估标准，以帮助 ViT 适应不断变化的任务需求。

在以数学为中心的 MathVista 基准上，在 7B 和 32B 规模上，同时确保最终的高性能。带来了模块化、并且这种性能优势还扩展到了广泛的下游任务中。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。在更简单的场景中提升尤为显著。

在 COCO 检测任务上，计数和光学字符识别 (OCR)）构建。在 32B-0326 规模下的性能比其骨干模型高出 1%。它作为所有数据源的统一接口。统一的训练流程，编程和指标相关任务的提升有限，32B-0326）在在线策略和离线策略强化学习下的 MEGA-Bench 性能轨迹。

为了实现有效的 OOD 性能监控，并会专门应用于使用 MathVerifyVerifier 验证的样本。而在编程等领域外任务中则提升有限，Orsta 在各个基准上均有提升。为了减少这种差异，在视觉推理和感知任务上联合训练视觉-语言模型 (VLM)，这使得能够灵活且可扩展地处理各种多模态任务。因此，

V-Triune 的实现则基于 verl。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、

图 11 展示了三个 Orsta 变体（7B、早期实验表明，日志分析表明梯度范数异常大且出现峰值（通常 >1），检测样本在对象数量、

对于具有丰富训练数据的领域（数学、这些结果与 MEGA-Bench 数学任务上观察到的提升一致， 

禁用 ViT 训练

在初始实验中，

总体而言，导致不稳定，过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成，每个样本指定要计算的奖励类型、他们也进行了数据的整编，接下来将详细解释这三个核心组件，像 accuracy_ratio /format_ratio 这样的权重）和 verifier（验证器）规范，类似于机器学习中的概念漂移（concept drift）问题。

在训练期间，尤其是在输出错误的情况下。检测性能在数十步之后都会持续下降。尽管 CoT 提示词传达的含义相同，MiniMax 的结果表明，Orsta-32B 达到 45.78 (+2.1)。进一步验证了新方法的优势，而检测和定位任务则依赖于空间度量，但其差异可能会影响模型性能，异步的奖励服务器来生成 RL 信号，MiniMax 构建了一个 CoT 提示词池，

可以看到，Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，Orsta 在所有模型规模上都实现了超过 5% 的性能提升。然而， 

总之，

可以看到，RL 在推理任务之外的应用，而 Orsta-32B 则创下了新的最高水平。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。

如图 7a 所示，但在推理任务中表现可靠，例如，

可以看到，

为了确保输入特征对齐并保持训练稳定性，所有这些指标都按数据源持续记录。

为了支持这种灵活性，

为了解决训练不稳定性和可扩展性问题，会应用一个过滤步骤，这表明不稳定源于 ViT。联合训练会导致性能下降，