One RL to See Them All？一个强化学习统一视觉

不过，而不足以深入理解模型动态或进行有效诊断。例如，标注完整性或视觉难度方面可能存在显著差异，

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，而检测和定位任务则依赖于空间度量，

视觉感知能力上，MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。

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。

通过在单个样本级别定义 reward_model（包括奖励类型、

考虑到强化学习训练过程可能存在的不稳定性，并会专门应用于使用 MathVerifyVerifier 验证的样本。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。

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、 

为了克服这一挑战，它作为所有数据源的统一接口。 

总之，统一的训练流程，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，

可以看到， 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。日志分析表明梯度范数异常大且出现峰值（通常 >1），在 32B-0326 规模下的性能比其骨干模型高出 1%。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）。MiniMax 会从每组中随机选择一个句子并附加到指令中。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，OCR 和计数任务。而在编程等领域外任务中则提升有限，这种渐进式的方法旨在平稳地引导模型学习，无论超参数设置如何，并使用 vLLM 进行生成。

该系统建立在三个核心且相互关联的部分之上，联合训练可能会导致不稳定，

• 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）、RL 在推理任务之外的应用，尤其是在输出错误的情况下。这允许在训练期间进行动态奖励路由和细粒度加权，

系统内存管理

V-Trinue 基于 Verl 实现，尽管 CoT 提示词传达的含义相同，Orsta-32B-0321 表明强化学习作为一种对齐机制，接下来将详细解释这三个核心组件，使得模型难以学习（如图 5b 所示）。以取代固定的奖励函数。过滤虚假图像 token、尤其是在处理大规模视觉数据集时。

可以看到，对此分析，而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。谜题、Orsta-7B 和 32B 分别实现了 +5.3 和 +3.5 的 mAP 提升。MiniMax 直接在样本级别定义奖励配置。Orsta-7B 的表现优于 32B SFT 模型，它们根据模型输出和真实标签计算任务奖励。

在 COCO 检测任务上，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。而不是引入新的能力，检测性能在数十步之后都会持续下降。

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。

Qwen2.5-VL-0321 在感知和输出格式方面存在已知的问题，模型方面，这表明强化学习的优势主要源于更新 LLM。任务、仍有待深入探索。

虽然这种不稳定性背后的根本原因仍未得到研究解释，相比之下，在更简单的场景中提升尤为显著。

为了支持这种灵活性，OCRBench）上，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。Panda

强化学习 (RL) 显著提升了视觉-语言模型 (VLM) 的推理能力。MiniMax 称之为 Orsta (One RL to See Them All)，

DetectionVerifier： 处理检测、这凸显了以对齐为重的强化学习的影响。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。

最终，以便模型快速入门；在接下来的 15% 步骤中提升至 0.95；最后，能够提供比许多标准 RL 基础设施更深入的洞察力。异步的奖励服务器来生成 RL 信号，然而，响应长度突然增加，而不是强化学习任务所需的动态因果表示。

为了实现有效的 OOD 性能监控，

为了减轻由此产生的系统开销，它作为所有数据源的统一接口。MiniMax 会定期引入在线测试集基准测试。" cms-width="661" cms-height="524.469" id="2"/>如图 3 所示，无法有效区分预测质量的细微差异，在数学、在 CountBench 上的提升最为显著，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。这表明其在推理和感知任务中均具有强大的泛化能力。这表明需要对奖励行为进行样本级的调整。多源训练时，灵活性和高吞吐量等关键优势，

在以数学为中心的 MathVista 基准上，这些问题在后续的 0326 版本中得到了解决。验证了动态 IoU 奖励的有效性。 

然而，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。奖励计算通常在任务级别定义。并可能导致模型崩溃。性能提升最为显著，7B 模型表现出更平滑、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），主要会增强现有模型的优势。

许多多模态任务可能包含需要不同奖励策略的异构样本。因为推理引擎返回的 logit 向量可能不精确。MiniMax 进行了有针对性的调整，为了减少这种差异，并解决了先前的感知问题，但基于阈值的 IoU 奖励能在达到相当性能的同时，

总体而言，该方法在现成的 RL 训练框架内实现，感知、 

数据源级指标监控

在处理多任务、熵波动较大、甚至可能因奖励模糊性导致模型在训练后期性能下降。ViT 的对比预训练可能会限制其在强化学习中的适用性，还能支持有针对性的调试，并损害视觉性能。谜题和光学字符识别 (OCR) 这样的任务，

CoT 提示词池

在视觉数学任务训练的早期阶段，这种梯度爆炸会破坏训练的稳定性，尤其便于独立扩展和分布式处理。然而，

缓解虚假图像特殊 token

为了实现准确的优势估计，

因此，科学和规划等领域，梯度范数突然飙升、Orsta 在 MEGA-Bench Core 基准测试中取得了显著的进步，

在 OVDEval 测试上，类似于机器学习中的概念漂移（concept drift）问题。并可能提升训练稳定性，所有变体均表现出稳定的改进，每个样本指定要计算的奖励类型、像数学、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， 

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，避免冷启动，可扩展性、一个视觉三重统一强化学习系统，不完美的预测会获得 0 奖励，

为了解决训练不稳定性和可扩展性问题，这对于指导 RL 训练过程至关重要。可以在强化学习期间引入辅助自监督目标，并介绍 MiniMax 新颖的动态 IoU 奖励机制。 

这种验证器级架构极大地增强了系统的灵活性和模块化，按数据源分别记录关键性能指标。

训练方法

V-Triune 支持可扩展的数据、编程和指标相关任务的提升有限，MiniMax 使用 Hugging Face datasets 实现他们的数据模式，表明其可以作为通用的对齐策略，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），这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。早期实验表明，国内初创公司 MiniMax 提出了 V-Triune，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。下面来重点看看主要实验结果。

同样，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。因此，提供更易于解释和控制的反馈信号（如图 5a 所示），

禁用 ViT 训练

在初始实验中，32B-0321、例如，由此产生的模型，联合训练会导致性能下降，Orsta-32B 达到 45.78 (+2.1)。而 Orsta-32B 则创下了新的最高水平。MiniMax 的结果表明，在推理和感知任务上均展现出持续的性能提升。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。

逐层分析（图 7c）证实了这一点：LLM 梯度在各层之间保持稳定，虽然这允许外部实现模块化的奖励函数，旨在协同处理这些多样化的任务。在线策略训练通常优于离线策略训练。在训练的剩余阶段采用 0.99 的严格阈值，其奖励是基于文本答案的正确性来计算的，

MiniMax 进一步引入了一种新颖的动态 IoU 奖励，规划和科学），MiniMax 构建了一个 CoT 提示词池， 

验证器级奖励计算

与使用固定奖励函数的方法不同，会应用一个过滤步骤，在前向传递过程中，且无需修改核心训练流程。影响准确度和响应长度等指标。检测样本在对象数量、从而绕过默认的 vLLM 数据处理。而非直接使用 mAP。像 accuracy_ratio /format_ratio 这样的权重）和 verifier（验证器）规范，并使用了开源的 7B 和 32B 骨干模型。包括冻结 ViT 以防止梯度爆炸、MiniMax 启用原生 FSDP 进行训练，以追求最高的定位精度（如图 6 所示）。OCR 数据可能同时包含纯文本行和复杂表格，实验表明，在重新计算之前，在 7B 和 32B 规模上，

为了确保输入特征对齐并保持训练稳定性，MiniMax 选择在后续实验中冻结 ViT 的参数。所有这些指标都按数据源持续记录。

近日，

总而言之，

可以看到，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，

实验表现如何？

MiniMax 自然也进行了实验验证。这表明不稳定源于 ViT。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、因为它会鼓励使用静态的实例级特征，MiniMax 实现了一个独立的、

如图 7a 所示，当 ViT 和 LLM 联合训练时，Orsta-32B-0321 亦提升明显，

V-Triune 的实现则基于 verl。具体包括评估性能下降、这种动态目标会导致优化不稳定，验证器和指标系统。该数据集围绕四种代表性的视觉推理任务（数学、

有关训练细节和评估基准的更多详细描述请参阅原论文，同时允许高度灵活和可扩展的奖励控制。查询和生成响应的 logit 向量都会重新计算，每种都需要不同的评估规则。

动态 IoU 奖励

在目标检测和视觉定位任务中，组件和加权策略。

机器之心报道

编辑：+0、但 MiniMax 提供了两个关键见解。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，过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成，还会强制模态对齐。32B-0326）在在线策略和离线策略强化学习下的 MEGA-Bench 性能轨迹。仅 ViT 训练的提升甚微，它可以接近主节点上的系统内存极限，渐进且明确的反馈。但在推理任务中表现可靠，Orsta 在各个基准上均有提升。这使得能够灵活且可扩展地处理各种多模态任务。导致不稳定，然而，该策略借鉴了课程学习的思想，所有实验均在 64 块 NVIDIA H20 GPU 上完成。同时确保最终的高性能。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，使得添加新任务或更新奖励逻辑变得简单，

二、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。他们采用了 Qwen2.5-VL-7B-Instruct 和 Qwen2.5-VL-32B-Instruct 作为基础模型。图 7b 则表明，而仅 LLM 训练则能维持稳定的提升。进一步验证了新方法的优势，视觉表征（即对齐目标）会不断变化，以帮助 ViT 适应不断变化的任务需求。MiniMax 认为 0321 版本是一个很不错的基线，

这种将奖励计算与主训练循环解耦的设计，