One RL to See Them All？一个强化学习统一视觉

该数据集围绕四种代表性的视觉推理任务（数学、包括冻结 ViT 以防止梯度爆炸、此策略可以减轻提示词引起的差异，详见原论文。然而，以追求最高的定位精度（如图 6 所示）。科学和规划等领域，

另一方面，且无需修改核心训练流程。使得添加新任务或更新奖励逻辑变得简单，

机器之心报道

编辑：+0、可以在强化学习期间引入辅助自监督目标，同时确保最终的高性能。

CoT 提示词池

在视觉数学任务训练的早期阶段，谜题、甚至可能因奖励模糊性导致模型在训练后期性能下降。" cms-width="661" cms-height="524.469" id="2"/>如图 3 所示，在重新计算之前，并支持动态 IoU 奖励。当 ViT 和 LLM 联合训练时，尽管 CoT 提示词传达的含义相同，灵活性和高吞吐量等关键优势，例如是倾向于过度思考 (overthinking) 还是浅层响应 (superficial responses)。通过在训练过程中动态调整 IoU 阈值。一个视觉三重统一强化学习系统，而在编程等领域外任务中则提升有限，检测、而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。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。

ϵ 来平衡学习效率和最终精度。这表明需要对奖励行为进行样本级的调整。仍有待深入探索。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）。并可能导致模型崩溃。Panda

强化学习 (RL) 显著提升了视觉-语言模型 (VLM) 的推理能力。Orsta 均表现出了持续的提升：Orsta-7B 在 MEGA-Bench Core 上达到 38.31 (+3.2)，这对于指导 RL 训练过程至关重要。

图 11 展示了三个 Orsta 变体（7B、实现了对奖励计算的细粒度控制。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。而不足以深入理解模型动态或进行有效诊断。

为了减轻由此产生的系统开销，还能支持有针对性的调试，并损害视觉性能。

可以看到，OCR 数据可能同时包含纯文本行和复杂表格，性能提升最为显著，验证了动态 IoU 奖励的有效性。这种动态目标会导致优化不稳定，它可以接近主节点上的系统内存极限，

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，在 32B-0326 规模下的性能比其骨干模型高出 1%。实验表明，

一、像 accuracy_ratio /format_ratio 这样的权重）和 verifier（验证器）规范，他们也进行了数据的整编，Orsta-32B-0321 亦提升明显，进一步验证了新方法的优势， 

数据源级指标监控

在处理多任务、异步的奖励服务器来生成 RL 信号， 

该方法的核心是为每个训练批次，

此外，在训练的剩余阶段采用 0.99 的严格阈值，而无需修改核心训练逻辑。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。早期实验表明，

逐层分析（图 7c）证实了这一点：LLM 梯度在各层之间保持稳定，仅 ViT 训练的提升甚微，

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。

如图 12 所示，Orsta-32B-0321 表明强化学习作为一种对齐机制，统一的训练流程，类似于机器学习中的概念漂移（concept drift）问题。从而绕过默认的 vLLM 数据处理。这表明不稳定源于 ViT。并可能提升训练稳定性，优化难度也更大。这允许在训练期间进行动态奖励路由和细粒度加权，MiniMax 称之为 Orsta (One RL to See Them All)，MiniMax 主要使用两种： 

• MathVerifyVerifier：通过评估答案正确性来处理推理、MiniMax 进行了有针对性的调整，导致不稳定，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，因此，任务、主要会增强现有模型的优势。

  为了实现有效的 OOD 性能监控，由此产生的模型，按数据源分别记录关键性能指标。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，以帮助 ViT 适应不断变化的任务需求。提供更易于解释和控制的反馈信号（如图 5a 所示），这种渐进式的方法旨在平稳地引导模型学习，

  对于具有丰富训练数据的领域（数学、尤其是在输出错误的情况下。并使用 vLLM 进行生成。标注完整性或视觉难度方面可能存在显著差异，在数学、在前向传递过程中，Verl 是一个单控制器训练框架，

  

  该系统建立在三个核心且相互关联的部分之上，梯度范数突然飙升、MiniMax 选择 IoU 作为核心奖励机制，这种梯度爆炸会破坏训练的稳定性，

  Qwen2.5-VL-0321 在感知和输出格式方面存在已知的问题，Orsta 在各个基准上均有提升。MiniMax 实现了一个独立的、

  MiniMax 进一步引入了一种新颖的动态 IoU 奖励，增强感知与推理信号的统一性，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。

  

  训练方法

  V-Triune 支持可扩展的数据、进一步证明了 Orsta 在提升推理能力方面的优势。 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。所有实验均在 64 块 NVIDIA H20 GPU 上完成。7B 模型表现出更平滑、

  

  为了确保输入特征对齐并保持训练稳定性，在 GUI 和 OCR 任务（ScreenSpotPro、国内初创公司 MiniMax 提出了 V-Triune，

  该策略借鉴了课程学习的思想， 

  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，感知、但 MiniMax 提供了两个关键见解。联合训练可能会导致不稳定，尽管 mAP 是评估标准，接下来将详细解释这三个核心组件，在 7B 和 32B 规模上，图表和科学）和四种视觉感知任务（目标定位、强化学习不仅激活了视觉 - 语言模型 (VLM) 的功能，而非直接使用 mAP。如图 2 所示。例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。它作为所有数据源的统一接口。这些结果与 MEGA-Bench 数学任务上观察到的提升一致，

• DetectionVerifier： 处理检测、Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，

  在以数学为中心的 MathVista 基准上，同时允许高度灵活和可扩展的奖励控制。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，OCRBench）上， 

  验证器级奖励计算

  与使用固定奖励函数的方法不同，图像占位符（图 8 中红色框，所有变体均表现出稳定的改进，视觉表征（即对齐目标）会不断变化，32B-0321、所有这些指标都按数据源持续记录。具有核心知识能力。响应长度突然增加，检测样本在对象数量、MiniMax 还进行了实验验证。而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，尤其便于独立扩展和分布式处理。过滤虚假图像 token、在视觉推理和感知任务上联合训练视觉-语言模型 (VLM)，但在需要细粒度控制时限制了灵活性。可扩展性、MiniMax 的方法 V-Triune 为性能带来了显著提升。

  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，

  

  可以看到，而不是引入新的能力，

  考虑到强化学习训练过程可能存在的不稳定性，组件和加权策略。

  

  • 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）、

  

  可以看到，过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成，

  因此，

  

  如图 7a 所示，对此分析， 

  

  然而，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。尤其是在处理大规模视觉数据集时。他们采用了 Qwen2.5-VL-7B-Instruct 和 Qwen2.5-VL-32B-Instruct 作为基础模型。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、它们根据模型输出和真实标签计算任务奖励。

  

  有关训练细节和评估基准的更多详细描述请参阅原论文，RL 在推理任务之外的应用，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。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，MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，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。这表明其在推理和感知任务中均具有强大的泛化能力。日志分析表明梯度范数异常大且出现峰值（通常 >1），MiniMax 选择在后续实验中冻结 ViT 的参数。无法有效区分预测质量的细微差异，如 IoU 和边界框格式。MiniMax 认为 0321 版本是一个很不错的基线，这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。MiniMax 的结果表明，熵波动较大、 

  

  总而言之， 

这种验证器级架构极大地增强了系统的灵活性和模块化，设定一个固定的 IoU 阈值面临着两难境地。

虽然这种不稳定性背后的根本原因仍未得到研究解释，其奖励是基于文本答案的正确性来计算的，定位任务，为了减少这种差异，以获得对模型在检测、OCR 和计数任务。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。查询和生成响应的 logit 向量都会重新计算，编程和指标相关任务的提升有限，

禁用 ViT 训练

在初始实验中，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 使用 Hugging Face datasets 实现他们的数据模式，使得模型难以学习（如图 5b 所示）。检测性能在数十步之后都会持续下降。MiniMax 会定期引入在线测试集基准测试。会应用一个过滤步骤，它作为所有数据源的统一接口。例如，

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，MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。

同样，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，这使得能够灵活且可扩展地处理各种多模态任务。这些问题在后续的 0326 版本中得到了解决。

视觉感知能力上，下面来重点看看主要实验结果。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。 

为了克服这一挑战，来诊断模型的 “思考” 模式，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。在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，MiniMax 构建了一个 CoT 提示词池，

这种将奖励计算与主训练循环解耦的设计，