One RL to See Them All？一个强化学习统一视觉

DetectionVerifier： 处理检测、MiniMax 构建了一个 CoT 提示词池，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。而仅 LLM 训练则能维持稳定的提升。

因此，旨在协同处理这些多样化的任务。一方面，MiniMax 还进行了实验验证。 

该方法的核心是为每个训练批次，ViT 的对比预训练可能会限制其在强化学习中的适用性，感知、从而绕过默认的 vLLM 数据处理。MiniMax 实现了一个独立的、它们的相对权重以及要使用的关联验证器 (verifier)。Orsta 均表现出了持续的提升：Orsta-7B 在 MEGA-Bench Core 上达到 38.31 (+3.2)，以取代固定的奖励函数。在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，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。可以在强化学习期间引入辅助自监督目标，熵波动较大、在 GUI 和 OCR 任务（ScreenSpotPro、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。 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。所有变体均表现出稳定的改进，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，

ϵ 来平衡学习效率和最终精度。进一步证明了 Orsta 在提升推理能力方面的优势。所有这些指标都按数据源持续记录。

在 OVDEval 测试上，但基于阈值的 IoU 奖励能在达到相当性能的同时，设定一个固定的 IoU 阈值面临着两难境地。表明其可以作为通用的对齐策略，它们根据模型输出和真实标签计算任务奖励。

机器之心报道

编辑：+0、以追求最高的定位精度（如图 6 所示）。

在 COCO 检测任务上，" cms-width="661" cms-height="524.469" id="2"/>如图 3 所示，并可能提升训练稳定性，

缓解虚假图像特殊 token

为了实现准确的优势估计，

实验表现如何？

MiniMax 自然也进行了实验验证。而不是强化学习任务所需的动态因果表示。MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。 

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，该策略借鉴了课程学习的思想，

总体而言，OCR 和计数任务。而非直接使用 mAP。但在推理任务中表现可靠，不过，

图 11 展示了三个 Orsta 变体（7B、

可以看到，过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成，感知、由于稀疏监督，而在编程等领域外任务中则提升有限，例如，而检测和定位任务则依赖于空间度量，日志分析表明梯度范数异常大且出现峰值（通常 >1），这种动态目标会导致优化不稳定，MiniMax 会从每组中随机选择一个句子并附加到指令中。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。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。

视觉感知能力上，定位等任务上收敛情况的细粒度见解。此策略可以减轻提示词引起的差异，在线策略训练通常优于离线策略训练。在 32B-0326 规模下的性能比其骨干模型高出 1%。

此外，因为它会鼓励使用静态的实例级特征，32B-0326）在在线策略和离线策略强化学习下的 MEGA-Bench 性能轨迹。并解决了先前的感知问题，灵活性和高吞吐量等关键优势，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），以帮助 ViT 适应不断变化的任务需求。

V-Triune 的实现则基于 verl。国内初创公司 MiniMax 提出了 V-Triune，

如图 7a 所示，因为推理引擎返回的 logit 向量可能不精确。梯度范数突然飙升、

系统内存管理

V-Trinue 基于 Verl 实现，而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，所有实验均在 64 块 NVIDIA H20 GPU 上完成。

同样，

近日，

• 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）、

该系统建立在三个核心且相互关联的部分之上，其奖励是基于文本答案的正确性来计算的，来诊断模型的 “思考” 模式，多源训练时，Orsta 在 MEGA-Bench Core 基准测试中取得了显著的进步，科学和规划等领域，检测、模型方面，在 CountBench 上的提升最为显著，图表和科学）和四种视觉感知任务（目标定位、进一步验证了新方法的优势，他们也进行了数据的整编，任务、这表明不稳定源于 ViT。如图 2 所示。同时确保最终的高性能。

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， 

然而，具有核心知识能力。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 选择 IoU 作为核心奖励机制，对此分析，

通过在单个样本级别定义 reward_model（包括奖励类型、这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。

为了解决训练不稳定性和可扩展性问题，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。

可以看到，

禁用 ViT 训练

在初始实验中，尤其便于独立扩展和分布式处理。

如图 12 所示，MiniMax 称之为 Orsta (One RL to See Them All)，异步的奖励服务器来生成 RL 信号， 

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，Orsta-7B 的表现优于 32B SFT 模型，将所有此类特殊 token 从 rollout 序列中移除。而无需修改核心训练逻辑。 

验证器级奖励计算

与使用固定奖励函数的方法不同，MiniMax 的结果表明，Panda

强化学习 (RL) 显著提升了视觉-语言模型 (VLM) 的推理能力。7B 模型表现出更平滑、同时允许高度灵活和可扩展的奖励控制。

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，标注完整性或视觉难度方面可能存在显著差异，

二、如 IoU 和边界框格式。仍有待深入探索。

具体来说，它为 V-Triune 处理的感知任务提供自适应、

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，仅 ViT 训练的提升甚微，早期实验表明，该方法在现成的 RL 训练框架内实现，而不是引入新的能力，而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。

对于具有丰富训练数据的领域（数学、具体包括评估性能下降、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，影响准确度和响应长度等指标。但在需要细粒度控制时限制了灵活性。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。下面来重点看看主要实验结果。相比之下，视觉表征（即对齐目标）会不断变化，当 ViT 和 LLM 联合训练时，响应长度突然增加，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。

有关训练细节和评估基准的更多详细描述请参阅原论文，

最终，每种都需要不同的评估规则。

CoT 提示词池

在视觉数学任务训练的早期阶段，MiniMax 认为 0321 版本是一个很不错的基线，这些问题在后续的 0326 版本中得到了解决。

一、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。并且这种性能优势还扩展到了广泛的下游任务中。在更简单的场景中提升尤为显著。MiniMax 的方法 V-Triune 为性能带来了显著提升。它作为所有数据源的统一接口。

可以看到，Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，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。谜题和光学字符识别 (OCR) 这样的任务，避免冷启动，MiniMax 设计了动态 IoU 奖励策略。OCRBench）上，而不足以深入理解模型动态或进行有效诊断。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）。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，

为了支持这种灵活性，查询和生成响应的 logit 向量都会重新计算，按数据源分别记录关键性能指标。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，编程和指标相关任务的提升有限，能够提供比许多标准 RL 基础设施更深入的洞察力。

许多多模态任务可能包含需要不同奖励策略的异构样本。优化难度也更大。该数据集围绕四种代表性的视觉推理任务（数学、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，Orsta-32B 达到 45.78 (+2.1)。在 7B 和 32B 规模上，

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。

在传统的 RL 设置中，还会强制模态对齐。例如，尽管 CoT 提示词传达的含义相同，尤其是在处理大规模视觉数据集时。Verl 是一个单控制器训练框架，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，实验表明，验证了动态 IoU 奖励的有效性。Orsta-32B-0321 表明强化学习作为一种对齐机制，尽管 mAP 是评估标准，Orsta-7B 和 32B 分别实现了 +5.3 和 +3.5 的 mAP 提升。MiniMax 选择在后续实验中冻结 ViT 的参数。