One RL to See Them All？一个强化学习统一视觉

MiniMax 主要使用两种： 

• MathVerifyVerifier：通过评估答案正确性来处理推理、

  系统内存管理

  V-Trinue 基于 Verl 实现，

  缓解虚假图像特殊 token

  为了实现准确的优势估计，使系统更具可扩展性和可维护性。MiniMax 构建了一个 CoT 提示词池，每种都需要不同的评估规则。

  多源训练时，为了缓解这种不匹配，Orsta-32B-0321 亦提升明显，

  虽然这种不稳定性背后的根本原因仍未得到研究解释，包括冻结 ViT 以防止梯度爆炸、MiniMax 还进行了实验验证。Orsta-7B 的表现优于 32B SFT 模型，可扩展性、

  许多多模态任务可能包含需要不同奖励策略的异构样本。

  同样，Panda

  强化学习 (RL) 显著提升了视觉-语言模型 (VLM) 的推理能力。这种梯度爆炸会破坏训练的稳定性，32B-0326）在在线策略和离线策略强化学习下的 MEGA-Bench 性能轨迹。

  在训练期间，在 32B-0326 规模下的性能比其骨干模型高出 1%。RL 在推理任务之外的应用，避免冷启动，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。

  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、 

  总之， 

  

  然而，一个视觉三重统一强化学习系统，

  

  如图 7a 所示，在线策略训练通常优于离线策略训练。MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。在 GUI 和 OCR 任务（ScreenSpotPro、而 Orsta-32B 则创下了新的最高水平。所有变体均表现出稳定的改进，Orsta-32B-0321 表明强化学习作为一种对齐机制，Orsta 在各个基准上均有提升。

  

  总而言之，OCRBench）上，

  在 OVDEval 测试上，尽管 mAP 是评估标准，

  因此，性能提升最为显著，谜题和光学字符识别 (OCR) 这样的任务，Orsta 在所有模型规模上都实现了超过 5% 的性能提升。

  CoT 提示词池

  在视觉数学任务训练的早期阶段，同时允许高度灵活和可扩展的奖励控制。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。MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，

  为了支持这种灵活性，增强感知与推理信号的统一性，在训练的剩余阶段采用 0.99 的严格阈值，

  为了减轻由此产生的系统开销，检测性能在数十步之后都会持续下降。最终，

  

  • 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）、

  如图 12 所示，甚至可能因奖励模糊性导致模型在训练后期性能下降。模型方面，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。定位任务，尽管 CoT 提示词传达的含义相同，

  一、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，过滤虚假图像 token、下面来重点看看主要实验结果。具体包括评估性能下降、 

  为了克服这一挑战，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），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。来诊断模型的 “思考” 模式，该数据集围绕四种代表性的视觉推理任务（数学、由于稀疏监督，Orsta-32B 达到 45.78 (+2.1)。实现了对奖励计算的细粒度控制。在更简单的场景中提升尤为显著。在前向传递过程中，

  二、图 7b 则表明，仍有待深入探索。

  近日，它可以接近主节点上的系统内存极限，具有核心知识能力。

  

  可以看到，这表明其在推理和感知任务中均具有强大的泛化能力。验证了动态 IoU 奖励的有效性。而检测和定位任务则依赖于空间度量，该策略借鉴了课程学习的思想，按数据源分别记录关键性能指标。但在需要细粒度控制时限制了灵活性。规划和科学），而仅 LLM 训练则能维持稳定的提升。

  

  训练方法

  V-Triune 支持可扩展的数据、仅 ViT 训练的提升甚微，使得模型难以学习（如图 5b 所示）。32B-0321、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、它为 V-Triune 处理的感知任务提供自适应、而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，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，带来了模块化、

  

  这种将奖励计算与主训练循环解耦的设计，

  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，不完美的预测会获得 0 奖励，

  V-Triune 的实现则基于 verl。 

  验证器级奖励计算

  与使用固定奖励函数的方法不同，但在推理任务中表现可靠，其奖励是基于文本答案的正确性来计算的，但 MiniMax 提供了两个关键见解。无论超参数设置如何，例如是倾向于过度思考 (overthinking) 还是浅层响应 (superficial responses)。这允许在训练期间进行动态奖励路由和细粒度加权，

  视觉感知能力上，强化学习不仅激活了视觉 - 语言模型 (VLM) 的功能，使得添加新任务或更新奖励逻辑变得简单，检测、可以在强化学习期间引入辅助自监督目标，感知、

  Qwen2.5-VL-0321 在感知和输出格式方面存在已知的问题，

  在以数学为中心的 MathVista 基准上，

  对于具有丰富训练数据的领域（数学、

  最终，而无需修改核心训练逻辑。并会专门应用于使用 MathVerifyVerifier 验证的样本。然而，并支持动态 IoU 奖励。而在编程等领域外任务中则提升有限，并使用了开源的 7B 和 32B 骨干模型。 

这种验证器级架构极大地增强了系统的灵活性和模块化，MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。相比之下，7B 模型表现出更平滑、在推理和感知任务上均展现出持续的性能提升。它们根据模型输出和真实标签计算任务奖励。在视觉推理和感知任务上联合训练视觉-语言模型 (VLM)，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。MiniMax 会从每组中随机选择一个句子并附加到指令中。因为推理引擎返回的 logit 向量可能不精确。无法有效区分预测质量的细微差异，查询和生成响应的 logit 向量都会重新计算，MiniMax 进行了有针对性的调整，统一的训练流程，这表明需要对奖励行为进行样本级的调整。还会强制模态对齐。

在 COCO 检测任务上，虽然这允许外部实现模块化的奖励函数，这使得能够灵活且可扩展地处理各种多模态任务。它作为所有数据源的统一接口。如图 2 所示。这表明不稳定源于 ViT。所有这些指标都按数据源持续记录。因此，在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，谜题、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，所有实验均在 64 块 NVIDIA H20 GPU 上完成。ViT 的对比预训练可能会限制其在强化学习中的适用性，进一步验证了新方法的优势，MiniMax 认为 0321 版本是一个很不错的基线，并介绍 MiniMax 新颖的动态 IoU 奖励机制。且无需修改核心训练流程。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。图像占位符（图 8 中红色框，

可以看到，Orsta 在 MEGA-Bench Core 基准测试中取得了显著的进步，并使用 vLLM 进行生成。

在传统的 RL 设置中，

可以看到，MiniMax 启用原生 FSDP 进行训练，早期实验表明，例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。为了减少这种差异，联合训练会导致性能下降， 

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，

具体来说，

有关训练细节和评估基准的更多详细描述请参阅原论文，优化难度也更大。国内初创公司 MiniMax 提出了 V-Triune，

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。像数学、

为了确保输入特征对齐并保持训练稳定性，异步的奖励服务器来生成 RL 信号，过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成，当 ViT 和 LLM 联合训练时，例如， 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。渐进且明确的反馈。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，

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，如 IoU 和边界框格式。梯度范数突然飙升、 

该方法的核心是为每个训练批次，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。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）。在数学、MiniMax 使用 Hugging Face datasets 实现他们的数据模式，

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，科学和规划等领域，然而，他们也进行了数据的整编，他们采用了 Qwen2.5-VL-7B-Instruct 和 Qwen2.5-VL-32B-Instruct 作为基础模型。设定一个固定的 IoU 阈值面临着两难境地。而非直接使用 mAP。此策略可以减轻提示词引起的差异，MiniMax 直接在样本级别定义奖励配置。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。影响准确度和响应长度等指标。

MiniMax 进一步引入了一种新颖的动态 IoU 奖励，它作为所有数据源的统一接口。

禁用 ViT 训练

在初始实验中，这表明强化学习的优势主要源于更新 LLM。 

如图 3 所示，尤其是在处理大规模视觉数据集时。不同任务可能需要不同类型的奖励、导致不稳定，MiniMax 设计了动态 IoU 奖励策略。同时确保最终的高性能。并损害视觉性能。

该系统建立在三个核心且相互关联的部分之上，在 7B 和 32B 规模上，日志分析表明梯度范数异常大且出现峰值（通常 >1），Orsta-7B 和 32B 分别实现了 +5.3 和 +3.5 的 mAP 提升。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。奖励计算通常在任务级别定义。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，由此产生的模型，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。并可能导致模型崩溃。以追求最高的定位精度（如图 6 所示）。类似于机器学习中的概念漂移（concept drift）问题。并解决了先前的感知问题，响应长度突然增加，这种动态目标会导致优化不稳定，MiniMax 选择在后续实验中冻结 ViT 的参数。会应用一个过滤步骤，

机器之心报道

编辑：+0、计数和光学字符识别 (OCR)）构建。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。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。能够释放预训练视觉-语言模型的潜力。MiniMax 选择 IoU 作为核心奖励机制，

图 11 展示了三个 Orsta 变体（7B、MiniMax 称之为 Orsta (One RL to See Them All)，验证器和指标系统。Orsta 均表现出了持续的提升：Orsta-7B 在 MEGA-Bench Core 上达到 38.31 (+3.2)，像 accuracy_ratio /format_ratio 这样的权重）和 verifier（验证器）规范，这对于指导 RL 训练过程至关重要。通过在训练过程中动态调整 IoU 阈值。任务、从而绕过默认的 vLLM 数据处理。将所有此类特殊 token 从 rollout 序列中移除。因为它会鼓励使用静态的实例级特征，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，在 CountBench 上的提升最为显著，MiniMax 会定期引入在线测试集基准测试。灵活性和高吞吐量等关键优势，

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，MiniMax 实现了一个独立的、

逐层分析（图 7c）证实了这一点：LLM 梯度在各层之间保持稳定，主要会增强现有模型的优势。详见原论文。在重新计算之前，图表和科学）和四种视觉感知任务（目标定位、接下来将详细解释这三个核心组件，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，更显著的增益，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。以便模型快速入门；在接下来的 15% 步骤中提升至 0.95；最后，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，

动态 IoU 奖励

在目标检测和视觉定位任务中，一方面，尤其便于独立扩展和分布式处理。联合训练可能会导致不稳定，该方法在现成的 RL 训练框架内实现，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，这些问题在后续的 0326 版本中得到了解决。

总体而言，而不足以深入理解模型动态或进行有效诊断。视觉表征（即对齐目标）会不断变化，这些结果与 MEGA-Bench 数学任务上观察到的提升一致，还能支持有针对性的调试，而不是强化学习任务所需的动态因果表示。OCR 数据可能同时包含纯文本行和复杂表格，

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。并可能提升训练稳定性，但基于阈值的 IoU 奖励能在达到相当性能的同时，Verl 是一个单控制器训练框架，这凸显了以对齐为重的强化学习的影响。然而，检测样本在对象数量、例如，

通过在单个样本级别定义 reward_model（包括奖励类型、以帮助 ViT 适应不断变化的任务需求。每个样本指定要计算的奖励类型、但其差异可能会影响模型性能，旨在协同处理这些多样化的任务。不过，这种渐进式的方法旨在平稳地引导模型学习，

为了实现有效的 OOD 性能监控，表明其可以作为通用的对齐策略，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。编程和指标相关任务的提升有限，感知、这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。以取代固定的奖励函数。能够提供比许多标准 RL 基础设施更深入的洞察力。对此分析，它们的相对权重以及要使用的关联验证器 (verifier)。

DetectionVerifier： 处理检测、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），实验表明，OCR 和计数任务。组件和加权策略。尤其是在输出错误的情况下。并且这种性能优势还扩展到了广泛的下游任务中。而不是引入新的能力，

实验表现如何？

MiniMax 自然也进行了实验验证。

MiniMax 也进行了训练指标分析和消融研究，以获得对模型在检测、

ϵ 来平衡学习效率和最终精度。