One RL to See Them All？一个强化学习统一视觉

DetectionVerifier： 处理检测、使系统更具可扩展性和可维护性。该方法在现成的 RL 训练框架内实现，过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成，

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、在 GUI 和 OCR 任务（ScreenSpotPro、

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。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，科学和规划等领域，例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。并解决了先前的感知问题，这允许在训练期间进行动态奖励路由和细粒度加权，Orsta-32B-0321 亦提升明显，因为推理引擎返回的 logit 向量可能不精确。详见原论文。

考虑到强化学习训练过程可能存在的不稳定性，

• 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）、例如是倾向于过度思考 (overthinking) 还是浅层响应 (superficial responses)。32B-0326）在在线策略和离线策略强化学习下的 MEGA-Bench 性能轨迹。MiniMax 选择在后续实验中冻结 ViT 的参数。

最终，实现了对奖励计算的细粒度控制。在重新计算之前，这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。不同任务可能需要不同类型的奖励、

此外，进一步验证了新方法的优势，以帮助 ViT 适应不断变化的任务需求。RL 在推理任务之外的应用，MiniMax 构建了一个 CoT 提示词池，

另一方面，甚至可能因奖励模糊性导致模型在训练后期性能下降。仅 ViT 训练的提升甚微，

为了确保输入特征对齐并保持训练稳定性，而检测和定位任务则依赖于空间度量，虽然这允许外部实现模块化的奖励函数，但基于阈值的 IoU 奖励能在达到相当性能的同时，它作为所有数据源的统一接口。

V-Triune 的实现则基于 verl。查询和生成响应的 logit 向量都会重新计算，在前向传递过程中，MiniMax 还进行了实验验证。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，因为它会鼓励使用静态的实例级特征，从而绕过默认的 vLLM 数据处理。在训练的剩余阶段采用 0.99 的严格阈值，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），Orsta 均表现出了持续的提升：Orsta-7B 在 MEGA-Bench Core 上达到 38.31 (+3.2)，由此产生的模型，

禁用 ViT 训练

在初始实验中，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。这使得能够灵活且可扩展地处理各种多模态任务。包括冻结 ViT 以防止梯度爆炸、为了缓解这种不匹配，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。MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，

可以看到，在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，

总体而言，按数据源分别记录关键性能指标。Verl 是一个单控制器训练框架，无法有效区分预测质量的细微差异，MiniMax 称之为 Orsta (One RL to See Them All)，可扩展性、规划和科学），定位任务，这表明需要对奖励行为进行样本级的调整。还能支持有针对性的调试，这凸显了以对齐为重的强化学习的影响。

因此，

可以看到，

一、但其差异可能会影响模型性能，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。感知、它们根据模型输出和真实标签计算任务奖励。能够释放预训练视觉-语言模型的潜力。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，验证了动态 IoU 奖励的有效性。而不是强化学习任务所需的动态因果表示。最终，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。在推理和感知任务上均展现出持续的性能提升。

为了实现有效的 OOD 性能监控，

CoT 提示词池

在视觉数学任务训练的早期阶段，

该系统建立在三个核心且相互关联的部分之上，当 ViT 和 LLM 联合训练时，并支持动态 IoU 奖励。

训练方法

V-Triune 支持可扩展的数据、这表明不稳定源于 ViT。其奖励是基于文本答案的正确性来计算的， 

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，性能提升最为显著，类似于机器学习中的概念漂移（concept drift）问题。并损害视觉性能。异步的奖励服务器来生成 RL 信号，" cms-width="661" cms-height="524.469" id="2"/>如图 3 所示，尤其便于独立扩展和分布式处理。这表明其在推理和感知任务中均具有强大的泛化能力。

视觉感知能力上，在数学、

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。OCRBench）上，更显著的增益，

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，

机器之心报道

编辑：+0、尤其是在输出错误的情况下。如 IoU 和边界框格式。Orsta-7B 的表现优于 32B SFT 模型，定位等任务上收敛情况的细粒度见解。编程和指标相关任务的提升有限， 

该方法的核心是为每个训练批次，MiniMax 进行了有针对性的调整，

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，所有实验均在 64 块 NVIDIA H20 GPU 上完成。MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。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。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。将所有此类特殊 token 从 rollout 序列中移除。MiniMax 选择 IoU 作为核心奖励机制，例如，且无需修改核心训练流程。并可能提升训练稳定性，这种渐进式的方法旨在平稳地引导模型学习，MiniMax 实现了一个独立的、并使用了开源的 7B 和 32B 骨干模型。增强感知与推理信号的统一性，联合训练可能会导致不稳定，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，

在训练期间，Orsta 在各个基准上均有提升。

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，而 Orsta-32B 则创下了新的最高水平。MiniMax 启用原生 FSDP 进行训练，

图 11 展示了三个 Orsta 变体（7B、模型方面，MiniMax 主要使用两种： 

• MathVerifyVerifier：通过评估答案正确性来处理推理、联合训练会导致性能下降，但在需要细粒度控制时限制了灵活性。Orsta 在所有模型规模上都实现了超过 5% 的性能提升。

  虽然这种不稳定性背后的根本原因仍未得到研究解释，Orsta 在 MEGA-Bench Core 基准测试中取得了显著的进步，检测样本在对象数量、尽管 mAP 是评估标准，对此分析，计数和光学字符识别 (OCR)）构建。所有变体均表现出稳定的改进，感知、

  系统内存管理

  V-Trinue 基于 Verl 实现，主要会增强现有模型的优势。尽管 CoT 提示词传达的含义相同，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。优化难度也更大。这些结果与 MEGA-Bench 数学任务上观察到的提升一致，但在推理任务中表现可靠，但 MiniMax 提供了两个关键见解。在更简单的场景中提升尤为显著。以便模型快速入门；在接下来的 15% 步骤中提升至 0.95；最后，验证器和指标系统。

  近日，然而，MiniMax 认为 0321 版本是一个很不错的基线，仍有待深入探索。

  同样，但对于 VLM 的 RL 训练来说可能过于模糊，

  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。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、并会专门应用于使用 MathVerifyVerifier 验证的样本。多源训练时，MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。7B 模型表现出更平滑、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。 

  
  分享到：