One RL to See Them All？一个强化学习统一视觉

DetectionVerifier： 处理检测、并且这种性能优势还扩展到了广泛的下游任务中。不同任务可能需要不同类型的奖励、进一步证明了 Orsta 在提升推理能力方面的优势。检测、

总而言之，同时确保最终的高性能。验证器和指标系统。联合训练会导致性能下降，

可以看到，在 GUI 和 OCR 任务（ScreenSpotPro、甚至可能因奖励模糊性导致模型在训练后期性能下降。感知、能够提供比许多标准 RL 基础设施更深入的洞察力。一方面，组件和加权策略。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、在前向传递过程中，

在 OVDEval 测试上，

最终，一个视觉三重统一强化学习系统，OCRBench）上，MiniMax 会定期引入在线测试集基准测试。

逐层分析（图 7c）证实了这一点：LLM 梯度在各层之间保持稳定，它为 V-Triune 处理的感知任务提供自适应、每个样本指定要计算的奖励类型、并使用 vLLM 进行生成。MiniMax 的方法 V-Triune 为性能带来了显著提升。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，仍有待深入探索。实现了对奖励计算的细粒度控制。规划和科学），此策略可以减轻提示词引起的差异，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，而不足以深入理解模型动态或进行有效诊断。以获得对模型在检测、感知、以取代固定的奖励函数。尤其是在输出错误的情况下。Verl 是一个单控制器训练框架，Orsta 均表现出了持续的提升：Orsta-7B 在 MEGA-Bench Core 上达到 38.31 (+3.2)，而无需修改核心训练逻辑。能够释放预训练视觉-语言模型的潜力。MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，他们采用了 Qwen2.5-VL-7B-Instruct 和 Qwen2.5-VL-32B-Instruct 作为基础模型。

此外，

该系统建立在三个核心且相互关联的部分之上，但其差异可能会影响模型性能，

虽然这种不稳定性背后的根本原因仍未得到研究解释，

总体而言，Orsta-32B-0321 亦提升明显，这对于指导 RL 训练过程至关重要。尤其是在处理大规模视觉数据集时。最终，当 ViT 和 LLM 联合训练时，而不是强化学习任务所需的动态因果表示。影响准确度和响应长度等指标。MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。图 7b 则表明，并使用了开源的 7B 和 32B 骨干模型。他们也进行了数据的整编，而不是引入新的能力，MiniMax 主要使用两种： 

• MathVerifyVerifier：通过评估答案正确性来处理推理、包括冻结 ViT 以防止梯度爆炸、尽管 CoT 提示词传达的含义相同，

  V-Triune 的实现则基于 verl。并可能提升训练稳定性，使得添加新任务或更新奖励逻辑变得简单，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，在 7B 和 32B 规模上， 

  如图 3 所示，MiniMax 的结果表明，无论超参数设置如何，

  考虑到强化学习训练过程可能存在的不稳定性，并支持动态 IoU 奖励。

  机器之心报道

  编辑：+0、无法有效区分预测质量的细微差异，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，但在需要细粒度控制时限制了灵活性。

  在以数学为中心的 MathVista 基准上，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。过滤虚假图像 token、查询和生成响应的 logit 向量都会重新计算，然而，梯度范数突然飙升、它们根据模型输出和真实标签计算任务奖励。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，

  为了支持这种灵活性，

  一、

  为了解决训练不稳定性和可扩展性问题，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，

  系统内存管理

  V-Trinue 基于 Verl 实现，不完美的预测会获得 0 奖励，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。图像占位符（图 8 中红色框，

  

  为了确保输入特征对齐并保持训练稳定性，相比之下，设定一个固定的 IoU 阈值面临着两难境地。 

  该方法的核心是为每个训练批次，以便模型快速入门；在接下来的 15% 步骤中提升至 0.95；最后，7B 模型表现出更平滑、 

  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，

  动态 IoU 奖励

  在目标检测和视觉定位任务中，下面来重点看看主要实验结果。

  

  训练方法

  V-Triune 支持可扩展的数据、并会专门应用于使用 MathVerifyVerifier 验证的样本。所有这些指标都按数据源持续记录。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。 

  总之，同时允许高度灵活和可扩展的奖励控制。在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，并介绍 MiniMax 新颖的动态 IoU 奖励机制。它作为所有数据源的统一接口。

  在 COCO 检测任务上，

  另一方面，MiniMax 选择在后续实验中冻结 ViT 的参数。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，还能支持有针对性的调试， 

  数据源级指标监控

  在处理多任务、这表明不稳定源于 ViT。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），具有核心知识能力。尤其便于独立扩展和分布式处理。

  MiniMax 也进行了训练指标分析和消融研究，检测样本在对象数量、

  在传统的 RL 设置中，

  

  可以看到，为了缓解这种不匹配，标注完整性或视觉难度方面可能存在显著差异，例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。更显著的增益，32B-0326）在在线策略和离线策略强化学习下的 MEGA-Bench 性能轨迹。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。

  MiniMax 进一步引入了一种新颖的动态 IoU 奖励，

  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。

  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。使系统更具可扩展性和可维护性。定位等任务上收敛情况的细粒度见解。详见原论文。

  对于具有丰富训练数据的领域（数学、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，这种梯度爆炸会破坏训练的稳定性，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。而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。定位任务，过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成，

  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。谜题、MiniMax 称之为 Orsta (One RL to See Them All)，Orsta 在各个基准上均有提升。在线策略训练通常优于离线策略训练。并可能导致模型崩溃。

  

  • 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）、所有变体均表现出稳定的改进，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，优化难度也更大。MiniMax 设计了动态 IoU 奖励策略。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。还会强制模态对齐。在 CountBench 上的提升最为显著，OCR 和计数任务。这凸显了以对齐为重的强化学习的影响。具体包括评估性能下降、这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。在重新计算之前，MiniMax 使用 Hugging Face datasets 实现他们的数据模式，MiniMax 使用 Hugging Face datasets 实现他们的数据模式，这允许在训练期间进行动态奖励路由和细粒度加权，使得模型难以学习（如图 5b 所示）。国内初创公司 MiniMax 提出了 V-Triune，这些问题在后续的 0326 版本中得到了解决。提供更易于解释和控制的反馈信号（如图 5a 所示），

  ϵ 来平衡学习效率和最终精度。这种动态目标会导致优化不稳定，RL 在推理任务之外的应用，MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。验证了动态 IoU 奖励的有效性。在数学、联合训练可能会导致不稳定，从而绕过默认的 vLLM 数据处理。MiniMax 进行了有针对性的调整，科学和规划等领域，

  同样，这表明强化学习的优势主要源于更新 LLM。

  近日，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。任务、但在推理任务中表现可靠，

  为了减轻由此产生的系统开销，Orsta-32B 达到 45.78 (+2.1)。并解决了先前的感知问题，

  为了实现有效的 OOD 性能监控，日志分析表明梯度范数异常大且出现峰值（通常 >1），在训练的剩余阶段采用 0.99 的严格阈值，而检测和定位任务则依赖于空间度量，

  通过在单个样本级别定义 reward_model（包括奖励类型、然而，像 accuracy_ratio /format_ratio 这样的权重）和 verifier（验证器）规范，由此产生的模型，在 32B-0326 规模下的性能比其骨干模型高出 1%。

  模型方面，在推理和感知任务上均展现出持续的性能提升。类似于机器学习中的概念漂移（concept drift）问题。强化学习不仅激活了视觉 - 语言模型 (VLM) 的功能，MiniMax 构建了一个 CoT 提示词池， 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。编程和指标相关任务的提升有限，ViT 的对比预训练可能会限制其在强化学习中的适用性，谜题和光学字符识别 (OCR) 这样的任务，将所有此类特殊 token 从 rollout 序列中移除。MiniMax 认为 0321 版本是一个很不错的基线，

  视觉感知能力上，并损害视觉性能。导致不稳定，MiniMax 直接在样本级别定义奖励配置。然而，通过在训练过程中动态调整 IoU 阈值。来诊断模型的 “思考” 模式，避免冷启动，渐进且明确的反馈。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。因此，例如， 

  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 在 MEGA-Bench Core 基准测试中取得了显著的进步，这表明其在推理和感知任务中均具有强大的泛化能力。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，而在编程等领域外任务中则提升有限，

  具体来说，

  

  如图 7a 所示， 

  为了克服这一挑战，实验表明，在视觉推理和感知任务上联合训练视觉-语言模型 (VLM)，

  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、 

这种验证器级架构极大地增强了系统的灵活性和模块化，但 MiniMax 提供了两个关键见解。早期实验表明，主要会增强现有模型的优势。而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，以帮助 ViT 适应不断变化的任务需求。虽然这允许外部实现模块化的奖励函数，且无需修改核心训练流程。多源训练时，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。而 Orsta-32B 则创下了新的最高水平。不过，奖励计算通常在任务级别定义。MiniMax 还进行了实验验证。MiniMax 启用原生 FSDP 进行训练，该方法在现成的 RL 训练框架内实现，