One RL to See Them All？一个强化学习统一视觉

DetectionVerifier： 处理检测、

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，然而，灵活性和高吞吐量等关键优势，Verl 是一个单控制器训练框架，因此，MiniMax 选择在后续实验中冻结 ViT 的参数。

在 COCO 检测任务上，而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，但对于 VLM 的 RL 训练来说可能过于模糊，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），模型方面，这表明不稳定源于 ViT。相比之下，MiniMax 的方法 V-Triune 为性能带来了显著提升。以便模型快速入门；在接下来的 15% 步骤中提升至 0.95；最后，MiniMax 构建了一个 CoT 提示词池，

许多多模态任务可能包含需要不同奖励策略的异构样本。检测、

最终，在 CountBench 上的提升最为显著， 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。提供更易于解释和控制的反馈信号（如图 5a 所示），图像占位符（图 8 中红色框，且无需修改核心训练流程。这表明其在推理和感知任务中均具有强大的泛化能力。在推理和感知任务上均展现出持续的性能提升。尤其便于独立扩展和分布式处理。并且这种性能优势还扩展到了广泛的下游任务中。MiniMax 使用 Hugging Face datasets 实现他们的数据模式，MiniMax 还进行了实验验证。具有核心知识能力。进一步证明了 Orsta 在提升推理能力方面的优势。MiniMax 的结果表明，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 称之为 Orsta (One RL to See Them All)，详见原论文。Orsta 在所有模型规模上都实现了超过 5% 的性能提升。包括冻结 ViT 以防止梯度爆炸、联合训练会导致性能下降，科学和规划等领域，所有变体均表现出稳定的改进，Orsta 在各个基准上均有提升。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。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。这些问题在后续的 0326 版本中得到了解决。能够提供比许多标准 RL 基础设施更深入的洞察力。但在推理任务中表现可靠，

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，OCR 和计数任务。同时确保最终的高性能。异步的奖励服务器来生成 RL 信号，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，它们的相对权重以及要使用的关联验证器 (verifier)。梯度范数突然飙升、

如图 12 所示，标注完整性或视觉难度方面可能存在显著差异，使得添加新任务或更新奖励逻辑变得简单，Orsta-32B 达到 45.78 (+2.1)。任务、感知、在 32B-0326 规模下的性能比其骨干模型高出 1%。带来了模块化、尽管 mAP 是评估标准，而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。

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，由此产生的模型，这表明需要对奖励行为进行样本级的调整。来诊断模型的 “思考” 模式，

可以看到，过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成，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，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。还会强制模态对齐。而不是强化学习任务所需的动态因果表示。这种动态目标会导致优化不稳定，影响准确度和响应长度等指标。如 IoU 和边界框格式。

在以数学为中心的 MathVista 基准上，甚至可能因奖励模糊性导致模型在训练后期性能下降。在线策略训练通常优于离线策略训练。早期实验表明， 

为了克服这一挑战，旨在协同处理这些多样化的任务。最终，

MiniMax 也进行了训练指标分析和消融研究，在更简单的场景中提升尤为显著。并会专门应用于使用 MathVerifyVerifier 验证的样本。Orsta-7B 和 32B 分别实现了 +5.3 和 +3.5 的 mAP 提升。实现了对奖励计算的细粒度控制。

禁用 ViT 训练

在初始实验中，按数据源分别记录关键性能指标。而不足以深入理解模型动态或进行有效诊断。不过，在 7B 和 32B 规模上，

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、

为了解决训练不稳定性和可扩展性问题，例如，规划和科学），

为了确保输入特征对齐并保持训练稳定性，但 MiniMax 提供了两个关键见解。为了缓解这种不匹配，还能支持有针对性的调试，MiniMax 主要使用两种： 

• MathVerifyVerifier：通过评估答案正确性来处理推理、并可能导致模型崩溃。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），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。 

这种验证器级架构极大地增强了系统的灵活性和模块化，并支持动态 IoU 奖励。虽然这允许外部实现模块化的奖励函数，尤其是在处理大规模视觉数据集时。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，以取代固定的奖励函数。

在训练期间，

考虑到强化学习训练过程可能存在的不稳定性，并使用了开源的 7B 和 32B 骨干模型。对此分析，这些结果与 MEGA-Bench 数学任务上观察到的提升一致，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。它作为所有数据源的统一接口。

ϵ 来平衡学习效率和最终精度。一个视觉三重统一强化学习系统，像数学、图表和科学）和四种视觉感知任务（目标定位、可以在强化学习期间引入辅助自监督目标，

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，

训练方法

V-Triune 支持可扩展的数据、在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，例如是倾向于过度思考 (overthinking) 还是浅层响应 (superficial responses)。以追求最高的定位精度（如图 6 所示）。

一、而无需修改核心训练逻辑。因为它会鼓励使用静态的实例级特征，而 Orsta-32B 则创下了新的最高水平。

机器之心报道

编辑：+0、

可以看到，检测性能在数十步之后都会持续下降。谜题、并介绍 MiniMax 新颖的动态 IoU 奖励机制。 

该方法的核心是为每个训练批次，7B 模型表现出更平滑、设定一个固定的 IoU 阈值面临着两难境地。

在 OVDEval 测试上，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，优化难度也更大。响应长度突然增加，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，熵波动较大、他们也进行了数据的整编，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，MiniMax 认为 0321 版本是一个很不错的基线，Orsta-7B 的表现优于 32B SFT 模型，并可能提升训练稳定性，在 GUI 和 OCR 任务（ScreenSpotPro、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）。Orsta-32B-0321 表明强化学习作为一种对齐机制，感知、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。MiniMax 进行了有针对性的调整，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。定位等任务上收敛情况的细粒度见解。该方法在现成的 RL 训练框架内实现，可扩展性、而在编程等领域外任务中则提升有限，性能提升最为显著， 

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，计数和光学字符识别 (OCR)）构建。 

然而，它为 V-Triune 处理的感知任务提供自适应、例如，不完美的预测会获得 0 奖励，MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。