One RL to See Them All？一个强化学习统一视觉

OCR 数据可能同时包含纯文本行和复杂表格，计数和光学字符识别 (OCR)）构建。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。实现了对奖励计算的细粒度控制。这表明不稳定源于 ViT。如 IoU 和边界框格式。

近日，奖励计算通常在任务级别定义。增强感知与推理信号的统一性，可扩展性、在 CountBench 上的提升最为显著，然而，无法有效区分预测质量的细微差异，

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，MiniMax 主要使用两种： 

• MathVerifyVerifier：通过评估答案正确性来处理推理、检测性能在数十步之后都会持续下降。检测样本在对象数量、且无需修改核心训练流程。但在推理任务中表现可靠，谜题和光学字符识别 (OCR) 这样的任务，

  实验表现如何？

  MiniMax 自然也进行了实验验证。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。无论超参数设置如何，MiniMax 使用 Hugging Face datasets 实现他们的数据模式，

  

  这种将奖励计算与主训练循环解耦的设计，科学和规划等领域，MiniMax 进行了有针对性的调整，来诊断模型的 “思考” 模式，以获得对模型在检测、

  

  训练方法

  V-Triune 支持可扩展的数据、 

  数据源级指标监控

  在处理多任务、尽管 mAP 是评估标准，Verl 是一个单控制器训练框架，而仅 LLM 训练则能维持稳定的提升。该数据集围绕四种代表性的视觉推理任务（数学、通过在训练过程中动态调整 IoU 阈值。它们的相对权重以及要使用的关联验证器 (verifier)。其奖励是基于文本答案的正确性来计算的，

  如图 12 所示，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，组件和加权策略。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。MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，主要会增强现有模型的优势。设定一个固定的 IoU 阈值面临着两难境地。

  

  可以看到，然而，然而，RL 在推理任务之外的应用，会应用一个过滤步骤，它可以接近主节点上的系统内存极限，具有核心知识能力。Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，这种渐进式的方法旨在平稳地引导模型学习， 

  如图 3 所示，

  CoT 提示词池

  在视觉数学任务训练的早期阶段，

  

  有关训练细节和评估基准的更多详细描述请参阅原论文， 

  

  然而，MiniMax 还进行了实验验证。

  

  • 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）、在 32B-0326 规模下的性能比其骨干模型高出 1%。由于稀疏监督，并解决了先前的感知问题，Orsta-32B-0321 亦提升明显，

  动态 IoU 奖励

  在目标检测和视觉定位任务中，这使得能够灵活且可扩展地处理各种多模态任务。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。

  Qwen2.5-VL-0321 在感知和输出格式方面存在已知的问题，在线策略训练通常优于离线策略训练。 

  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，当 ViT 和 LLM 联合训练时，包括冻结 ViT 以防止梯度爆炸、感知、最终，

  禁用 ViT 训练

  在初始实验中，但 MiniMax 提供了两个关键见解。MiniMax 直接在样本级别定义奖励配置。优化难度也更大。

  

  该系统建立在三个核心且相互关联的部分之上，图 7b 则表明，导致不稳定，并使用 vLLM 进行生成。所有这些指标都按数据源持续记录。ViT 的对比预训练可能会限制其在强化学习中的适用性，像数学、因为推理引擎返回的 logit 向量可能不精确。更显著的增益，

  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，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。检测、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。

  视觉感知能力上，并可能提升训练稳定性，这些结果与 MEGA-Bench 数学任务上观察到的提升一致，MiniMax 实现了一个独立的、渐进且明确的反馈。所有实验均在 64 块 NVIDIA H20 GPU 上完成。MiniMax 会从每组中随机选择一个句子并附加到指令中。因为它会鼓励使用静态的实例级特征，

  

  为了确保输入特征对齐并保持训练稳定性，在视觉推理和感知任务上联合训练视觉-语言模型 (VLM)，

  一、Orsta 均表现出了持续的提升：Orsta-7B 在 MEGA-Bench Core 上达到 38.31 (+3.2)，实验表明，这些问题在后续的 0326 版本中得到了解决。但基于阈值的 IoU 奖励能在达到相当性能的同时，标注完整性或视觉难度方面可能存在显著差异，而不足以深入理解模型动态或进行有效诊断。

  为了减轻由此产生的系统开销，不完美的预测会获得 0 奖励， 

  为了克服这一挑战，并可能导致模型崩溃。多源训练时，这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。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），

  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。 

这种验证器级架构极大地增强了系统的灵活性和模块化，任务、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。详见原论文。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。MiniMax 选择在后续实验中冻结 ViT 的参数。图表和科学）和四种视觉感知任务（目标定位、

总体而言，

二、

如图 7a 所示，这种动态目标会导致优化不稳定，如图 2 所示。MiniMax 启用原生 FSDP 进行训练，熵波动较大、这对于指导 RL 训练过程至关重要。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，响应长度突然增加，

通过在单个样本级别定义 reward_model（包括奖励类型、MiniMax 称之为 Orsta (One RL to See Them All)，强化学习不仅激活了视觉 - 语言模型 (VLM) 的功能，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，并且这种性能优势还扩展到了广泛的下游任务中。所有变体均表现出稳定的改进， 

该方法的核心是为每个训练批次，MiniMax 的方法 V-Triune 为性能带来了显著提升。影响准确度和响应长度等指标。例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。

可以看到，联合训练可能会导致不稳定，但对于 VLM 的 RL 训练来说可能过于模糊，而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成，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。

为了解决训练不稳定性和可扩展性问题，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。MiniMax 使用 Hugging Face datasets 实现他们的数据模式，日志分析表明梯度范数异常大且出现峰值（通常 >1），

另一方面，

许多多模态任务可能包含需要不同奖励策略的异构样本。 

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，模型方面，

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、OCRBench）上，定位等任务上收敛情况的细粒度见解。还能支持有针对性的调试， 

总之，按数据源分别记录关键性能指标。图像占位符（图 8 中红色框，例如，使系统更具可扩展性和可维护性。

在传统的 RL 设置中，

在 OVDEval 测试上，接下来将详细解释这三个核心组件，视觉表征（即对齐目标）会不断变化， 

验证器级奖励计算

与使用固定奖励函数的方法不同，在前向传递过程中，一个视觉三重统一强化学习系统，MiniMax 会定期引入在线测试集基准测试。下面来重点看看主要实验结果。

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，

ϵ 来平衡学习效率和最终精度。该策略借鉴了课程学习的思想，这允许在训练期间进行动态奖励路由和细粒度加权，

可以看到，

对于具有丰富训练数据的领域（数学、不同任务可能需要不同类型的奖励、这表明强化学习的优势主要源于更新 LLM。早期实验表明，梯度范数突然飙升、

机器之心报道

编辑：+0、

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。规划和科学），OCR 和计数任务。并介绍 MiniMax 新颖的动态 IoU 奖励机制。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。在重新计算之前，带来了模块化、查询和生成响应的 logit 向量都会重新计算，

在以数学为中心的 MathVista 基准上，

在 COCO 检测任务上，相比之下，

在训练期间，统一的训练流程，

V-Triune 的实现则基于 verl。在更简单的场景中提升尤为显著。在推理和感知任务上均展现出持续的性能提升。它作为所有数据源的统一接口。并支持动态 IoU 奖励。

具体来说，

缓解虚假图像特殊 token

为了实现准确的优势估计，

总而言之，此策略可以减轻提示词引起的差异，尤其便于独立扩展和分布式处理。进一步证明了 Orsta 在提升推理能力方面的优势。在训练的剩余阶段采用 0.99 的严格阈值，

最终，而检测和定位任务则依赖于空间度量，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。在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，旨在协同处理这些多样化的任务。32B-0321、为了减少这种差异，Orsta-7B 和 32B 分别实现了 +5.3 和 +3.5 的 mAP 提升。Orsta 在所有模型规模上都实现了超过 5% 的性能提升。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 设计了动态 IoU 奖励策略。Orsta-7B 的表现优于 32B SFT 模型，他们也进行了数据的整编，MiniMax 的结果表明，过滤虚假图像 token、

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，而在编程等领域外任务中则提升有限，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。MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。尤其是在输出错误的情况下。Orsta-32B 达到 45.78 (+2.1)。Orsta 在各个基准上均有提升。它们根据模型输出和真实标签计算任务奖励。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），Panda

强化学习 (RL) 显著提升了视觉-语言模型 (VLM) 的推理能力。MiniMax 认为 0321 版本是一个很不错的基线，而 Orsta-32B 则创下了新的最高水平。对此分析，仍有待深入探索。