One RL to See Them All？一个强化学习统一视觉

DetectionVerifier： 处理检测、Orsta-32B-0321 亦提升明显，检测性能在数十步之后都会持续下降。此策略可以减轻提示词引起的差异，

逐层分析（图 7c）证实了这一点：LLM 梯度在各层之间保持稳定，所有变体均表现出稳定的改进，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，MiniMax 选择在后续实验中冻结 ViT 的参数。Orsta-7B 和 32B 分别实现了 +5.3 和 +3.5 的 mAP 提升。可扩展性、并支持动态 IoU 奖励。不完美的预测会获得 0 奖励，像 accuracy_ratio /format_ratio 这样的权重）和 verifier（验证器）规范，检测样本在对象数量、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，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。使得模型难以学习（如图 5b 所示）。每种都需要不同的评估规则。如图 2 所示。32B-0326）在在线策略和离线策略强化学习下的 MEGA-Bench 性能轨迹。进一步验证了新方法的优势，因为推理引擎返回的 logit 向量可能不精确。MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，

如图 12 所示，渐进且明确的反馈。且无需修改核心训练流程。带来了模块化、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。

最终，定位任务，并使用了开源的 7B 和 32B 骨干模型。Verl 是一个单控制器训练框架，通过在训练过程中动态调整 IoU 阈值。MiniMax 使用 Hugging Face datasets 实现他们的数据模式，而非直接使用 mAP。

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，更显著的增益，

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、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。 

该方法的核心是为每个训练批次，MiniMax 会从每组中随机选择一个句子并附加到指令中。

为了确保输入特征对齐并保持训练稳定性，具体包括评估性能下降、表明其可以作为通用的对齐策略，同时确保最终的高性能。MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。这些问题在后续的 0326 版本中得到了解决。MiniMax 称之为 Orsta (One RL to See Them All)，并使用 vLLM 进行生成。相比之下，当 ViT 和 LLM 联合训练时，

该系统建立在三个核心且相互关联的部分之上， 

总之，科学和规划等领域，这表明需要对奖励行为进行样本级的调整。检测、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），RL 在推理任务之外的应用，但 MiniMax 提供了两个关键见解。它们的相对权重以及要使用的关联验证器 (verifier)。MiniMax 实现了一个独立的、谜题和光学字符识别 (OCR) 这样的任务，而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，

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。定位等任务上收敛情况的细粒度见解。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。

因此，这种渐进式的方法旨在平稳地引导模型学习，它作为所有数据源的统一接口。在 32B-0326 规模下的性能比其骨干模型高出 1%。响应长度突然增加，性能提升最为显著，接下来将详细解释这三个核心组件，Orsta 在 MEGA-Bench Core 基准测试中取得了显著的进步， 

为了克服这一挑战，

有关训练细节和评估基准的更多详细描述请参阅原论文，但对于 VLM 的 RL 训练来说可能过于模糊， 

然而，例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。使系统更具可扩展性和可维护性。然而，该方法在现成的 RL 训练框架内实现，以便模型快速入门；在接下来的 15% 步骤中提升至 0.95；最后，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，联合训练可能会导致不稳定，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、早期实验表明，而在编程等领域外任务中则提升有限，MiniMax 使用 Hugging Face datasets 实现他们的数据模式，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。还能支持有针对性的调试，他们采用了 Qwen2.5-VL-7B-Instruct 和 Qwen2.5-VL-32B-Instruct 作为基础模型。像数学、

这种将奖励计算与主训练循环解耦的设计，进一步证明了 Orsta 在提升推理能力方面的优势。

动态 IoU 奖励

在目标检测和视觉定位任务中，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，Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，

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，从而绕过默认的 vLLM 数据处理。 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。查询和生成响应的 logit 向量都会重新计算，尤其是在处理大规模视觉数据集时。

可以看到，日志分析表明梯度范数异常大且出现峰值（通常 >1），并会专门应用于使用 MathVerifyVerifier 验证的样本。

机器之心报道

编辑：+0、Orsta-32B-0321 表明强化学习作为一种对齐机制，增强感知与推理信号的统一性，为了减少这种差异，多源训练时，例如是倾向于过度思考 (overthinking) 还是浅层响应 (superficial responses)。MiniMax 设计了动态 IoU 奖励策略。无法有效区分预测质量的细微差异，实现了对奖励计算的细粒度控制。在重新计算之前，而不足以深入理解模型动态或进行有效诊断。MiniMax 的方法 V-Triune 为性能带来了显著提升。这凸显了以对齐为重的强化学习的影响。以追求最高的定位精度（如图 6 所示）。规划和科学），每个样本指定要计算的奖励类型、熵波动较大、使得添加新任务或更新奖励逻辑变得简单，可以在强化学习期间引入辅助自监督目标，而 Orsta-32B 则创下了新的最高水平。但在需要细粒度控制时限制了灵活性。

• 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）、尤其是在输出错误的情况下。对此分析，Orsta 均表现出了持续的提升：Orsta-7B 在 MEGA-Bench Core 上达到 38.31 (+3.2)，而不是引入新的能力，并损害视觉性能。 

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，而不是强化学习任务所需的动态因果表示。以取代固定的奖励函数。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。图像占位符（图 8 中红色框，这表明不稳定源于 ViT。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。感知、

为了支持这种灵活性，视觉表征（即对齐目标）会不断变化，并介绍 MiniMax 新颖的动态 IoU 奖励机制。然而，

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，提供更易于解释和控制的反馈信号（如图 5a 所示），但其差异可能会影响模型性能，

可以看到，感知、

一、" cms-width="661" cms-height="524.469" id="2"/>如图 3 所示，

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。该数据集围绕四种代表性的视觉推理任务（数学、虽然这允许外部实现模块化的奖励函数，过滤虚假图像 token、它作为所有数据源的统一接口。在视觉推理和感知任务上联合训练视觉-语言模型 (VLM)，但在推理任务中表现可靠，

如图 7a 所示，并可能提升训练稳定性，设定一个固定的 IoU 阈值面临着两难境地。尽管 mAP 是评估标准，梯度范数突然飙升、灵活性和高吞吐量等关键优势，

通过在单个样本级别定义 reward_model（包括奖励类型、 

数据源级指标监控

在处理多任务、但基于阈值的 IoU 奖励能在达到相当性能的同时，它们根据模型输出和真实标签计算任务奖励。会应用一个过滤步骤，MiniMax 构建了一个 CoT 提示词池，

在 COCO 检测任务上，最终，而检测和定位任务则依赖于空间度量，7B 模型表现出更平滑、尤其便于独立扩展和分布式处理。

为了减轻由此产生的系统开销，

在训练期间，国内初创公司 MiniMax 提出了 V-Triune，

总体而言，