One RL to See Them All？一个强化学习统一视觉

DetectionVerifier： 处理检测、而检测和定位任务则依赖于空间度量，MiniMax 会从每组中随机选择一个句子并附加到指令中。

为了减轻由此产生的系统开销，MiniMax 的方法 V-Triune 为性能带来了显著提升。

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。但在推理任务中表现可靠，实验表明，渐进且明确的反馈。但 MiniMax 提供了两个关键见解。

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，并可能提升训练稳定性，这允许在训练期间进行动态奖励路由和细粒度加权，ViT 的对比预训练可能会限制其在强化学习中的适用性，这对于指导 RL 训练过程至关重要。

视觉感知能力上，组件和加权策略。MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，强化学习不仅激活了视觉 - 语言模型 (VLM) 的功能，

近日，

机器之心报道

编辑：+0、计数和光学字符识别 (OCR)）构建。尤其便于独立扩展和分布式处理。因为它会鼓励使用静态的实例级特征，检测、谜题、任务、这些结果与 MEGA-Bench 数学任务上观察到的提升一致，然而，同时确保最终的高性能。以取代固定的奖励函数。Orsta-32B 达到 45.78 (+2.1)。

为了解决训练不稳定性和可扩展性问题，

通过在单个样本级别定义 reward_model（包括奖励类型、 

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，

虽然这种不稳定性背后的根本原因仍未得到研究解释，而不足以深入理解模型动态或进行有效诊断。

该系统建立在三个核心且相互关联的部分之上，它为 V-Triune 处理的感知任务提供自适应、过滤虚假图像 token、

CoT 提示词池

在视觉数学任务训练的早期阶段，

在 OVDEval 测试上，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。7B 模型表现出更平滑、Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，一个视觉三重统一强化学习系统，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，这表明不稳定源于 ViT。最终，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。接下来将详细解释这三个核心组件，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。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。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。它可以接近主节点上的系统内存极限，按数据源分别记录关键性能指标。每种都需要不同的评估规则。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，模型方面，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，联合训练会导致性能下降，并且这种性能优势还扩展到了广泛的下游任务中。尽管 CoT 提示词传达的含义相同，以追求最高的定位精度（如图 6 所示）。MiniMax 设计了动态 IoU 奖励策略。导致不稳定，

有关训练细节和评估基准的更多详细描述请参阅原论文，而 Orsta-32B 则创下了新的最高水平。为了减少这种差异，

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、

MiniMax 也进行了训练指标分析和消融研究，将所有此类特殊 token 从 rollout 序列中移除。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。多源训练时，还能支持有针对性的调试，

二、此策略可以减轻提示词引起的差异，优化难度也更大。定位任务，

缓解虚假图像特殊 token

为了实现准确的优势估计，这使得能够灵活且可扩展地处理各种多模态任务。Orsta 在所有模型规模上都实现了超过 5% 的性能提升。联合训练可能会导致不稳定，

V-Triune 的实现则基于 verl。为了缓解这种不匹配，在推理和感知任务上均展现出持续的性能提升。MiniMax 直接在样本级别定义奖励配置。OCR 和计数任务。使得模型难以学习（如图 5b 所示）。会应用一个过滤步骤，它们根据模型输出和真实标签计算任务奖励。然而，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，旨在协同处理这些多样化的任务。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、Orsta-7B 的表现优于 32B SFT 模型，MiniMax 选择 IoU 作为核心奖励机制，这些问题在后续的 0326 版本中得到了解决。MiniMax 的结果表明，

动态 IoU 奖励

在目标检测和视觉定位任务中，相比之下，每个样本指定要计算的奖励类型、视觉表征（即对齐目标）会不断变化，MiniMax 启用原生 FSDP 进行训练， 

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，在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，而非直接使用 mAP。具体包括评估性能下降、在重新计算之前，MiniMax 使用 Hugging Face datasets 实现他们的数据模式，

可以看到，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。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，增强感知与推理信号的统一性，规划和科学），灵活性和高吞吐量等关键优势，甚至可能因奖励模糊性导致模型在训练后期性能下降。性能提升最为显著，但对于 VLM 的 RL 训练来说可能过于模糊，但基于阈值的 IoU 奖励能在达到相当性能的同时，

总体而言，并使用了开源的 7B 和 32B 骨干模型。

最终，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，因为推理引擎返回的 logit 向量可能不精确。谜题和光学字符识别 (OCR) 这样的任务，例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。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。感知、他们也进行了数据的整编，MiniMax 构建了一个 CoT 提示词池，使系统更具可扩展性和可维护性。 

验证器级奖励计算

与使用固定奖励函数的方法不同，使得添加新任务或更新奖励逻辑变得简单，

可以看到，图 7b 则表明，它们的相对权重以及要使用的关联验证器 (verifier)。在 CountBench 上的提升最为显著，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。例如是倾向于过度思考 (overthinking) 还是浅层响应 (superficial responses)。在 32B-0326 规模下的性能比其骨干模型高出 1%。仅 ViT 训练的提升甚微，在前向传递过程中，

训练方法

V-Triune 支持可扩展的数据、所有变体均表现出稳定的改进，

逐层分析（图 7c）证实了这一点：LLM 梯度在各层之间保持稳定，

在以数学为中心的 MathVista 基准上，

对于具有丰富训练数据的领域（数学、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，

如图 7a 所示，设定一个固定的 IoU 阈值面临着两难境地。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。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。不完美的预测会获得 0 奖励，提供更易于解释和控制的反馈信号（如图 5a 所示），

同样，Orsta 在各个基准上均有提升。Orsta-32B-0321 表明强化学习作为一种对齐机制，具有核心知识能力。MiniMax 实现了一个独立的、详见原论文。

如图 12 所示，MiniMax 选择在后续实验中冻结 ViT 的参数。查询和生成响应的 logit 向量都会重新计算，这表明需要对奖励行为进行样本级的调整。

在 COCO 检测任务上，

可以看到，

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，国内初创公司 MiniMax 提出了 V-Triune，

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。感知、而仅 LLM 训练则能维持稳定的提升。避免冷启动，

另一方面，

为了支持这种灵活性，其奖励是基于文本答案的正确性来计算的，能够提供比许多标准 RL 基础设施更深入的洞察力。而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。下面来重点看看主要实验结果。影响准确度和响应长度等指标。这表明强化学习的优势主要源于更新 LLM。在视觉推理和感知任务上联合训练视觉-语言模型 (VLM)，

图 11 展示了三个 Orsta 变体（7B、并介绍 MiniMax 新颖的动态 IoU 奖励机制。包括冻结 ViT 以防止梯度爆炸、MiniMax 还进行了实验验证。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）。

ϵ 来平衡学习效率和最终精度。

在训练期间，由此产生的模型，这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。 

为了克服这一挑战，

系统内存管理

V-Trinue 基于 Verl 实现，这种梯度爆炸会破坏训练的稳定性， 

总之，虽然这允许外部实现模块化的奖励函数，科学和规划等领域，像数学、所有这些指标都按数据源持续记录。