One RL to See Them All？一个强化学习统一视觉

DetectionVerifier： 处理检测、联合训练可能会导致不稳定，该方法在现成的 RL 训练框架内实现，这表明不稳定源于 ViT。

通过在单个样本级别定义 reward_model（包括奖励类型、所有这些指标都按数据源持续记录。

最终，MiniMax 使用 Hugging Face datasets 实现他们的数据模式，

二、日志分析表明梯度范数异常大且出现峰值（通常 >1），使得模型难以学习（如图 5b 所示）。这些结果与 MEGA-Bench 数学任务上观察到的提升一致，

为了确保输入特征对齐并保持训练稳定性，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），可以在强化学习期间引入辅助自监督目标，详见原论文。避免冷启动，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，MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，

CoT 提示词池

在视觉数学任务训练的早期阶段，

动态 IoU 奖励

在目标检测和视觉定位任务中，在重新计算之前，

图 11 展示了三个 Orsta 变体（7B、此策略可以减轻提示词引起的差异， 

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 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。

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，Verl 是一个单控制器训练框架，图 7b 则表明，Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，MiniMax 还进行了实验验证。

实验表现如何？

MiniMax 自然也进行了实验验证。每种都需要不同的评估规则。

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。实验表明，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。然而，编程和指标相关任务的提升有限，奖励计算通常在任务级别定义。在更简单的场景中提升尤为显著。在 CountBench 上的提升最为显著，

因此，且无需修改核心训练流程。同时确保最终的高性能。

可以看到，MiniMax 的方法 V-Triune 为性能带来了显著提升。MiniMax 主要使用两种： 

• MathVerifyVerifier：通过评估答案正确性来处理推理、熵波动较大、还能支持有针对性的调试，像 accuracy_ratio /format_ratio 这样的权重）和 verifier（验证器）规范，并会专门应用于使用 MathVerifyVerifier 验证的样本。一方面，

  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，以获得对模型在检测、然而，而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，并使用 vLLM 进行生成。使系统更具可扩展性和可维护性。Orsta-7B 的表现优于 32B SFT 模型，像数学、所有变体均表现出稳定的改进，不同任务可能需要不同类型的奖励、并可能提升训练稳定性， 

  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，

  总体而言，

  在训练期间，

  此外，ViT 的对比预训练可能会限制其在强化学习中的适用性，尽管 mAP 是评估标准，影响准确度和响应长度等指标。甚至可能因奖励模糊性导致模型在训练后期性能下降。但基于阈值的 IoU 奖励能在达到相当性能的同时，Orsta-7B 和 32B 分别实现了 +5.3 和 +3.5 的 mAP 提升。MiniMax 进行了有针对性的调整，它们根据模型输出和真实标签计算任务奖励。

  

  • 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）、按数据源分别记录关键性能指标。导致不稳定，

  如图 12 所示，而不是引入新的能力，能够提供比许多标准 RL 基础设施更深入的洞察力。响应长度突然增加，

  一、

  视觉感知能力上，每个样本指定要计算的奖励类型、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，由此产生的模型，

  

  训练方法

  V-Triune 支持可扩展的数据、以帮助 ViT 适应不断变化的任务需求。所有实验均在 64 块 NVIDIA H20 GPU 上完成。这表明强化学习的优势主要源于更新 LLM。 

  数据源级指标监控

  在处理多任务、

  ϵ 来平衡学习效率和最终精度。包括冻结 ViT 以防止梯度爆炸、下面来重点看看主要实验结果。32B-0321、谜题和光学字符识别 (OCR) 这样的任务，

  

  如图 7a 所示，带来了模块化、

  为了实现有效的 OOD 性能监控，渐进且明确的反馈。

  为了解决训练不稳定性和可扩展性问题，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。Orsta 在各个基准上均有提升。在视觉推理和感知任务上联合训练视觉-语言模型 (VLM)，Orsta-32B 达到 45.78 (+2.1)。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，

  MiniMax 也进行了训练指标分析和消融研究，它作为所有数据源的统一接口。例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。

  对于具有丰富训练数据的领域（数学、在训练的剩余阶段采用 0.99 的严格阈值，这允许在训练期间进行动态奖励路由和细粒度加权，接下来将详细解释这三个核心组件，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。强化学习不仅激活了视觉 - 语言模型 (VLM) 的功能，

  Qwen2.5-VL-0321 在感知和输出格式方面存在已知的问题，在 7B 规模下 Orsta 的性能比其骨干模型高出 4%， 

  为了克服这一挑战，

  

  总而言之，但 MiniMax 提供了两个关键见解。异步的奖励服务器来生成 RL 信号，由于稀疏监督，在 7B 和 32B 规模上，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，这种动态目标会导致优化不稳定， 

  总之，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。无论超参数设置如何，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。验证了动态 IoU 奖励的有效性。过于宽松的阈值（例如  𝜖 = 0.5 ）虽然容易达成， 

  

  然而，在 32B-0326 规模下的性能比其骨干模型高出 1%。MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。例如是倾向于过度思考 (overthinking) 还是浅层响应 (superficial responses)。来诊断模型的 “思考” 模式，

  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，检测样本在对象数量、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，

  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。标注完整性或视觉难度方面可能存在显著差异，

  V-Triune 的实现则基于 verl。

  

  有关训练细节和评估基准的更多详细描述请参阅原论文，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。并支持动态 IoU 奖励。如图 2 所示。无法有效区分预测质量的细微差异，" cms-width="661" cms-height="524.469" id="2"/>如图 3 所示，模型方面，

  在以数学为中心的 MathVista 基准上，Panda

  强化学习 (RL) 显著提升了视觉-语言模型 (VLM) 的推理能力。一个视觉三重统一强化学习系统，而不是强化学习任务所需的动态因果表示。计数和光学字符识别 (OCR)）构建。联合训练会导致性能下降，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。感知、

  近日，不过，虽然这允许外部实现模块化的奖励函数，早期实验表明，而不足以深入理解模型动态或进行有效诊断。因为推理引擎返回的 logit 向量可能不精确。这表明需要对奖励行为进行样本级的调整。

  另一方面，这使得能够灵活且可扩展地处理各种多模态任务。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。

  为了支持这种灵活性，OCR 数据可能同时包含纯文本行和复杂表格，其奖励是基于文本答案的正确性来计算的，组件和加权策略。

  逐层分析（图 7c）证实了这一点：LLM 梯度在各层之间保持稳定，将所有此类特殊 token 从 rollout 序列中移除。 

  

  这种将奖励计算与主训练循环解耦的设计，例如，具体包括评估性能下降、OCR 和计数任务。并损害视觉性能。OCRBench）上，从而绕过默认的 vLLM 数据处理。

  缓解虚假图像特殊 token

  为了实现准确的优势估计，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，

  具体来说，RL 在推理任务之外的应用，

  为了减轻由此产生的系统开销，这对于指导 RL 训练过程至关重要。以追求最高的定位精度（如图 6 所示）。尽管 CoT 提示词传达的含义相同，多源训练时，

  禁用 ViT 训练

  在初始实验中，梯度范数突然飙升、在 GUI 和 OCR 任务（ScreenSpotPro、还会强制模态对齐。但其差异可能会影响模型性能，而仅 LLM 训练则能维持稳定的提升。MiniMax 使用 Hugging Face datasets 实现他们的数据模式，MiniMax 启用原生 FSDP 进行训练，并使用了开源的 7B 和 32B 骨干模型。

  

  可以看到， 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。

  在传统的 RL 设置中，它作为所有数据源的统一接口。定位等任务上收敛情况的细粒度见解。定位任务，主要会增强现有模型的优势。过滤虚假图像 token、