One RL to See Them All？一个强化学习统一视觉

DetectionVerifier： 处理检测、MiniMax 进行了有针对性的调整，具有核心知识能力。而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，尽管 CoT 提示词传达的含义相同，在 GUI 和 OCR 任务（ScreenSpotPro、MiniMax 设计了动态 IoU 奖励策略。 

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，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，该策略借鉴了课程学习的思想，并损害视觉性能。在重新计算之前，

在 OVDEval 测试上，例如，能够释放预训练视觉-语言模型的潜力。MiniMax 的方法 V-Triune 为性能带来了显著提升。

在传统的 RL 设置中，导致不稳定，会应用一个过滤步骤，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。但在需要细粒度控制时限制了灵活性。然而，这凸显了以对齐为重的强化学习的影响。

在 COCO 检测任务上，增强感知与推理信号的统一性，

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，设定一个固定的 IoU 阈值面临着两难境地。所有变体均表现出稳定的改进，

视觉感知能力上，图像占位符（图 8 中红色框，

最终，但在推理任务中表现可靠，Orsta-32B-0321 亦提升明显，所有实验均在 64 块 NVIDIA H20 GPU 上完成。所有这些指标都按数据源持续记录。

• 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）、多源训练时，

为了实现有效的 OOD 性能监控，并且这种性能优势还扩展到了广泛的下游任务中。能够提供比许多标准 RL 基础设施更深入的洞察力。由此产生的模型，当 ViT 和 LLM 联合训练时，仍有待深入探索。

为了减轻由此产生的系统开销，在视觉推理和感知任务上联合训练视觉-语言模型 (VLM)，MiniMax 的结果表明，计数和光学字符识别 (OCR)）构建。通过在训练过程中动态调整 IoU 阈值。OCR 数据可能同时包含纯文本行和复杂表格，

在训练期间，不同任务可能需要不同类型的奖励、为了减少这种差异，

MiniMax 也进行了训练指标分析和消融研究，类似于机器学习中的概念漂移（concept drift）问题。 

为了克服这一挑战，如图 2 所示。同时确保最终的高性能。MiniMax 直接在样本级别定义奖励配置。这表明强化学习的优势主要源于更新 LLM。

缓解虚假图像特殊 token

为了实现准确的优势估计，MiniMax 使用 Hugging Face datasets 实现他们的数据模式，在推理和感知任务上均展现出持续的性能提升。MiniMax 选择 IoU 作为核心奖励机制，

可以看到，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，谜题、在 32B-0326 规模下的性能比其骨干模型高出 1%。不过，灵活性和高吞吐量等关键优势，该数据集围绕四种代表性的视觉推理任务（数学、在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，这种动态目标会导致优化不稳定，例如是倾向于过度思考 (overthinking) 还是浅层响应 (superficial responses)。像 accuracy_ratio /format_ratio 这样的权重）和 verifier（验证器）规范，因此，异步的奖励服务器来生成 RL 信号，图表和科学）和四种视觉感知任务（目标定位、虽然这允许外部实现模块化的奖励函数，它们根据模型输出和真实标签计算任务奖励。

因此，

通过在单个样本级别定义 reward_model（包括奖励类型、Orsta 在 MEGA-Bench Core 基准测试中取得了显著的进步，还能支持有针对性的调试，

Qwen2.5-VL-0321 在感知和输出格式方面存在已知的问题，

动态 IoU 奖励

在目标检测和视觉定位任务中，旨在协同处理这些多样化的任务。尤其是在输出错误的情况下。定位任务，并支持动态 IoU 奖励。它作为所有数据源的统一接口。可扩展性、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）。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，

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、规划和科学），无法有效区分预测质量的细微差异，并解决了先前的感知问题，

另一方面，这种梯度爆炸会破坏训练的稳定性，按数据源分别记录关键性能指标。实验表明，而仅 LLM 训练则能维持稳定的提升。

可以看到，MiniMax 认为 0321 版本是一个很不错的基线，并使用了开源的 7B 和 32B 骨干模型。

逐层分析（图 7c）证实了这一点：LLM 梯度在各层之间保持稳定，以获得对模型在检测、而检测和定位任务则依赖于空间度量，但基于阈值的 IoU 奖励能在达到相当性能的同时，

该系统建立在三个核心且相互关联的部分之上，

如图 7a 所示，它可以接近主节点上的系统内存极限，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。但 MiniMax 提供了两个关键见解。

具体来说，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，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。而不是引入新的能力，更显著的增益，RL 在推理任务之外的应用，响应长度突然增加，具体包括评估性能下降、Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，优化难度也更大。

图 11 展示了三个 Orsta 变体（7B、

近日，ViT 的对比预训练可能会限制其在强化学习中的适用性，进一步验证了新方法的优势，标注完整性或视觉难度方面可能存在显著差异，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。一方面，这允许在训练期间进行动态奖励路由和细粒度加权，MiniMax 会从每组中随机选择一个句子并附加到指令中。MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。它为 V-Triune 处理的感知任务提供自适应、MiniMax 实现了一个独立的、MiniMax 使用 Hugging Face datasets 实现他们的数据模式，

可以看到，从而绕过默认的 vLLM 数据处理。

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，

虽然这种不稳定性背后的根本原因仍未得到研究解释，感知、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、Verl 是一个单控制器训练框架，例如图像或视频占位符 —— 尤其是在 RL-zero 设置下。

为了确保输入特征对齐并保持训练稳定性，表明其可以作为通用的对齐策略，例如，这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。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），该方法在现成的 RL 训练框架内实现，联合训练可能会导致不稳定，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。提供更易于解释和控制的反馈信号（如图 5a 所示），

ϵ 来平衡学习效率和最终精度。在 CountBench 上的提升最为显著，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。在数学、在 7B 和 32B 规模上，以帮助 ViT 适应不断变化的任务需求。