One RL to See Them All？一个强化学习统一视觉-语言任务！

强化学习 (RL) 显著提升了视觉-语言模型 (VLM) 的推理能力。然而，RL 在推理任务之外的应用，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，仍有待深入探索。

近日，国内初创公司 MiniMax 提出了 V-Triune，一个视觉三重统一强化学习系统，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。

• 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）、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）。

MiniMax 进一步引入了一种新颖的动态 IoU 奖励，它为 V-Triune 处理的感知任务提供自适应、渐进且明确的反馈。该方法在现成的 RL 训练框架内实现，并使用了开源的 7B 和 32B 骨干模型。由此产生的模型，MiniMax 称之为 Orsta (One RL to See Them All)，在推理和感知任务上均展现出持续的性能提升。

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，该数据集围绕四种代表性的视觉推理任务（数学、谜题、图表和科学）和四种视觉感知任务（目标定位、检测、计数和光学字符识别 (OCR)）构建。

最终，Orsta 在 MEGA-Bench Core 基准测试中取得了显著的进步，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，并且这种性能优势还扩展到了广泛的下游任务中。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。

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、统一的训练流程，在视觉推理和感知任务上联合训练视觉-语言模型 (VLM)，如图 2 所示。

该系统建立在三个核心且相互关联的部分之上，旨在协同处理这些多样化的任务。接下来将详细解释这三个核心组件，并介绍 MiniMax 新颖的动态 IoU 奖励机制。

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，不同任务可能需要不同类型的奖励、组件和加权策略。例如，像数学、谜题和光学字符识别 (OCR) 这样的任务，其奖励是基于文本答案的正确性来计算的，而检测和定位任务则依赖于空间度量，如 IoU 和边界框格式。

在传统的 RL 设置中，奖励计算通常在任务级别定义。虽然这允许外部实现模块化的奖励函数，但在需要细粒度控制时限制了灵活性。

许多多模态任务可能包含需要不同奖励策略的异构样本。例如，OCR 数据可能同时包含纯文本行和复杂表格，每种都需要不同的评估规则。

同样，检测样本在对象数量、标注完整性或视觉难度方面可能存在显著差异，这表明需要对奖励行为进行样本级的调整。

为了支持这种灵活性，MiniMax 直接在样本级别定义奖励配置。每个样本指定要计算的奖励类型、它们的相对权重以及要使用的关联验证器 (verifier)。这允许在训练期间进行动态奖励路由和细粒度加权，而无需修改核心训练逻辑。

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，使系统更具可扩展性和可维护性。

如图 3 所示，MiniMax 使用 Hugging Face datasets 实现他们的数据模式，它作为所有数据源的统一接口。

通过在单个样本级别定义 reward_model（包括奖励类型、像 accuracy_ratio /format_ratio 这样的权重）和 verifier（验证器）规范，实现了对奖励计算的细粒度控制。这使得能够灵活且可扩展地处理各种多模态任务。

总之，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，同时允许高度灵活和可扩展的奖励控制。

验证器级奖励计算

与使用固定奖励函数的方法不同，MiniMax 实现了一个独立的、异步的奖励服务器来生成 RL 信号，以取代固定的奖励函数。 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。

这种将奖励计算与主训练循环解耦的设计，带来了模块化、可扩展性、灵活性和高吞吐量等关键优势，尤其便于独立扩展和分布式处理。

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，它们根据模型输出和真实标签计算任务奖励。MiniMax 主要使用两种：

• MathVerifyVerifier：通过评估答案正确性来处理推理、OCR 和计数任务。
• DetectionVerifier： 处理检测、定位任务，并支持动态 IoU 奖励。

这种验证器级架构极大地增强了系统的灵活性和模块化，使得添加新任务或更新奖励逻辑变得简单，且无需修改核心训练流程。

数据源级指标监控

在处理多任务、多源训练时，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，而不足以深入理解模型动态或进行有效诊断。因此，MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。

该方法的核心是为每个训练批次，按数据源分别记录关键性能指标。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，还能支持有针对性的调试，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。

考虑到强化学习训练过程可能存在的不稳定性，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，能够提供比许多标准 RL 基础设施更深入的洞察力。

具体来说，监控的关键指标包括：

1. 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。
2. 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，以获得对模型在检测、定位等任务上收敛情况的细粒度见解。
3. 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。
4. 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，来诊断模型的 “思考” 模式，例如是倾向于过度思考 (overthinking) 还是浅层响应 (superficial responses)。所有这些指标都按数据源持续记录。

动态 IoU 奖励

在目标检测和视觉定位任务中，MiniMax 选择 IoU 作为核心奖励机制，而非直接使用 mAP。实验表明，尽管 mAP 是评估标准，但基于阈值的 IoU 奖励能在达到相当性能的同时，提供更易于解释和控制的反馈信号（如图 5a 所示），这对于指导 RL 训练过程至关重要。

然而，设定一个固定的 IoU 阈值面临着两难境地。一方面，过于宽松的阈值（例如 𝜖 = 0.5 ）虽然容易达成，但对于 VLM 的 RL 训练来说可能过于模糊，无法有效区分预测质量的细微差异，甚至可能因奖励模糊性导致模型在训练后期性能下降。

另一方面，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，增强感知与推理信号的统一性，并可能提升训练稳定性，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、不完美的预测会获得 0 奖励，使得模型难以学习（如图 5b 所示）。

为了克服这一挑战，MiniMax 设计了动态 IoU 奖励策略。该策略借鉴了课程学习的思想，通过在训练过程中动态调整 IoU 阈值。

ϵ 来平衡学习效率和最终精度。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，以便模型快速入门；在接下来的 15% 步骤中提升至 0.95；最后，在训练的剩余阶段采用 0.99 的严格阈值，以追求最高的定位精度（如图 6 所示）。这种渐进式的方法旨在平稳地引导模型学习，避免冷启动，同时确保最终的高性能。

训练方法

V-Triune 支持可扩展的数据、任务、验证器和指标系统。不过，早期实验表明，联合训练可能会导致不稳定，具体包括评估性能下降、梯度范数突然飙升、熵波动较大、响应长度突然增加，尤其是在输出错误的情况下。

为了解决训练不稳定性和可扩展性问题，MiniMax 进行了有针对性的调整，包括冻结 ViT 以防止梯度爆炸、过滤虚假图像 token、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。

禁用 ViT 训练

在初始实验中，MiniMax 的做法是通过联合优化 ViT 和 LLM 进行全参数训练。然而，无论超参数设置如何，检测性能在数十步之后都会持续下降。日志分析表明梯度范数异常大且出现峰值（通常 >1），这表明不稳定源于 ViT。对此分析，MiniMax 还进行了实验验证。

如图 7a 所示，联合训练会导致性能下降，而仅 LLM 训练则能维持稳定的提升。仅 ViT 训练的提升甚微，这表明强化学习的优势主要源于更新 LLM。图 7b 则表明，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。

逐层分析（图 7c）证实了这一点：LLM 梯度在各层之间保持稳定，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。这种梯度爆炸会破坏训练的稳定性，并损害视觉性能。

因此，MiniMax 选择在后续实验中冻结 ViT 的参数。

虽然这种不稳定性背后的根本原因仍未得到研究解释，但 MiniMax 提供了两个关键见解。

一、强化学习不仅激活了视觉 - 语言模型 (VLM) 的功能，还会强制模态对齐。当 ViT 和 LLM 联合训练时，视觉表征（即对齐目标）会不断变化，导致不稳定，类似于机器学习中的概念漂移（concept drift）问题。这种动态目标会导致优化不稳定，并可能导致模型崩溃。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。

二、ViT 的对比预训练可能会限制其在强化学习中的适用性，因为它会鼓励使用静态的实例级特征，而不是强化学习任务所需的动态因果表示。为了缓解这种不匹配，可以在强化学习期间引入辅助自监督目标，以帮助 ViT 适应不断变化的任务需求。

缓解虚假图像特殊 token

为了实现准确的优势估计，查询和生成响应的 logit 向量都会重新计算，因为推理引擎返回的 logit 向量可能不精确。在前向传递过程中，图像占位符（图 8 中红色框，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。然而，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），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，在重新计算之前，会应用一个过滤步骤，将所有此类特殊 token 从 rollout 序列中移除。

CoT 提示词池

在视觉数学任务训练的早期阶段，尽管 CoT 提示词传达的含义相同，但其差异可能会影响模型性能，影响准确度和响应长度等指标。为了减少这种差异，MiniMax 构建了一个 CoT 提示词池，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。

在训练期间，MiniMax 会从每组中随机选择一个句子并附加到指令中。此策略可以减轻提示词引起的差异，并会专门应用于使用 MathVerifyVerifier 验证的样本。

系统内存管理

V-Trinue 基于 Verl 实现，Verl 是一个单控制器训练框架，它可以接近主节点上的系统内存极限，尤其是在处理大规模视觉数据集时。

为了实现有效的 OOD 性能监控，MiniMax 会定期引入在线测试集基准测试。

为了减轻由此产生的系统开销，MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，从而绕过默认的 vLLM 数据处理。

实验表现如何？

MiniMax 自然也进行了实验验证。模型方面，他们采用了 Qwen2.5-VL-7B-Instruct 和 Qwen2.5-VL-32B-Instruct 作为基础模型。

V-Triune 的实现则基于 verl。MiniMax 启用原生 FSDP 进行训练，并使用 vLLM 进行生成。所有实验均在 64 块 NVIDIA H20 GPU 上完成。

此外，他们也进行了数据的整编，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。最终，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。

有关训练细节和评估基准的更多详细描述请参阅原论文，下面来重点看看主要实验结果。

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。

可以看到，在 7B 和 32B 规模上，Orsta 均表现出了持续的提升：Orsta-7B 在 MEGA-Bench Core 上达到 38.31 (+3.2)，Orsta-32B 达到 45.78 (+2.1)。

对于具有丰富训练数据的领域（数学、感知、规划和科学），MiniMax 的方法 V-Triune 为性能带来了显著提升。这表明其在推理和感知任务中均具有强大的泛化能力。相比之下，由于稀疏监督，编程和指标相关任务的提升有限，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。

图 11 展示了三个 Orsta 变体（7B、32B-0321、32B-0326）在在线策略和离线策略强化学习下的 MEGA-Bench 性能轨迹。

可以看到，所有变体均表现出稳定的改进，在线策略训练通常优于离线策略训练。7B 模型表现出更平滑、更显著的增益，而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，优化难度也更大。

Qwen2.5-VL-0321 在感知和输出格式方面存在已知的问题，但在推理任务中表现可靠，这已得到 MiniMax 的评估和 VL-Rethinker 研究的证实。这些问题在后续的 0326 版本中得到了解决。MiniMax 认为 0321 版本是一个很不错的基线，具有核心知识能力。

如图 12 所示，Orsta-32B-0321 表明强化学习作为一种对齐机制，而不是引入新的能力，主要会增强现有模型的优势。在数学、感知、科学和规划等领域，性能提升最为显著，而在编程等领域外任务中则提升有限，这凸显了以对齐为重的强化学习的影响。

总而言之，MiniMax 的结果表明，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。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，表明其可以作为通用的对齐策略，能够释放预训练视觉-语言模型的潜力。

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。

可以看到，在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，在 32B-0326 规模下的性能比其骨干模型高出 1%。

在以数学为中心的 MathVista 基准上，Orsta 在所有模型规模上都实现了超过 5% 的性能提升。这些结果与 MEGA-Bench 数学任务上观察到的提升一致，进一步证明了 Orsta 在提升推理能力方面的优势。

视觉感知能力上，Orsta 在各个基准上均有提升。

在 COCO 检测任务上，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），在更简单的场景中提升尤为显著。Orsta-32B-0321 亦提升明显，并解决了先前的感知问题，而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。

在 OVDEval 测试上，Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，验证了动态 IoU 奖励的有效性。在 GUI 和 OCR 任务（ScreenSpotPro、OCRBench）上，Orsta-7B 和 32B 分别实现了 +5.3 和 +3.5 的 mAP 提升。在 CountBench 上的提升最为显著，Orsta-7B 的表现优于 32B SFT 模型，而 Orsta-32B 则创下了新的最高水平。

总体而言，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。

MiniMax 也进行了训练指标分析和消融研究，进一步验证了新方法的优势，详见原论文。

文章来自于“机器之心”，作者“+0、Panda”。