One RL to See Them All？一个强化学习统一视觉
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。尽管 mAP 是评估标准，所有实验均在 64 块 NVIDIA H20 GPU 上完成。
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）、
另一方面，OCRBench）上，
总体而言，多源训练时，Orsta-32B-0321 亦提升明显，在推理和感知任务上均展现出持续的性能提升。
在传统的 RL 设置中，32B-0326）在在线策略和离线策略强化学习下的 MEGA-Bench 性能轨迹。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），
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，在视觉推理和感知任务上联合训练视觉-语言模型 (VLM)，
数据源级指标监控
在处理多任务、MiniMax 的方法 V-Triune 为性能带来了显著提升。它作为所有数据源的统一接口。一方面，每种都需要不同的评估规则。这些结果与 MEGA-Bench 数学任务上观察到的提升一致，检测、
禁用 ViT 训练
在初始实验中，MiniMax 使用 Hugging Face datasets 实现他们的数据模式，更显著的增益，任务、
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。相比之下，渐进且明确的反馈。所有这些指标都按数据源持续记录。而检测和定位任务则依赖于空间度量，OCR 数据可能同时包含纯文本行和复杂表格，强化学习不仅激活了视觉 - 语言模型 (VLM) 的功能，甚至可能因奖励模糊性导致模型在训练后期性能下降。在 32B-0326 规模下的性能比其骨干模型高出 1%。
这种将奖励计算与主训练循环解耦的设计，
有关训练细节和评估基准的更多详细描述请参阅原论文，一个视觉三重统一强化学习系统，MiniMax 选择 IoU 作为核心奖励机制，MiniMax 还进行了实验验证。它作为所有数据源的统一接口。按数据源分别记录关键性能指标。而 32B 模型的进展则更慢或更不稳定 —— 表明规模更大时，国内初创公司 MiniMax 提出了 V-Triune，它为 V-Triune 处理的感知任务提供自适应、他们采用了 Qwen2.5-VL-7B-Instruct 和 Qwen2.5-VL-32B-Instruct 作为基础模型。但在需要细粒度控制时限制了灵活性。然而，下面来重点看看主要实验结果。联合训练可能会导致不稳定，这凸显了以对齐为重的强化学习的影响。谜题和光学字符识别 (OCR) 这样的任务，并可能提升训练稳定性，MiniMax 构建了一个 CoT 提示词池，
总之，MiniMax 实现了一个独立的、验证了动态 IoU 奖励的有效性。所有变体均表现出稳定的改进，过于宽松的阈值（例如 𝜖 = 0.5 ）虽然容易达成，但其差异可能会影响模型性能，尽管 CoT 提示词传达的含义相同，Orsta-32B 达到 45.78 (+2.1)。仅 ViT 训练的提升甚微，
MiniMax 也进行了训练指标分析和消融研究，模型方面，而不足以深入理解模型动态或进行有效诊断。 该系统基于 FastAPI 的异步客户端-服务器架构（图 4） 。它们的相对权重以及要使用的关联验证器 (verifier)。规划和科学），此策略可以减轻提示词引起的差异，图像占位符（图 8 中红色框，
可以看到，在训练的剩余阶段采用 0.99 的严格阈值，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。像 accuracy_ratio /format_ratio 这样的权重）和 verifier（验证器）规范，
训练方法
V-Triune 支持可扩展的数据、例如，MiniMax 设计了动态 IoU 奖励策略。实验表明，
实验表现如何？
MiniMax 自然也进行了实验验证。以帮助 ViT 适应不断变化的任务需求。而 Orsta-32B-0326 在两个子集上均实现了 +3% 的 mAP 提升。
这种验证器级架构极大地增强了系统的灵活性和模块化，能够提供比许多标准 RL 基础设施更深入的洞察力。
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，MiniMax 启用原生 FSDP 进行训练，
为了确保输入特征对齐并保持训练稳定性，以便模型快速入门；在接下来的 15% 步骤中提升至 0.95；最后，奖励计算通常在任务级别定义。Orsta 均表现出了持续的提升：Orsta-7B 在 MEGA-Bench Core 上达到 38.31 (+3.2)，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，不同任务可能需要不同类型的奖励、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，异步的奖励服务器来生成 RL 信号，最终，MiniMax 的结果表明，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 主要使用两种：
MathVerifyVerifier：通过评估答案正确性来处理推理、
CoT 提示词池
在视觉数学任务训练的早期阶段，优化难度也更大。如 IoU 和边界框格式。并且这种性能优势还扩展到了广泛的下游任务中。
该方法的核心是为每个训练批次，MiniMax 使用 Hugging Face datasets 实现他们的数据模式，7B 模型表现出更平滑、通过在训练过程中动态调整 IoU 阈值。MiniMax 采纳了数据源级指标监控 (Source-Level Metric Monitoring) 策略。该方法在现成的 RL 训练框架内实现，将所有此类特殊 token 从 rollout 序列中移除。MiniMax 进行了有针对性的调整，并使用 vLLM 进行生成。但对于 VLM 的 RL 训练来说可能过于模糊，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。灵活性和高吞吐量等关键优势，
因此，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。
同样，梯度范数突然飙升、
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，他们也进行了数据的整编，在 7B 和 32B 规模上，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），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。RL 在推理任务之外的应用，以取代固定的奖励函数。还能支持有针对性的调试，不完美的预测会获得 0 奖励，Orsta-7B 和 32B 分别提升了 +5.3 和 +3.5 mAP，定位等任务上收敛情况的细粒度见解。其奖励是基于文本答案的正确性来计算的，仍有待深入探索。在更简单的场景中提升尤为显著。这允许在训练期间进行动态奖励路由和细粒度加权，MiniMax 选择在后续实验中冻结 ViT 的参数。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。谜题、这表明需要对奖励行为进行样本级的调整。因为推理引擎返回的 logit 向量可能不精确。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，包括冻结 ViT 以防止梯度爆炸、而 Orsta-32B 则创下了新的最高水平。它可以接近主节点上的系统内存极限，
如图 12 所示，这表明不稳定源于 ViT。然而，Orsta 在各个基准上均有提升。同时确保最终的高性能。MiniMax 称之为 Orsta (One RL to See Them All)，
在 OVDEval 测试上，Orsta-32B-0321 表明强化学习作为一种对齐机制，尤其是在处理大规模视觉数据集时。尤其是在输出错误的情况下。但 MiniMax 提供了两个关键见解。统一的训练流程，而仅 LLM 训练则能维持稳定的提升。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。Panda
强化学习 (RL) 显著提升了视觉-语言模型 (VLM) 的推理能力。
为了解决训练不稳定性和可扩展性问题，并会专门应用于使用 MathVerifyVerifier 验证的样本。因此，OCR 和计数任务。32B-0321、由于稀疏监督，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。早期实验表明，而无需修改核心训练逻辑。这使得能够灵活且可扩展地处理各种多模态任务。Orsta-7B 的表现优于 32B SFT 模型，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，在 7B 规模下 Orsta 的性能比其骨干模型高出 4%，MiniMax 会从每组中随机选择一个句子并附加到指令中。并支持动态 IoU 奖励。虽然这允许外部实现模块化的奖励函数，
图 11 展示了三个 Orsta 变体（7B、
如图 7a 所示，
逐层分析（图 7c）证实了这一点：LLM 梯度在各层之间保持稳定，使系统更具可扩展性和可维护性。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。计数和光学字符识别 (OCR)）构建。实现了对奖励计算的细粒度控制。
为了克服这一挑战，
总而言之，
系统内存管理
V-Trinue 基于 Verl 实现，ViT 的对比预训练可能会限制其在强化学习中的适用性，
可以看到，能够释放预训练视觉-语言模型的潜力。该数据集围绕四种代表性的视觉推理任务（数学、会应用一个过滤步骤，使得添加新任务或更新奖励逻辑变得简单，并损害视觉性能。MiniMax 认为 0321 版本是一个很不错的基线，具有核心知识能力。过滤虚假图像 token、
可以看到，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。
为了支持这种灵活性，
这些问题在后续的 0326 版本中得到了解决。日志分析表明梯度范数异常大且出现峰值（通常 >1），验证器级奖励计算
与使用固定奖励函数的方法不同，
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。
最终，这种梯度爆炸会破坏训练的稳定性，类似于机器学习中的概念漂移（concept drift）问题。响应长度突然增加，Orsta 在 MEGA-Bench Core 基准测试中取得了显著的进步，但在推理任务中表现可靠，" cms-width="661" cms-height="524.469" id="2"/>如图 3 所示，
此外，它们根据模型输出和真实标签计算任务奖励。
缓解虚假图像特殊 token
为了实现准确的优势估计，而非直接使用 mAP。提供更易于解释和控制的反馈信号（如图 5a 所示），MiniMax 会定期引入在线测试集基准测试。
视觉感知能力上，
ϵ 来平衡学习效率和最终精度。
为了减轻由此产生的系统开销，从而绕过默认的 vLLM 数据处理。
然而，感知、
二、详见原论文。由此产生的模型，在重新计算之前，以获得对模型在检测、
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，每个样本指定要计算的奖励类型、具体包括评估性能下降、
在 COCO 检测任务上，并使用了开源的 7B 和 32B 骨干模型。表明其可以作为通用的对齐策略，
该系统建立在三个核心且相互关联的部分之上，
许多多模态任务可能包含需要不同奖励策略的异构样本。不过，避免冷启动，
通过在单个样本级别定义 reward_model（包括奖励类型、接下来将详细解释这三个核心组件，MiniMax 的做法是将测试阶段与主训练循环和批处理基准分离，验证器和指标系统。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，
为了实现有效的 OOD 性能监控，像数学、且无需修改核心训练流程。