MiniMax開源首個視覺RL統一框架，閆俊杰領銜！推理感知兩手抓，性能橫掃MEGA-Bench
僅需一個強化學習（RL）框架，就能實現視覺任務大統一？
現有RL對推理和感知任務只能二選一，但“大模型六小強”之一MiniMax表示：我全都要！
最新開源V-Triune（視覺三重統一強化學習系統）框架，使VLM首次能夠在單個后訓練流程中，聯合學習和掌握視覺推理和感知任務。
通過三層組件設計和基于動態交并比（IoU）的獎勵機制，彌補了傳統RL方法無法兼顧多重任務的空白。
甚至基于V-Triune，MiniMax還一步到位，貼心地給大家開發了全新的Orsta（One RL to See Them All）模型系列（7B至32B），在MEGA-Bench Core基準測試中從+2.1%顯著提升至+14.1%。
值得注意的是，在論文的作者一欄，MiniMax創始人兼CEO閆俊杰也參與了這項研究。
目前V-Triune框架和Orsta模型都在GitHub上實現全面開源，點擊文末鏈接即可跳轉一鍵獲取。
那話不多說，咱們直接上細節。
推理感知“兩手抓”
視覺任務可以分為推理和感知兩類，在當前，RL研究主要集中于數學QA和科學QA等視覺推理任務。
而目標檢測和定位等視覺感知任務，因亟需獨特的獎勵設計和訓練穩定性保障，還沒有得到一個很好的解決方案……
針對上述問題，MiniMax針對性地提出了新框架V-Triune，作為首個面向VLM后訓練的統一RL系統，通過三個互補組件核心巧妙實現二者的平衡。
樣本級數據格式化
讓每個樣本自定義其獎勵設置和驗證器，支持動態路由和權重調整，以處理多種任務需求。
數據模式基于HuggingFace數據集實現，包含以下三個字段：
- reward_model：樣本級定義獎勵類型、權重。
- verifier：指定驗證器及其參數。
- data_source：標識樣本來源。
最終實現了多樣化數據集的無縫集成，同時支持高度靈活的獎勵控制。
驗證器級獎勵計算
采用異步客戶端-服務器架構，將獎勵計算與主訓練循環解耦。
客戶端通過代理工作器異步發送請求，而服務器則根據”verifier”字段路由至專用驗證器。
主要使用兩類驗證器：
- MathVerifyVerifierr：處理推理、OCR和計數任務。
- DetectionVerifier：處理檢測和定位任務，應用動態IoU獎勵。
從而實現在無需修改核心訓練流程的情況下，靈活擴展新任務或更新獎勵邏輯。
數據源級指標監控
在多任務多源訓練中，按數據源記錄以下指標：
- 獎勵值：追蹤數據集特定穩定性。
- IoU和mAP（感知任務）：記錄不同閾值下的IoU和mAP。
- 響應長度和反思率：跟蹤響應長度分布、截斷率，以及15個預定義反思詞（如“re-check”）的出現比例。
該監控機制幫助診斷模型行為（如過度思考或膚淺響應），并確保學習的穩定性。
動態IoU獎勵
此外針對監測和定位任務，團隊還創新性地提出了動態IoU獎勵，分階段調整閾值，以緩解冷啟動問題，同時引導模型逐步提升定位精度：
- 初始10%訓練步驟：
- 10%-25%訓練步驟：
- 剩余訓練步驟：
雖然V-Triune提供了可擴展的數據、任務和指標框架，但早期實驗顯示，聯合訓練可能會導致評估性能下降、梯度范數突增等不穩定現象，于是團隊又通過以下調整逐步解決：
- 凍結ViT參數，防止梯度爆炸。
- 過濾偽圖像特殊詞元，確保輸入特征對齊，提升訓練穩定性。
- 構建隨機化CoT提示池，降低提示依賴性。
- 由于V-Triune基于Verl框架實現，主節點內存壓力較大，需解耦測試階段與主訓練循環以管理內存。
Orsta模型
另外值得一提的是，基于開源的Qwen2.5-VL模型，團隊還訓練出7B和32B的Orsta模型。
依據4類推理任務（數學、謎題、科學、圖表分析）和4類感知任務（物體檢測、目標定位、計數、OCR）的訓練數據，進行規則和難度的兩階段過濾和訓練優化。
最終實現在MEGA-Bench Core基準測試中，Orsta相比原始模型提升至+14.1%，尤其是在感知任務中，mAP指標顯著提高，證明了該統一方法的有效性和可擴展性。
MiniMax布局多模態領域
MiniMax作為商湯背景出身的AI六小龍之一，近期在多模態領域可謂動作頻頻，模型橫跨語言、音頻、視頻。
例如MiniMax的S2V-01視頻模型、MiniMax-VL-01視覺多模態模型以及MiniMax-T2A-01系列語言模型等。
尤其是廣受好評的MiniMax-01系列，包含基礎語言模型和視覺多模態模型兩種，性能上比肩DeepSeek-V3、GPT-4o等國內外頂尖模型的同時，還首次創新性實現了對新型Lightning Attention架構的大規模擴展。
最新發布的Speech-02，在AI語言生成上也是一騎絕塵，直接刷新全球權威語音基準測試榜單第一，一舉打破OpenAI、ElevenLabs的行業壟斷。
同時，據MiniMax高級研究總監鐘怡然同量子位訪談時所說：
MiniMax將會進一步探索多模態架構創新，即原生的生成理解統一大模型的架構。
而今天這個統一視覺任務的RL架構也許僅僅是一個開始。
論文鏈接：https://arxiv.org/abs/2505.18129代碼鏈接：https://github.com/MiniMax-AI/One-RL-to-See-Them-All
