DeepSeek在領(lǐng)域內(nèi)獲得廣泛關(guān)注的核心在于R1-Zero僅通過強(qiáng)化學(xué)習(xí)（RL）便成功實(shí)現(xiàn)了推理能力的涌現(xiàn)，即發(fā)現(xiàn)Aha moment。那么，在多模態(tài)領(lǐng)域，是否也能獲得借鑒R1-Zero的思路呢？

今天介紹的Vision-R1就是這一方面的探索的代表， 其目的就是研究如何有效利用 RL 來增強(qiáng)多模態(tài)大型語言模型（MLLM）的推理能力。然而，研究團(tuán)隊(duì)發(fā)現(xiàn)，由于缺乏大規(guī)模、高質(zhì)量的多模態(tài)推理數(shù)據(jù)，直接應(yīng)用 RL 訓(xùn)練 MLLM 在激發(fā)其深層推理能力（如提問和反思）方面面臨巨大挑戰(zhàn)。

為解決這一難題，Vision-R1 項(xiàng)目創(chuàng)新性地提出了一個(gè)推理型 MLLM，并采取了由冷啟動初始化和 RL 訓(xùn)練 組成的兩階段策略。項(xiàng)目首先著力構(gòu)建高質(zhì)量、大規(guī)模且無需人工標(biāo)注的多模態(tài) Chain-of-Thought (CoT) 數(shù)據(jù)集——Vision-R1-cold 數(shù)據(jù)集。該數(shù)據(jù)集規(guī)模達(dá) 20 萬條，巧妙地利用現(xiàn)有的 MLLM 和 DeepSeek-R1，通過模態(tài)橋接和數(shù)據(jù)過濾等技術(shù)，將視覺信息轉(zhuǎn)化為文本信息，并融入 DeepSeek-R1 生成的高質(zhì)量 CoT 推理過程，為 Vision-R1 提供了至關(guān)重要的冷啟動知識。

數(shù)據(jù)集例子

冷啟動初始化數(shù)據(jù)準(zhǔn)備

RL訓(xùn)練

為緩解冷啟動后模型易出現(xiàn)的“過度思考優(yōu)化問題”，Vision-R1 進(jìn)一步創(chuàng)新性地提出了漸進(jìn)式思維抑制訓(xùn)練 (PTST) 策略。PTST 結(jié)合群體相對策略優(yōu)化 (GRPO) 算法和硬格式化結(jié)果獎(jiǎng)勵(lì)函數(shù) (HFRRF)，在 1 萬條多模態(tài)數(shù)學(xué)數(shù)據(jù)集上進(jìn)行 RL 訓(xùn)練，逐步精煉模型學(xué)習(xí)正確且復(fù)雜的推理過程的能力。PTST 策略在訓(xùn)練初期抑制模型推理長度，引導(dǎo)模型關(guān)注正確的推理路徑，并隨著訓(xùn)練深入，逐步放寬長度限制，最終使 Vision-R1 能夠自主掌握更高級的推理技巧。

從實(shí)驗(yàn)結(jié)果上看，在多個(gè)多模態(tài)數(shù)學(xué)推理基準(zhǔn)測試中，Vision-R1 模型較之于其基礎(chǔ)模型Qwen-2.5-VL-7B 平均取得了 6% 的性能提升。尤其在廣泛使用的 MathVista 基準(zhǔn)測試中，僅使用 70 億參數(shù)的 Vision-R1-7B 模型，其準(zhǔn)確率便達(dá)到了 73.5%，僅比領(lǐng)先的推理模型 OpenAI O1 低 0.4%，大幅超越開源推理MLLM LLaVA-Cot-11B近9%。這充分展現(xiàn)了 Vision-R1 在多模態(tài)推理任務(wù)上的強(qiáng)大實(shí)力。

Vision-R1的成功說明采用DeepSeek R1的思路是普遍有效的，這對于其它研究者來講給予了非常大的示范意義，如何更好的使用RL激發(fā)大模型的潛力將成為重點(diǎn)的研究方向。

github：https://github.com/Osilly/Vision-R1 

論文：https://arxiv.org/abs/2503.06749

本文轉(zhuǎn)載自 ??AI工程化??，作者： ully