Visual-RFT: Visual Reinforcement Fine-Tuning

摘要

强化微调（RFT）在像OpenAI o1这样的大型推理模型中，通过对答案的反馈进行学习，这在微调数据稀缺的应用中尤为有用。最近的开源工作如DeepSeek R1表明，使用可验证奖励的强化学习是复现o1的一个关键方向。虽然R1风格的模型在语言模型中取得了成功，但其在多模态领域的应用仍未得到充分探索。本文引入了视觉强化微调（Visual-RFT），进一步扩展了RFT在视觉任务上的应用领域。具体来说，Visual-RFT首先使用大型视觉语言模型（LVLMs）为每个输入生成包含推理标记和最终答案的多个响应，然后使用我们提出的视觉感知可验证奖励函数，通过策略优化算法（如组相对策略优化（GRPO））来更新模型。我们为不同的感知任务设计了不同的可验证奖励函数，例如目标检测的交并比（IoU）奖励。在细粒度图像分类、少样本目标检测、推理定位以及开放词汇目标检测基准上的实验结果表明，与监督微调（SFT）相比，Visual-RFT具有竞争力的性能和先进的泛化能力。例如，在约100个样本的单样本细粒度图像分类中，Visual-RFT的准确率比基线提高了24.3%。在少样本目标检测中，Visual-RFT在COCO的双样本设置下也超过基线21.9，在LVIS上超过15.4。我们的Visual-RFT代表了微调LVLMs的范式转变，提供了一种数据高效、奖励驱动的方法，增强了特定领域任务的推理和适应性。

引言

像OpenAI o1[7]这样的大型推理模型（LRMs）是前沿的AI