广州正规网站建设方案巴巴策划网站

广州正规网站建设,方案巴巴策划网站,产品线上推广方式都有哪些,西安网站排名分析点击下方卡片#xff0c;关注“CVer”公众号AI/CV重磅干货#xff0c;第一时间送达点击进入—【顶会/顶刊】投稿交流群添加微信号#xff1a;CVer2233#xff0c;小助手拉你进群#xff01;扫描下方二维码#xff0c;加入CVer学术星球#xff01;可以获得最新顶会/顶…点击下方卡片关注“CVer”公众号AI/CV重磅干货第一时间送达点击进入—【顶会/顶刊】投稿交流群添加微信号CVer2233小助手拉你进群扫描下方二维码加入CVer学术星球可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料及应用发论文/搞科研/涨薪强烈推荐OneThinker团队 投稿转载自量子位QbitAI横扫31个主流基准、拿捏10类核心任务视觉模型界的“通才”来了香港中文大学MMLab与美团研究团队开源提出OneThinker——一个基于RL的统一多模态视觉推理通才模型覆盖图像与视频两种模态下的十类核心视觉任务。在31项主流视觉任务测试中OneThinker均表现亮眼。它不仅能在多任务训练中实现相互促进还能在从未见过的任务上做出合理推理初步展现了通才模型的泛化能力。虽然以Vision-R1、Video-R1、VLM-R1等为代表的工作已经在图像问答、视频理解、目标检测等任务上取得显著效果。但这类RL模型大部分存在一个限制只能处理单一模态或单一任务。模态、任务之间缺乏关联推理能力被割裂难以泛化应用。来看看OneThinker是如何做的。从“专才模型”到“通才系统”现实世界中的视觉数据复杂多样往往同时包含静态图像与动态视频信息。同时视觉任务类型也高度多样化例如问答、定位、分割、追踪等。在这种背景下传统的“单任务、单模态”RL思考模型架构存在以下两个根本性问题无法统一建模现实复杂场景真实应用中往往需要同时理解图像与视频内容并完成多类任务协同专才模型难以满足。知识隔离迁移受限模型之间彼此独立缺乏知识共享机制限制了推理能力在任务之间的泛化与迁移。为了解决这一问题研究团队提出了一个“通才思考模型”OneThinker具备统一理解和推理不同模态、任务的能力。为了让OneThinker真正具备统一推理不同模态和任务的能力研究团队从两方面入手一是构建统一的数据体系二是优化多任务的训练方法。多模态统一任务数据构建构建具备通用视觉推理能力的模型首先需要解决数据覆盖不足、任务割裂的问题。为此研究团队精心搭建了一套数据集分别用于模型的SFT冷启动与强化学习训练OneThinker-600k覆盖图像与视频两种模态涵盖图像问答、视频问答、时空定位、分割、跟踪等十类核心视觉任务用于强化学习阶段的主力训练数据。OneThinker-SFT-340k基于Seed1.5-VL对OneThinker-600k生成高质量的思维链样本并过滤用于SFT阶段冷启动通过图像与视频任务的联合训练OneThinker能够在空间与时间维度上建立统一的推理能力从而实现跨模态、多任务的通用理解。EMA-GRPO提升多任务RL训练稳定性传统强化学习方法在多任务、多模态场景中存在显著训练不平衡问题。不同任务之间的奖励结构差异较大如检测任务的奖励稠密而问答类任务往往稀疏容易导致样本间或任务间训练不平衡的问题。为此OneThinker引入了全新的EMA-GRPOExponential Moving Average Group Relative Policy Optimization 强化训练算法通过对各任务奖励标准差进行滑动平均归一解决了两个层面的不平衡问题任务内样本权重不均缓解模型对低方差样本的过度依赖任务间梯度贡献失衡防止稀疏任务在反向传播中占据主导抑制其他任务学习。实验结果表明EMA-GRPO能显著提升强化学习阶段的训练稳定性与收敛速度为大规模统一推理模型的多任务训练提供了有效支撑。实验结果为了全面评估OneThinker的能力研究团队在图像与视频两个模态下不同任务的31个主流 benchmark上进行了系统测试覆盖图像问答、视频理解、空间定位、时间定位、目标分割、目标追踪等10类核心视觉任务。OneThinker在图像问答任务中表现出色MMMU达到70.6%MathVerse达到64.3%在视频理解上VideoMMM取得了66.2%的表现。对于时间定位和空间定位任务中模型在RefCOCO testA的空间定位任务中也取得了93.7%的高分Charades和ActivityNet的R0.5分别达到68.3和43.6。同时OneThinker在追踪任务GOT-10k上AO达到73.0, 在视频分割任务ReasonVOS上JF得分为54.9体现了其在感知类任务中的稳健表现更多的任务表现请参考原文。研究团队还发现在某些任务和模态之间OneThinker能实现有效的知识迁移与共享不同任务之间相互促进。同时OneThinker在未见任务上展现出零样本能力能直接适应如点追踪、图像质量评估、GUI理解和旋转目标检测等任务体现出强大的任务泛化能力。可以说OneThinker的推出不仅展示了强化学习在统一多模态、多任务视觉推理上的潜力也为构建真正的视觉通才模型提供了清晰的路径。在大模型不断走向多模态、强推理、通才化的趋势下OneThinker的工作或许只是一个起点但它所验证的方向正在成为通往通用视觉智能AGI的关键一环。更多细节请参考原文。论文地址https://arxiv.org/pdf/2512.03043代码地址https://github.com/tulerfeng/OneThinker本文系学术转载如有侵权请联系CVer小助手删文何恺明在MIT授课的课件PPT下载在CVer公众号后台回复何恺明即可下载本课程的所有566页课件PPT赶紧学起来ICCV 2025 论文和代码下载在CVer公众号后台回复ICCV2025即可下载ICCV 2025论文和代码开源的论文合CVPR 2025 论文和代码下载在CVer公众号后台回复CVPR2025即可下载CVPR 2025论文和代码开源的论文合集CV垂直方向和论文投稿交流群成立扫描下方二维码或者添加微信号CVer2233即可添加CVer小助手微信便可申请加入CVer-垂直方向和论文投稿微信交流群。另外其他垂直方向已涵盖目标检测、图像分割、目标跟踪、人脸检测识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿交流、PyTorch、TensorFlow和Transformer、NeRF、3DGS、Mamba等。 一定要备注研究方向地点学校/公司昵称如Mamba、多模态学习或者论文投稿上海上交卡卡根据格式备注可更快被通过且邀请进群▲扫码或加微信号: CVer2233进交流群 CVer计算机视觉知识星球人数破万如果你想要了解最新最快最好的CV/DL/AI论文、实战项目、行业前沿、从入门到精通学习教程等资料一定要扫描下方二维码加入CVer知识星球最强助力你的科研和工作 ▲扫码加入星球学习▲点击上方卡片关注CVer公众号 整理不易请点赞和在看