MLLMs与MM-CoT
-
多模态大型语言模型（MLLMs）：将大型语言模型（LLMs）与其他模态（如视觉、音频和视频）的模型结合，以处理多种模态的数据。MLLMs通过将LLMs作为核心认知引擎，并利用其他模态的基础模型提供高质量的非文本数据表示，从而扩展了LLMs的能力。
-
多模态链式推理（MM-CoT）：在多模态推理任务中，模型生成中间推理步骤（链式推理），这些步骤可以仅依赖于文本信息，也可以整合多模态信号。MM-CoT的目标是通过逐步推理解决复杂问题，同时在推理过程中融入多模态信息。
强化学习（RL）
-
策略优化方法：
-
近端策略优化（PPO）：通过最大化代理目标来优化LLMs，同时引入裁剪机制以稳定训练。PPO需要同时训练策略模型和价值模型，这在模型参数或标记数量较大时会带来显著的计算需求。
-
REINFORCE留一法（RLOO）：省略了价值模型和GAE的使用，直接利用蒙特卡洛方法计算基线，通过留一法减少策略梯度估计的方差。
-
组相对策略优化（GRPO）：通过直接比较生成的响应组来优化模型，省略了价值模型，通过相对奖励来评估响应的质量，减少了对硬件资源的需求。
-
奖励机制：
-
结果导向奖励机制（ORM）：仅根据最终输出的正确性来评估模型，奖励信号稀疏且延迟，难以解决长期信用分配问题。
-
过程导向奖励机制（PRM）：强调模型在推理过程中的中间行为，提供更细粒度的监督，但设计过程奖励依赖于对中间推理步骤的准确评估，具有挑战性。
-
训练效率：
-
课程强化学习：通过逐步引入任务，帮助模型逐步积累知识，提高在复杂任务上的收敛速度和性能。
-
数据高效学习：通过优先采样和选择高质量样本，提高样本效率，减少不必要的计算开销。
深入探讨了强化学习（RL）算法在大型语言模型（LLMs）和多模态大型语言模型（MLLMs）中的关键设计和优化策略：无价值方法（value-free）和基于价值的方法（value-based）。
2.1 Value-Free 方法
无价值方法通过直接优化策略，而无需计算价值函数，从而简化了训练过程并提高了计算效率。这些方法在处理长推理链（long-CoT）任务时表现出色，但可能会遇到熵崩溃（entropy collapse）和奖励噪声（reward noise）等问题：
-
GRPO（Group Relative Policy Optimization）：
-
核心思想：通过比较生成的响应组来优化模型，避免了复杂的价值模型训练。
-
挑战：熵崩溃和奖励噪声，可能导致模型生成低质量的输出。
-
优化策略：引入动态采样机制，避免梯度信号消失；采用token-level策略梯度损失，确保长序列中的每个token都能公平地贡献梯度。
-
DAPO（Dynamic Asymmetric Policy Optimization）：
-
不对称裁剪策略：通过解耦裁剪上下界，增强低概率token的探索能力。
-
动态采样：过滤掉准确率为0或1的样本，确保每个批次中都有有效的梯度信号。
-
token-level策略梯度损失：确保长序列中的每个token都能公平地贡献梯度。
-
过长奖励塑形：通过逐步增加长度依赖的惩罚，减少奖励噪声，稳定训练过程。
-
核心思想：在GRPO的基础上，引入不对称裁剪策略、动态采样机制、token-level策略梯度损失和过长奖励塑形（overlong reward shaping）。
-
优化策略：
-
Dr.GRPO（Debiased Group Relative Policy Optimization）：
-
消除长度归一化：避免模型偏好生成更长的错误响应。
-
消除标准差归一化：确保不同难度的问题在优化过程中被平等对待。
-
核心思想：通过消除GRPO中的长度偏差和问题难度偏差，提高模型的公平性和稳定性。
-
优化策略：
-
CPPO（Completion Pruning Policy Optimization）：
-
剪枝策略：仅保留具有最高绝对优势值的top-k完成项，减少冗余计算。
-
动态完成分配策略：结合剩余剪枝的完成项和新查询的高质量完成项，充分利用GPU的并行计算能力。
-
核心思想：通过剪枝策略减少计算开销，同时保持或提高模型性能。
-
优化策略：
3.2 Value-Based方法
基于价值的方法通过精确的逐步信用分配来优化策略，适合处理复杂推理任务。这些方法在长推理链任务中面临挑战，但通过创新的优化技术，可以提高训练的稳定性和性能：
-
PPO（Proximal Policy Optimization）：
-
Open-Reasoner-Zero：通过简单的规则化奖励函数和大量的训练数据，显著提高了响应长度和基准性能。
-
VC-PPO：通过值初始化偏差和解耦GAE（Decoupled-GAE）来优化PPO，减少训练过程中的方差。
-
核心思想：通过最大化代理目标来优化策略，同时引入裁剪机制以稳定训练。
-
挑战：在长推理链任务中，PPO可能会遇到训练不稳定和性能下降的问题。
-
优化策略：
-
VC-PPO（Value Corrected PPO）：
-
值预训练：通过离线训练价值模型，确保其能够准确估计预期回报。
-
解耦GAE：通过为策略和价值优化分别设置不同的𝜀值，独立优化偏差-方差权衡。
-
核心思想：通过值预训练和解耦GAE来优化PPO，减少训练过程中的方差。
-
优化策略：
三、RL的多模态大模型推理
系统回顾了基于强化学习（RL）的多模态大型语言模型（MLLMs）推理的最新进展，涵盖了关键的算法设计、奖励机制创新以及实际应用。
3.1 从LLMs到MLLMs的RL训练范式
-
标准化R1训练范式：
-
Kimi K1.5：通过在线策略镜像下降（OPMD）算法，将强化学习应用于MLLMs，增强了其在多模态领域的推理能力。
-
DeepSeek R1：通过验证性奖励机制（Verifiable Reward Mechanism, VRM），展示了如何通过简单的规则化激励机制和轻量级的RL算法，使LLMs能够自主发展复杂的推理能力。
-
ORM（Outcome Reward Mechanism）：基于最终输出的正确性来评估模型，适用于数学问题解决和代码生成等任务，但存在奖励信号稀疏和延迟的问题。
-
PRM（Process Reward Mechanism）：通过评估推理过程中的中间步骤来提供更细粒度的监督，有助于提高模型的逻辑一致性和可解释性。
-
MLLMs中的R1训练范式：
-
MedVLM-R1：将DeepSeek R1的训练范式扩展到医学领域的视觉问答任务中，通过显式的推理路径提高预测准确性和泛化能力。
-
Vision-R1：通过逐步推理抑制训练（PTST）策略，逐步扩展推理链的长度，同时分离格式和准确性奖励，缓解了过思考的问题。
-
LMM-R1：采用两阶段训练策略，先在纯文本数据上进行RL训练，再扩展到图像-文本数据，以提高模型在视觉感知和其他多模态任务中的泛化能力。
3.2 多模态感知中的奖励机制设计
-
结果导向奖励机制（ORM）：
-
任务导向奖励策略：根据任务的内在属性设计奖励，如图像分类任务使用标签匹配作为奖励信号，目标检测任务优化IoU（交并比）。
-
跨模态交互奖励策略：通过联合评估不同模态的输出来促进更积极的跨模态交互，例如UI-R1通过评估预测的动作类型、参数选择和输出格式的有效性来建立模态之间的对齐反馈。
-
过程导向奖励机制（PRM）：
-
结构化奖励框架：通过引入结构化奖励，如逻辑一致性、信息完整性和引用可靠性，来提高模型的可解释性和用户信任度。
-
R1-VL：通过StepGRPO框架，引入StepRAR（关键中间推理步骤评估）和StepRVR（推理链逻辑连贯性评估）两个结构化奖励组件，显著提高了模型在复杂任务中的逻辑一致性。
3.3 训练效率与稳定性
-
课程学习：
-
Kimi K1.5：通过课程采样逐步训练模型，从简单任务到复杂任务，同时结合优先采样，优化学习过程。
-
Curr-ReFT：将训练分为三个阶段：二元分类、多项选择和开放式问答，每个阶段都由特定任务的奖励函数引导，逐步发展模型的推理能力。
-
样本效率：
-
Reason-RFT：通过GPT-4o过滤低质量或错误样本，重构高质量数据集，确保数据质量和适用性。
-
Skywork R1V：通过自适应长度链式推理蒸馏和混合优化框架，动态调整推理链长度，减少对大规模标注数据的依赖。
-
灾难性遗忘：
-
Curr-ReFT：通过拒绝样本的自我改进机制，选择性地从高质量的多模态和文本示例中学习，以保持MLLMs的基本能力，缓解灾难性遗忘问题。
https://arxiv.org/pdf/2504.21277Reinforced MLLM: A Survey on RL-Based Reasoning in Multimodal Large Language Models
（文：PaperAgent）