Code：??https://github.com/ModalMinds/MM-EUREKA??? 

Model：??https://huggingface.co/FanqingM/MM-Eureka-Zero-38B  ???

??https://huggingface.co/FanqingM/MM-Eureka-8B??Dataset：

??https://huggingface.co/datasets/FanqingM/MM-Eureka-Dataset??

Why We DO？

目前的研究大多未能在多模態(tài)環(huán)境中復(fù)現(xiàn)DeepSeek-R1的關(guān)鍵特性，如回答長度的穩(wěn)定增長和準(zhǔn)確率獎(jiǎng)勵(lì)。例如，R1-V僅在簡單計(jì)數(shù)任務(wù)上有所改進(jìn)，但未能復(fù)現(xiàn)回答長度增長和"頓悟時(shí)刻"；R1-Multimodal-Journey探索了幾何問題，但隨著訓(xùn)練進(jìn)行，回答長度反而下降；LMM-R1雖然在準(zhǔn)確率獎(jiǎng)勵(lì)和回答長度方面取得了進(jìn)步，但這種成功尚未在大規(guī)模圖文數(shù)據(jù)訓(xùn)練中得到驗(yàn)證。雖然Kimi1.5在多模態(tài)推理中取得了有競爭力的結(jié)果，但它并未向社區(qū)開源其模型或訓(xùn)練數(shù)據(jù)。

What We do？

開源框架：我們基于OpenRLHF構(gòu)建了一個(gè)可擴(kuò)展的多模態(tài)大規(guī)模強(qiáng)化學(xué)習(xí)框架，支持包括InternVL在內(nèi)的多種模型和多種RL算法。與R1-V等框架相比，我們的框架具有更強(qiáng)的可擴(kuò)展性，成功訓(xùn)練了InternVL2.5-38B等大型模型

穩(wěn)定的訓(xùn)練：MM-Eureka-8B基于InternVL2.5-Instruct-8B開發(fā)，MM-Eureka-Zero-38B基于InternVL2.5-Pretrained-38B開發(fā)。兩者均可以復(fù)現(xiàn)出穩(wěn)定的accuracy reward以及response length增長，并且具備visual aha-moment！

驚人的數(shù)據(jù)效率：僅使用54K圖文數(shù)據(jù)進(jìn)行規(guī)則型RL訓(xùn)練，平均性能超過使用1M數(shù)據(jù)的MPO模型；整體基準(zhǔn)準(zhǔn)確率與使用12M數(shù)據(jù)進(jìn)行CoT SFT訓(xùn)練的模型相當(dāng)！ MM-Eureka-Zero僅使用8K圖文數(shù)學(xué)推理數(shù)據(jù)（僅為指令模型的0.05%），在我們自己構(gòu)建的K12基準(zhǔn)測試上比指令模型高出8.2%，在MathVerse上表現(xiàn)相當(dāng)

What is Important？

極簡的RL設(shè)計(jì)足以獲得很好的效果，如果是在instruct model上進(jìn)行實(shí)驗(yàn)，添加KL散度往往會(huì)限制模型的探索，導(dǎo)致無法觀測到response length的提高。

基于難度的數(shù)據(jù)過濾策略對(duì)于RL訓(xùn)練穩(wěn)定性及其重要，我們發(fā)現(xiàn)在8B-instruct模型上訓(xùn)練，如果不進(jìn)行數(shù)據(jù)過濾，RL的訓(xùn)練將會(huì)非常不穩(wěn)定。

What We Find？

模型在RL訓(xùn)練的過程中同樣會(huì)展示出類似DeepSeek-R1的aha-moment。特別得是：除了展示出反思和回溯操作，模型還學(xué)會(huì)了重新審視圖像中的關(guān)鍵信息，我們認(rèn)為這個(gè)是visual aha moment的關(guān)鍵特征

What We Wanna Do？

我們?cè)趶?fù)現(xiàn)過程中進(jìn)行了許多其他的嘗試，再次我們分享一些我們認(rèn)為有幫助，但是并沒有work的操作，我們認(rèn)為這并不代表這些有問題，而是需要進(jìn)一步地探索。

Curriculum Learning：

得益于我們基于難度劃分?jǐn)?shù)據(jù)，每個(gè)數(shù)據(jù)都有難度標(biāo)簽，自然的我們把數(shù)據(jù)按難度從低到高進(jìn)行RL訓(xùn)練，然而我們發(fā)現(xiàn)這并不能使得性能獲得收益。我們認(rèn)為這是因?yàn)槟Ｐ驮诤唵晤}目上的學(xué)習(xí)難以直接泛化到難題，如何進(jìn)行curriculum learning的數(shù)據(jù)組織仍然重要。

Online Data Filter：

我們將我們預(yù)先基于難度的數(shù)據(jù)篩選策略記為Offline Data Filter。這種方案雖然可以幫助RL進(jìn)行穩(wěn)定訓(xùn)練，但是其數(shù)據(jù)利用率降低了，所以我們希望在模型訓(xùn)練的過程中動(dòng)態(tài)進(jìn)行基于難度的數(shù)據(jù)篩選（類似PRIME）。但是我們發(fā)現(xiàn)訓(xùn)練結(jié)果并不如offline data filter穩(wěn)定，我們認(rèn)為這是因?yàn)槊看胃聲r(shí)候的數(shù)據(jù)量不同，導(dǎo)致梯度不穩(wěn)定。

Model Size：

盡管目前一些工作比如ORZ，SimpleRL在7B level的LLM上也復(fù)現(xiàn)了R1的表現(xiàn)，但是我們?cè)诙嗄B(tài)推理場景下，難以通過8B的internvl pretrained進(jìn)行成功復(fù)現(xiàn)。我們認(rèn)為這受制于多模態(tài)推理數(shù)據(jù)質(zhì)量以及多模態(tài)預(yù)訓(xùn)練數(shù)據(jù)中很少存在long cot數(shù)據(jù)。

What We Hope？

我們開源了全套數(shù)據(jù)（包括我們自助收集的多模態(tài)K12數(shù)據(jù)集），代碼，以及模型等。除此之外我們推出一個(gè)詳細(xì)的技術(shù)報(bào)告（在我們的repo中），包括我們所有的復(fù)現(xiàn)程序以及一些未成功的嘗試。我們希望這可以幫助社區(qū)共同推理多模態(tài)推理發(fā)展。

本文轉(zhuǎn)自AI生成未來 ，作者：AI生成未來

原文鏈接:??https://mp.weixin.qq.com/s/5c3q3Z9coOdC_L1t7Nw6wQ??