VLM-R1：利用GRPO提升计算机视觉任务的表现

文章预览

VLM-R1采用了与Deepseek R1相同的GRPO算法，提升了视觉能力。今天，我们来探讨一下这一算法如何加强视觉任务的表现。 什么是VLM-R1？ GRPO（Group Relative Policy Optimization）帮助Deepseek R1提升了推理能力；VLM-R1团队发现，GRPO也能帮助视觉-语言模型（VLMs）在一般的计算机视觉任务中表现更强；而且它的泛化能力超过了传统的SFT（Supervised Fine-Tuning）方法。 目前VLM-R1的表现非常出色，Star增长趋势迅速。 试用链接 https://huggingface.co/spaces/omlab/VLM-R1-Referral-Expression 评估 团队使用Qwen 2.5 VL 3B模型，在RefCOCO（一个视觉定位任务）上进行训练，并在RefCOCO Val和RefGTA（一个OOD任务）上进行评估。 具体而言，在Referring Expression Comprehension（REC）任务中，使用R1和SFT方法训练了Qwen2.5-VL模型。结果表明，在领域内的测试数据上，SFT模型的表现略低于R1模型。   然而，在领域外测试 ………………………………