重磅推荐：visual-rft——视觉强化微调开源项目，赋能视觉语言模型！
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
AIxiv专栏持续关注全球顶尖AI研究，已发布2000余篇学术技术文章。欢迎投稿分享您的优秀成果！投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com
Visual-RFT (Visual Reinforcement Fine-Tuning) 项目，将基于规则奖励的强化学习与强化微调（RFT）范式成功应用于视觉语言大模型（LVLM），突破了以往方法仅限于文本、数学等领域的局限。通过为视觉细分类、目标检测等任务设计特定规则奖励，Visual-RFT 为LVLM训练提供了全新思路！
图1展示了Visual-RFT的强大泛化能力：模型仅需少量数据，便能准确识别图片中特定宝可梦并定位其坐标。
图 1. Visual-RFT 将强化微调扩展到多模态，只需10-1000条数据即可显著提升模型性能。
从RFT到Visual-RFT：强化学习在多模态领域的突破
OpenAI的强化微调技术，只需少量样本即可实现模型能力迁移。DeepSeek-R1揭示了其强大的推理能力源于基于可验证奖励的强化学习策略。然而，该策略此前主要应用于文本、数学等领域。Visual-RFT将此策略成功拓展至视觉领域，通过构建可验证规则奖励，解决了传统方法在视觉领域的局限性，实现高效、高泛化性的视觉理解与推理。
传统的视觉指令微调（SFT）需要大量数据，而Visual-RFT的少样本学习能力使其在数据稀缺场景下更具优势。
为了验证Visual-RFT的泛化能力，研究团队在目标检测、分类、 grounding等多个视觉任务上进行了测试。结果显示，Visual-RFT在开放词汇、少样本学习等设定下，仅需少量数据即可实现显著性能提升，并优于SFT方法。尤其在推理定位任务中，Visual-RFT展现出卓越的视觉推理能力。（详见论文）
图 2. Visual-RFT在多个视觉任务上显著超越SFT。
图 3. Visual-RFT框架图，利用IoU和cls奖励以及强化学习策略更新模型参数。
研究团队使用基于IoU的可验证奖励用于检测和grounding任务，使用基于分类正确性的cls奖励用于分类任务。（如图3所示）
图 4. 推理定位结果展示，Visual-RFT超越SFT，更精准地定位物体。
图 5. 推理细粒度分类结果展示，Visual-RFT超越SFT，更精准地定位物体。
图4和图5展示了模型输出结果，Visual-RFT通过强化学习策略，进行深入的推理分析，取得了优于SFT的性能。
Visual-RFT实验结果
基于QWen2-VL 2B/7B模型，Visual-RFT在开放目标检测、少样本检测、细粒度分类和推理定位任务上全面超越SFT。实验数据涵盖COCO、LVIS等通用场景和互联网卡通人物等开放场景。仅需少量数据，Visual-RFT即可实现能力迁移，展现出卓越的性能和鲁棒性。
图 5. 部分实验结果展示，Visual-RFT显著超越SFT。
Visual-RFT已开源！
Visual-RFT项目已开源，包含训练、评估代码和数据。欢迎参与！
项目地址：https://www.php.cn/link/b2c1a4c8e4f9c3f8efe19a903a005149
