🚀 ViGoRL：用于视觉推理的视觉基础强化学习

ViGoRL（Visually Grounded Reinforcement Learning）是一个用于视觉推理的模型。本项目通过强化学习（RL）对视觉语言模型进行微调，将文本推理步骤与视觉坐标明确关联起来。

主要特性

• 多轮视觉定位：受人类视觉认知的启发，ViGoRL 采用多轮视觉定位，动态缩放图像区域，以执行细粒度的视觉推理和定位。
• 精确视觉推理：该模型在需要精确视觉定位和区域级推理的视觉推理任务中表现出色。
• 多种训练范式：模型使用监督微调（SFT）在通过蒙特卡罗树搜索（MCTS）生成的视觉基础推理轨迹上进行训练，随后使用组相对策略优化（GRPO）进行强化学习。

安装指南

暂未提供相关安装步骤，若有需要可参考代码仓库中的说明。

使用示例

基础用法

你可以使用 Hugging Face 的 Transformers 库轻松加载此模型：

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info
import torch

# # default: Load the model on the available device(s)
# model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
#     "", torch_dtype="auto", device_map="auto"
# ) # replace with any of the ViGoRL models

# We recommend enabling flash_attention_2 for better acceleration and memory saving.
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    device_map="auto",
)

# default processer
processor = AutoProcessor.from_pretrained("")

# The default range for the number of visual tokens per image in the model is 4-16384.
# You can set min_pixels and max_pixels according to your needs, such as a token range of 256-1280, to balance performance and cost.
# min_pixels = 256*28*28
# max_pixels = 1280*28*28
# processor = AutoProcessor.from_pretrained("", min_pixels=min_pixels, max_pixels=max_pixels)

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "path/to/image.png",
            },
            {"type": "text", "text": "QUERY HERE"},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=512)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text) # this will output a single tool call turn of the model if version is multiturn.

重要提示：此模型需要系统提示才能正常使用。请参阅模型的聊天模板以获取详细信息。

详细文档

模型概述

ViGoRL 是一个视觉语言模型，通过强化学习（RL）进行微调，以将文本推理步骤明确锚定到视觉坐标。受人类视觉认知的启发，ViGoRL 采用多轮视觉定位，动态缩放图像区域以执行细粒度的视觉推理和定位。

此模型在通过蒙特卡罗树搜索（MCTS）生成的视觉基础推理轨迹上使用监督微调（SFT）进行训练，随后使用组相对策略优化（GRPO）进行强化学习。

模型细节

使用场景

此模型在需要精确视觉定位和区域级推理的视觉推理任务中表现出色。具体领域请参阅模型名称。

• 空间推理：SAT - 2、BLINK、RoboSpatial
• 视觉搜索：V*Bench
• 网页交互和定位：ScreenSpot（Pro 和 V2）、VisualWebArena

技术细节

本模型在论文 "Grounded Reinforcement Learning for Visual Reasoning" 中被提出。 作者：Gabriel Sarch、Snigdha Saha、Naitik Khandelwal、Ayush Jain、Michael J. Tarr、Aviral Kumar、Katerina Fragkiadaki

数据集和训练数据

训练数据集和生成的推理链是公开可用的：

• 代码
• Hugging Face 上的 ViGoRL 数据集

引用

如果您在研究或应用中使用 ViGoRL，请引用我们的论文：

@article{sarch2025vigorl,
    title={Grounded Reinforcement Learning for Visual Reasoning},
    author={Sarch, Gabriel and Saha, Snigdha and Khandelwal, Naitik and Jain, Ayush and Tarr, Michael J and Kumar, Aviral and Fragkiadaki, Katerina},
    year={2025}
}

联系方式

如有问题、反馈或合作需求，请联系 Gabriel Sarch 或在我们的 GitHub 仓库 中提出问题。