华科北邮PR1强化学习,提升LLM多模态视觉感知
华中科技大学与北京邮电大学等高校合作推出的Perception-R1(PR1)多模态大语言模型,在COCO2017验证集上首次突破了30AP,成为首个在纯多模态开源LLM中超越YOLOv3和Faster-RCNN等传统视觉模型的表现。PR1通过基于规则的强化学习(rule-based RL)提升了视觉感知能力,专注于纯视觉任务和视觉语言任务。该模型不仅在视觉定位、OCR、视觉计数和目标检测等多项任务上取得突破性表现,还为后续大规模应用提供了实验验证。

华中科技大学、北京邮电大学等多所高校的研究团队最近合作推出了Perception-R1(PR1)多模态大语言模型,这一模型在COCO2017验证集上首次突破了30AP,成为首个在纯多模态开源LLM中超越YOLOv3和Faster-RCNN等传统视觉模型的表现。
Perception-R1专注于当前主流的纯视觉任务(如计数、通用目标检测)和视觉语言任务(如grounding、OCR),通过研究基于规则的强化学习(rule-based RL)来提升模型的感知能力。目前,该项目的论文和代码已完全开源,研究团队希望为社区提供一个强有力的基准,以支持后续相关研究。
随着OpenAI o3等模型的出现,人工智能竞赛已进入以"视觉推理"为代表的新阶段。从GPT-4V到o3,短短两年时间内,AI视觉理解能力取得了显著进步。然而,现有的多模态大语言模型(MLLM)如GPT-4o、Google的Gemini以及开源的Qwen-VL和LLaVA,虽然在一般视觉问答方面表现出色,但在需要精确物体定位、准确计数多个物体、复杂布局中文本识别或执行复杂视觉推理的任务上仍存在明显不足。
Perception-R1并非从头构建新模型,而是一个后训练框架,旨在通过基于规则的强化学习显著增强现有多模态模型(如Qwen2-VLInstruct-2B)的视觉感知能力。该框架使用Group Relative Policy Optimization(GRPO)技术来优化模型的"感知策略",包括从图像中提取视觉细节、执行逻辑操作以及生成正确格式的输出。
在实验评测中,Perception-R1在多项视觉任务上取得了突破性表现。在视觉定位(RefCOCO/+/g)、OCR(PageOCR)、视觉计数(Pixmo-Count)以及目标检测(COCO2017)等任务上,该模型均显著超越了原始的Qwen2-VL-2B-Instruct基线,甚至在某些任务上接近专门设计的"专家"模型性能。特别是在COCO2017目标检测任务上,Perception-R1达到了30.3的AP值,成为首个突破30AP的纯多模态开源LLM。
研究团队还进行了全面的消融实验,探究了奖励匹配、思考过程显式化以及监督微调与强化学习的优劣等因素对模型性能的影响。实验结果表明,Perception-R1具有良好的可扩展性,为后续大规模应用提供了实验验证。
Perception-R1的成功表明,当强化学习被精心适配到视觉任务的独特特性时,可以成为提升大模型视觉感知能力的有效工具。该研究挑战了视觉任务必须依赖语言推理的假设,强调了任务复杂性对强化学习效果的重要性,为构建下一代智能感知AI系统奠定了关键基础。
今天关于《华科北邮PR1强化学习,提升LLM多模态视觉感知》的内容就介绍到这里了,是不是学起来一目了然!想要了解更多关于强化学习,视觉感知,多模态大语言模型,Perception-R1,COCO2017的内容请关注golang学习网公众号!
DebianExtract故障排除技巧与解决方案
- 上一篇
- DebianExtract故障排除技巧与解决方案
- 下一篇
- JavaScript操作ShadowDOM的实用技巧
-
- 科技周边 · 人工智能 | 1天前 |
- 讯飞绘文写活动通知怎么避免改错时间和地点
- 360浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Accelerate Accelerator.clip_grad_norm_ 怎样在混合精度训练中裁剪梯度
- 339浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | 人工智能 · LoRa PEFT save_pretrained PeftModel 适配器权重
- PEFT PeftModel 怎样只保存适配器权重
- 468浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Transformers num_special_tokens_to_add 怎样计算输入的特殊词元开销
- 233浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | TensorFlow dataset tf.data assert_cardinality
- TensorFlow tf.data.assert_cardinality 怎样标记数据集的样本数量
- 191浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | PyTorch 模型权重 safetensors safe_open
- Safetensors safe_open 怎样按名称读取单个张量
- 368浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Transformers get_added_vocab 怎样读取新增词元与编号映射
- 267浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Safetensors metadata 怎样读取文件元数据
- 358浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Transformers compute_transition_scores 怎样查看每个生成 token 的分数
- 321浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- Transformers StopStringCriteria 怎样按结束字符串停止生成
- 443浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | 人工智能 · Hugging Face 模型仓库 Hugging Face Hub HfApi list_repo_tree
- Hugging Face Hub HfApi.list_repo_tree 怎样列出模型仓库中的文件
- 429浏览 收藏
-
- 科技周边 · 人工智能 | 2天前 | 人工智能 · PyTorch safetensors contiguous save_file transpose
- Safetensors 保存转置张量时怎样处理连续内存
- 165浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1166次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1152次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1329次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1272次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1130次使用
-
- 量化模型本地推理的显存估算方法
- 2026-10-17 501浏览
-
- 本地大模型反复输出同一句话怎么调整生成参数
- 2026-09-06 501浏览
-
- Python 调用大模型时如何用结构化输出校验 JSON:从解析失败到可重试
- 2026-08-29 501浏览
-
- AI写作工具免费版安装教程(含豆包Clawdbot)
- 2026-05-30 501浏览
-
- WPS AI能自动生成PPT吗?输入主题一键制作演示文稿
- 2026-05-27 501浏览

