OneThinker团队 投稿

量子位 | 公众号 QbitAI

横扫31个主流基准、拿捏10类核心任务，视觉模型界的“通才”来了！

香港中文大学MMLab与美团研究团队开源提出OneThinker——一个基于RL的统一多模态视觉推理通才模型，覆盖图像与视频两种模态下的十类核心视觉任务。

在31项主流视觉任务测试中，OneThinker均表现亮眼。它不仅能在多任务训练中实现相互促进，还能在从未见过的任务上做出合理推理，初步展现了通才模型的泛化能力。

虽然以Vision-R1、Video-R1、VLM-R1等为代表的工作，已经在图像问答、视频理解、目标检测等任务上取得显著效果。

但这类RL模型大部分存在一个限制：只能处理单一模态或单一任务。模态、任务之间缺乏关联，推理能力被割裂，难以泛化应用。

来看看OneThinker是如何做的。

从“专才模型”到“通才系统”

现实世界中的视觉数据复杂多样，往往同时包含静态图像与动态视频信息。同时，视觉任务类型也高度多样化，例如问答、定位、分割、追踪等。

在这种背景下，传统的“单任务、单模态”RL思考模型架构存在以下两个根本性问题：

1. 无法统一建模现实复杂场景

   真实应用中往往需要同时理解图像与视频内容，并完成多类任务协同，专才模型难以满足。

2. 知识隔离，迁移受限

   模型之间彼此独立，缺乏知识共享机制，限制了推理能力在任务之间的泛化与迁移。

为了解决这一问题，研究团队提出了一个“通才思考模型”OneThinker，具备统一理解和推理不同模态、任务的能力。

为了让OneThinker真正具备统一推理不同模态和任务的能力，研究团队从两方面入手：一是构建统一的数据体系，二是优化多任务的训练方法。

多模态统一任务数据构建

构建具备通用视觉推理能力的模型，首先需要解决数据覆盖不足、任务割裂的问题。

为此，研究团队精心搭建了一套数据集，分别用于模型的SFT冷启动与强化学习训练：

• OneThinker-600k

  覆盖图像与视频两种模态，涵盖图像问答、视频问答、时空定位、分割、跟踪等十类核心视觉任务，用于强化学习阶段的主力训练数据。

• OneThinker-SFT-340k

  基于Seed1.5-VL对OneThinker-600k生成高质量的思维链样本并过滤，用于SFT阶段冷启动

通过图像与视频任务的联合训练，OneThinker能够在空间与时间维度上建立统一的推理能力，从而实现跨模态、多任务的通用理解。

EMA-GRPO：提升多任务RL训练稳定性

传统强化学习方法在多任务、多模态场景中存在显著训练不平衡问题。

不同任务之间的奖励结构差异较大（如检测任务的奖励稠密，而问答类任务往往稀疏），容易导致样本间或任务间训练不平衡的问题。

为此，OneThinker引入了全新的EMA-GRPO（Exponential Moving Average Group Relative Policy Optimization） 强化训练算法，通过对各任务奖励标准差进行滑动平均归一，解决了两个层面的不平衡问题：

• 任务内样本权重不均：缓解模型对低方差样本的过度依赖；

• 任务间梯度贡献失衡：防止稀疏任务在反向传播中占据主导，抑制其他任务学习。

实验结果表明，EMA-GRPO能显著提升强化学习阶段的训练稳定性与收敛速度，为大规模统一推理模型的多任务训练提供了有效支撑。

实验结果

为了全面评估OneThinker的能力，研究团队在图像与视频两个模态下不同任务的31个主流 benchmark上进行了系统测试，覆盖图像问答、视频理解、空间定位、时间定位、目标分割、目标追踪等10类核心视觉任务。

OneThinker在图像问答任务中表现出色，MMMU达到70.6%，MathVerse达到64.3%，在视频理解上，VideoMMM取得了66.2%的表现。

对于时间定位和空间定位任务中，模型在RefCOCO testA的空间定位任务中也取得了93.7%的高分，Charades和ActivityNet的R@0.5分别达到68.3和43.6。

同时，OneThinker在追踪任务GOT-10k上AO达到73.0, 在视频分割任务ReasonVOS上J&F得分为54.9，体现了其在感知类任务中的稳健表现，更多的任务表现请参考原文。

研究团队还发现，在某些任务和模态之间，OneThinker能实现有效的知识迁移与共享，不同任务之间相互促进。

同时，OneThinker在未见任务上展现出零样本能力，能直接适应如点追踪、图像质量评估、GUI理解和旋转目标检测等任务，体现出强大的任务泛化能力。

可以说，OneThinker的推出，不仅展示了强化学习在统一多模态、多任务视觉推理上的潜力，也为构建真正的视觉通才模型提供了清晰的路径。

在大模型不断走向多模态、强推理、通才化的趋势下，OneThinker的工作或许只是一个起点，但它所验证的方向，正在成为通往通用视觉智能（AGI）的关键一环。