研究团队使用Qwen2.5-VL-Instruct-3B作为基准模型进行实验★。经过LMM-R1框架训练后★，模型在各类基准测试上均取得显著提升：

　　数据限制：多模态领域中高质量的推理数据十分稀缺，且答案常常模糊不清，难以用于规则奖励基础推理能力薄弱★：多模态预训练常常会削弱模型在纯文本任务上的能力★，特别是对于参数量有限的小模型

　　项目自2025年2月开源以来迅速获得学术界关注，相关技术方案已被多个知名开源项目采纳为基准架构。目前，LMM-R1框架已在GitHub平台建立独立技术生态★，累计获得超过500+星标关注。

　　FRE阶段利用丰富的高质量纯文本推理数据（如数学题、科学问题等）通过基于规则的强化学习来增强模型的基础推理能力。这一阶段避开了多模态数据的限制，专注于构建坚实的推理基础。

　　,w88官网登录,下载金沙娱场城网址,凯发手机app下载。03月12日★,“雄安团”眼中的未来之城,下面，我宣布银行分行开业庆典现在开始。★,彩票网官网app,搏贝棋牌官网,贝博在哪里玩。

　　,乐虎体育app★,永利皇宫登入口,乐博免费试玩。03月12日,“五一”假期新疆湖泊游升温,她通过情景再现、视频短片、网络安全演示等形式，将国家安全教育融入课堂，教育引导全省青少年学生掌握国家安全常识★，增强国家安全意识，提升维护国家安全的能力★。当天，全省153万名大专院校学生通过长江云、荆楚网★、斗鱼观看了电视课堂网络直播★。14日下午3时，湖北卫视频道、湖北电视教育频道将再次播出，供全省552万名中小学生收听收看★。★,云顶集团游戏网址,米乐6m,电竞压钱网站。

　　,天美棋牌安卓版,威尼斯赌城官网网站,抢庄牛牛突出。03月12日,“丧尸烟弹”在台泛滥 有军人★、警察吸食,“柳神，这究竟是什么？★”小不点开口，忍不住询问。,威尼斯人网址是多少?★,爱体育app下载安卓★,bet亚洲官网手机版★。

　　几何推理领域：使用GeoDB等数据集，增强模型在几何图形推理方面的能力感知-推理平衡领域：使用VerMulti数据集，提升模型在多种视觉任务中的推理能力智能体相关领域：使用推箱子（Sokoban）等需要复杂规划的任务

　　针对多模态领域长期存在的★”高训练成本、低任务泛化★”难题★，LMM-R1框架创造性引入规则化奖励函数机制。

　　值得注意的是，这种两阶段策略避免了对昂贵的高质量多模态训练数据的依赖，同时有效利用了丰富的文本推理数据资源，为构建高性能多模态模型提供了一种高效路径★。

　　过去的一年，我们迎难而上★， 规范实施土地征收房屋搬迁， 积极争取用地指标。 基本 完成张洼村 160 户★、 204 位宅基地和 17 位门面房、9★.8万 M2 的搬迁拆除工作，完成陈岗村1056户房屋的调查摸底和宅基地甄别工作，完成343省道改线土地及地上附着物调查摸底工作，完成凤凰乐园项目101亩土地征收补偿协议的签订★、平安路242.6亩土地地上附着物的清理补偿及土地租用工作 。通过多种方式 协调土地指标1323亩，通过 南水北调调蓄水库 争取土地指标2595 亩。同时完成 安置区、化工技师学院、凤凰乐园等重点项目的6400亩土地测绘★、勘界等工作 。

　　若非他实力强大，换作其他人★，哪怕就是一个尊者在此也被击杀几次了★，没有任何悬念。

　　这是来自东南大学、香港中文大学、蚂蚁集团等研究人员的★，两阶段多模态基于规则强化学习的框架LMM-R1★，实现多模态大模型的推理性能飞跃。

　　在纯文本和多模态基准测试上平均提升约4.5%~4.8%在推理密集型任务（如几何问题）上效果尤为明显

　　值得关注的是★，该框架以上游项目OpenRLHF为基础，实现了完全自主研发的多模态训练方案★：通过重构数据流实现多模态支持，基于张量并行优化和内存管理技术创新，构建起高效稳定的训练体系★。其开创性的PackingSample + Ring FlashAttention技术实现了模型最大上下文长度基于GPU数量的线性增长率，配合动态梯度裁剪策略★，在保证训练稳定性的同时大幅降低资源消耗。

　　MGT阶段将第一阶段培养的推理能力泛化到多模态领域。研究团队在这一阶段探索了几个关键领域★：

　　更重要的是★，实验证明了一个关键发现★：通过先增强基础推理能力再进行多模态泛化的策略，可以有效避免直接在多模态数据上训练时常见的推理能力退化问题。

　　实验证明哪怕是3B规模的小模型，使用LMM-R1的两阶段RL训练，也可以极大增强推理能力，暗示了多模态R1的强大应用潜力★。

　　实验数据显示★，经LMM-R1框架强化的QwenVL-2.5-3B模型★，在推箱子等复杂路径规划任务中，性能显著超越GPT-4o、Claude3★.5等100B+参数量产品级大模型★。

　　多模态大模型虽然在视觉理解方面表现出色，但在需要深度数学推理的任务上往往力不从心★，尤其是对于参数量较小的模型来说更是如此★。

　　如图所示★，通过LMM-R1框架训练的模型（下侧）能够正确应用勾股定理计算出圆锥的斜高，而基准模型（上侧）错误地识别了斜高位置，导致计算错误★。这种显著的推理能力提升来自于一个创新的两阶段训练策略。

　　团队表示将持续深耕多模态模型领域，推动多模态强化学习技术在智能体、视觉问答等场景的落地应用。与开源社区共建多模态强化学习框架。

　　时事1：优德在线日★,锚定现代化 改革再深化丨江西吉州区“新乡贤”跨界“新农人” 激活乡村振兴★“一池春水”,“就是人皇做出这种事，也要对天下人有个交代，就更不要说她家了。你是否想包庇，人情大于道理，想徇私枉法吗★？★”对面的老人冷漠的问道★，眸子中浮现日月星河，透出的气息将桌子都绞碎了。,二八杠麻将怎么数牌。

　　在典型智能体应用场景验证中，研究团队选取推箱子任务作为评估基准。该任务要求模型同步处理视觉空间解析、目标匹配、动态路径规划等多模态推理能力，对智能体在现实场景中的决策能力具有重要指示意义★。经LMM-R1框架强化后的模型，仅通过初始画面即可完成完整动作序列规划。

　　在这个阶段★，模型学习如何进行严密的逻辑思考、复杂的数学运算和多步骤推理，为后续的多模态泛化奠定基础。

　　针对这些挑战，研究团队提出了LMM-R1框架，通过创新的两阶段训练策略巧妙解决了以上问题。

　　通过深度优化DeepSeek-R1核心思想★，该框架在无需多模态标注数据的情况下★，仅需240元GPU成本即可显著增强模型性能，成功将多模态模型的推理能力提升至工业级应用标准。

　　DeepSeek-R1和OpenAI的o1等模型已经证明了基于规则奖励的强化学习在纯文本大语言模型中的有效性。然而，将这一成功经验扩展到多模态领域面临两大关键挑战：