跳到正文

VLM-R1

面向视觉理解任务的强化视觉语言模型

访问官网

VLM-R1 是什么

VLM-R1 被介绍为一种强化学习驱动的视觉语言模型,专注指代表达理解等视觉理解任务。

你可以用它做什么

  • 识别图像中的特定对象
  • 加载自定义数据进行训练
  • 运行训练与评估脚本

上手流程

  • 克隆仓库并安装依赖
  • 准备 COCO 图像与指代表达理解标注
  • 编辑 rec.yaml 指定数据路径
  • 运行 GRPO 方法训练模型

优点与缺点

✓ 我们认可的地方

  • 提供详细的训练和评估脚本
  • 支持自定义数据加载和处理

! 需要留意的地方

  • 数据路径需在 rec.yaml 中配置
  • 训练需运行 GRPO 脚本

常见问题

基于什么模型构建?

资料说明该模型基于 Qwen2.5-VL 构建。

提供哪种训练方法?

资料列出 GRPO 训练方法,即引导式强化策略优化。

最后评测: 2026-11-15

更多 AI 图像生成 工具

查看全部 →

评测方法