重磅发布！DeepSeek R1方法成功迁移到视觉领域，多模态AI迎来新突破！（附项目链接）

江大白 · 公众号 · · 2025-02-21 08:00

正文

以下文章来源于微信公众号：机器之心

作者：机器之心

链接：https://mp.weixin.qq.com/s/TZHdZ2H_-dkjzODr1dxjrw

本文仅用于学术分享，如有侵权，请联系后台作删文处理

导读

本文为大家介绍一个开源项目VLM-R1！它将DeepSeek的R1方法成功地从纯文本领域迁移到了视觉语言领域，打开了多模态领域的想象空间，推动了视觉与语言融合的新进展！

各位开发小伙伴，今天要给大家安利一个全新的开源项目 ——VLM-R1！它将 DeepSeek 的 R1 方法从纯文本领域成功迁移到了视觉语言领域，这意味着打开了对于多模态领域的想象空间！

这个项目的灵感来自去年 DeepSeek 开源的那个 R1 方法，靠着 GRPO（Group Relative Policy Optimization）强化学习方法，在纯文本大模型上取得了惊人的效果。

现在，VLM-R1 团队直接把它应用到了视觉语言模型上，打开了一扇新的大门！

VLM-R1 验证结果惊艳

这个项目的团队在 Qwen2.5-VL 的基础上，同时对比了 R1 和传统的 SFT 方法。结果相当惊艳：

1、稳定性拉满：R1 方法在各种复杂场景下都能保持稳定的高性能，这在实际应用至关重要！

2. 泛化能力卓越：更让人震惊的是，在领域外的测试数据上，随着训练步数增加，传统 SFT 模型的性能开始下滑，而 R1 模型却能持续提升！这意味着 R1 方法帮助模型真正 “学会” 了理解视觉内容，而不是简单地记忆！

（训练和测试领域的差异对比）

（泛化性对比，绿线是 VLM-R1，在领域外泛化性显著更优）

3、上手超简单：VLM-R1 项目团队还贴心地提供了完整的训练和评估流程，四步就能开始训练，对开发者十分友好。

小编亲测之后，在此分享一个实际案例，结果让人意外。

图片里展示了一桌子丰盛的美食，包括各种蔬菜、面饼和点心。针对图片，我们向模型提出了一个问题：“在图片中找出蛋白质含量最高的食物”。

模型不仅回答得准确：

“图片中展示了桌上的各种菜品，包括蔬菜、面饼和点心。从蛋白质含量来看，面饼或面点可能含量最高，因为它们通常由全谷物制成，面粉中含有蛋白质。虽然蔬菜也含有蛋白质，但比起这些主食来说含量较少。”

更厉害的是，它还精准地在图片中框选出了那个蛋白质含量最高的鸡蛋饼！

这种精确的视觉理解能力和推理能力，让人印象深刻！

完美展示了 VLM-R1 在实际应用中的优势：

全新思路

作为一个 AI 领域的观察者，VLM-R1 的出现也为开发者和行业提供了许多新的思路，比如：

1、证明了 R1 方法的通用性，不止文本领域玩得转；

2、为多模态模型的训练提供了新思路；

3、或许能够引领一种全新的视觉语言模型训练潮流；

完全开源

最棒的是，这个优秀的项目完全开源！