OThink-MR1团队 投稿 量子位 | 公众号 QbitAI SFT就像是老师给学生划重点，让学生按照固定的模式学习。虽然这种方法在特定任务上确实能让模型表现得不错，但难以培养关键的通用推 理能力。 与此同时， 强化学习（RL） 作为另一种训练方法，开始进入人们的视野。 RL就像是让学生在不断尝试中学习，做得好就给奖励，做得不好就"挨批评"。这种方法理论上可以让模型更灵活地应对各种任务，提升其推理 能力，但却存在多模态任务通用能力未充分探索、训练约束易导致次优瓶颈等问题。 用上动态强化学习，多模态大模型也能实现泛化推理了？！ 来自OPPO研究院和港科广的科研人员提出了一项新技术—— OThink-MR1 ，将强化学习扩展到多模态语言模型，帮助其更好地应对各种复 杂任务和新场景。 研究人员表示， 这一技术使业界突破多模态泛化推理能力 。 众所周知，多模态大模型可以处理多种类型输入数据并生成相关输出，但一遇到复杂推理任务，其能力往往表现不佳。 目前大多数多模态模型在训练时，主要采用 监督微调（SFT） 的方法。 于是乎，OThink-MR1技术应运而生。 那么，它是如何让多模态模型突破泛化推理能力的呢？ 基于 ...