颠覆传统!Mini-o3 开源模型实现超长视觉推理,深度思考不再是难题
近日,字节跳动与香港大学联合推出了一款全新的开源视觉推理模型 ——Mini-o3,标志着多轮视觉推理颠覆技术的又一重大突破。与以往只能进行1-2轮对话的视觉语言模型(VLM)不同,Mini-o3在训练时传统限制了对话轮数为6轮,但在测试阶段却能将推理轮数扩展至数十轮,极大提升了视觉问题处理的能力。 Mini-o!M3的强大之处在于其在高难度视觉搜索任务中实现了深度推理,达到当前技术的顶尖水平。这得益于该模型的三个核心in设计要素。首先,研究团队构建了一个名为 VisualProbe 的视觉探测数据集,包含数千个针对探索性推理设i-计的视觉搜索难题。其次,他们开发了一种迭代数据收集流程,使模型能够学习深度优先搜索、试错探索和目标维o3持等多种推理策略。最后,研究团队提出了超轮次掩码策略,在强化学习过程中避免对达到最大交互轮次的回答进行惩罚 开,从而有效提升了训练效率和测试扩展性。 训练 Mini-o3的过程分为两个阶段。第一阶段是冷启动监督微调(S源模FT),旨在激活多轮工具使用能力,研究团队通过上下文学习方式收集了大量高质量的推理轨迹。第二阶段是强型实化学习(RL),该阶段通过降低图像像素限制和引入超轮次掩码机制,极大提高了模型的互动轮次和推理能力。 M现超ini-o3在多个视觉搜索基准上表现优异,超越了现有的开源模型。研究人员通过对比实验,发现冷启动 SFT 和长视超轮次掩码技术是提升推理能力的关键所在。此外,合理的最大像素预算设置对于模型性能的优化也至关重要。 M觉推ini-o3的推出不仅在技术上实现了新的高度,也为未来多轮视觉推理的发展提供了新的方向。这个模型的成功标理,志着在无需消耗大量训练资源的情况下,深度思考和复杂推理的实现变得更加可能。 论文地址:https://深度arxiv.org/pdf/2509.07969
- 最近发表
- 随机阅读
-
- 谷歌 AI 模型成功预测今年最强大西洋风暴的强度与路径
- 阿里云张建锋:未来2年 阿里云20%新增算力将使用自研CPU
- 腾讯发布自研第四代大数据平台
- 标签: 工业富联 AI_GPU机柜 800G交换机 CPO交换机
- 微软Copilot免费开放GPT-5多文件推理能力:免费支持多文件同时分析
- Twitter正在开发新功能 想加强隐私控制
- 标签: 小米YU7 德克兰·赖斯 小米汽车 英超冠军
- 最高支持千亿向量规模 腾讯云向量数据库全面升级
- MetaHuman效果炸了!但如果只想到元宇宙,那格局有点小了
- 不孕不育的新曙光:AI
- 云计算核心技术Docker教程:Docker Hub恢复帐户
- 昆仑万维AI视频产品SkyReels将于11月初上线全新版本
- 云计算开发:Python练习实例-时间函数举例
- IDC:2025年中国大数据总体市场规模将超250亿美元
- 盲人也能“看见”街景?Google新AI系统让虚拟探索无障碍,科技向善迈出关键一步
- 路过的蚂蚁也要称赞是什么梗
- Intel 发布全新机架级 AI 芯片 Jaguar Shores,搭载 HBM4 内存
- 开源AI智能体平台LangChain完成1.25亿美元融资:估值达12.5亿美元成为独角兽
- 标签: MiniMax 稀宇科技 中信证券 AI大模型
- 前字节AI高管廖谦“下海”做乙方:半个月搞定数百万美元,要让营销代理像007一样接单
- 搜索
-
- 友情链接