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在训练时限制了对传统话轮数为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-o3的强大之处!M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设计要素。in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计的视觉i-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、试错探索和目标维持等多种推理策o3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,从而有效提升了 开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(SFT),旨在激活源模多轮工具使用能力,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。第二阶段是强化学习(RL),该阶段型实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。
Mini-o3在多个视觉搜索基现超准上表现优异,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 和超轮次掩码技术是提升推理能力的关长视键所在。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。
Mini-o3的推出不仅在技术上实现了新觉推的高度,也为未来多轮视觉推理的发展提供了新的方向。这个模型的成功标志着在无需消耗大量训练资源的情况下,深度思理,考和复杂推理的实现变得更加可能。
论文地址:https://arxiv.org/pdf/2509.0深度7969
- ·上海首例AI著作权案落槌,美杜莎形象抄袭惹争议
- ·泰森中国宣布与阿里云达成战略合作 将在智慧供应链等方向展开合作
- ·标签: 阿维塔 王辉 智能电动汽车 中国汽车
- ·瑞士重磅发布自主开源AI大模型Apertus
- ·云计算核心技术Docker教程:Docker Swarm 服务运行原理
- ·谷歌被控与Facebook合谋操纵广告价格
- ·标签: 友邦人寿 友邦保险 新业务价值 康养管家
- ·黄仁勋:英伟达将转向提供AI云计算服务 生成式AI带来“拐点”
- ·勇敢猪猪不怕困难是什么梗
- ·大数据看近7天离开北京的人都去了哪儿?
- ·谷歌云计算去年四季度营收同比大增44% 但与亚马逊差距依旧明显
- ·NVIDIA 推出革命性 AI 数据中心设计 助力高效能计算
- ·标签: 携程 孙洁 全员信 度假福利金
- ·字节跳动推出 USO 模型,打破 AI 图像生成的 “风格与主题” 对立
- ·从视频片段中推断楼层平面图 新AI研究令人大开眼界
- ·腾讯云 TokenHub 发布 DeepSeek-V4 预览版,百万上下文支持全面上线
