多模态大模型在统一生成式推理上面临功能图像生成困难与交错模态标注昂贵两大瓶颈。一项研究提出了Omni-R1框架，通过两阶段训练与自举合成方法，旨在降低标注依赖，稳定生成中间推理图像，为实现统一的多模态推理能力提供了新的解决思路。
智能速览
多模态推理面临功能图像生成困难与标注成本高昂两大挑战。
Omni-R1通过两阶段框架与感知对齐损失稳定生成功能图像。
Omni-R1-Zero无需人工标注，利用纯文本数据自举合成图像。
该研究旨在统一放大、框选、标记等多种视觉推理技能。
精华内容
Omni-R1的核心创新在于其独特的训练策略，它如何分别解决有监督和无监督场景下的难题？以下将从两个具体方案深入剖析。
统一推理的瓶颈
当前多模态大模型（MLLM）在执行统一生成式推理任务时，主要受限于两大核心难题。首先是功能图像生成困难，模型在推理过程中需要生成带有标注、框线或放大区域的中间步骤图像，这类图像在自然世界中不存在，传统生成模型难以稳定、高质量地输出。其次是交错模态推理标注昂贵，训练模型进行逐步推理需要海量的“文本-图像”交错标注数据，这类数据依赖人工制作，成本极高且难以规模化，严重限制了模型能力的进一步提升。
监督下的突破：Omni-R1
为应对上述挑战，研究者提出了Omni-R1，一个包含监督微调（SFT）和强化学习（RL）两阶段的训练框架。该框架的核心是引入了感知对齐损失与感知校准奖励机制。感知对齐损失旨在引导模型生成的功能性图像在视觉上与人类认知对齐，确保图像的有效性。而感知校准奖励则通过奖励模型，进一步优化生成图像的质量和推理逻辑的连贯性。这种方法在有限的标注数据下，也能显著提升模型生成功能图像的稳定性。
无监督的探索：Omni-R1-Zero
更进一步，研究者推出了Omni-R1-Zero版本，旨在彻底摆脱对人工交错标注的依赖。该方法仅需纯文本的思维链数据，通过一种名为“逐步可视化自举”的创新技术来合成推理所需的中间图像。具体而言，模型将文本推理步骤逐步转化为可视化图像，并用这些自生成的图像来训练自身。实验结果表明，Omni-R1-Zero在多项任务上取得了与有监督版本相当甚至更优的平均性能，为低成本训练高性能多模态推理模型开辟了新路径。
Omni-R1及其Zero版本为多模态推理的统一化提供了创新的解决框架，尤其是在降低标注成本和提升生成稳定性方面取得了显著进展。这种新范式是否会推动更多复杂视觉推理任务的普及，并催生下一代AI应用？
