VisualThinker-R1-Zero

收录理由

这个仓库记录了一项研究复现工作，把DeepSeek-R1-Zero的强化学习训练方法应用到一个较小的视觉语言模型上。作者用GRPO算法训练了2B参数的Qwen2-VL模型，全程没有做监督微调，结果观察到模型在视觉推理任务中出现了和纯文本版R1-Zero类似的自我反思行为，回答长度会随训练逐步增加，甚至出现了那种模型自己发现错误、主动修正的“顿悟时刻”。对研究多模态推理的学者和学生来说，这份材料很有参考价值，尤其是想了解推理能力如何在强化学习后训练阶段自然涌现的人。作者还在Hugging Face上放出了模型检查点，想复现或扩展这套训练流程的话，可以直接拿它当起点。整体上属于研究性质的项目，不是面向生产环境的工具。