【论文笔记】【强化微调】T-GRPO:对视频数据进行强化微调

tulerfeng/Video-R1: Video-R1: Reinforcing Video Reasoning in MLLMs [🔥the first paper to explore R1 for video]

1. 引述

在强化微调中,像 GRPO、DAPO 这样的方法都是对文本或者图片进行微调思考,所以这类微调方法不对时序信息做处理,因此无法很好的迁移到视频的强化微调中。

虽说目前有不少视频理解的工作,但是都没有加上强化微调的方法。也就是说,针对视频数据的强化微调很稀缺。

于是几个大学(港大+清华+中科大)联合搞了一个 Video-R1,提出 T-GRPO,实现对视频进行思考。

2. T-GRPO

T-GRPO 的核心思路如上图。

相比 GRPO,T-GRPO 的创新在于使大模型微调的时候,能关注时序信息。做法就是将视频数据复制一份,并将这一份的视频帧打乱,打乱视频帧的视频就没有时序信息了。

于是,设置奖励,使得模型在分析视频内容时,要求对有时序信息的视频帧分析正确,对乱序的视频帧分析错误。写成公式如下:(这里的 设置为 0.3)

于是乎,T-GRPO 的核心奖励如下:

其中, 代表问题是否回答正确。这个公式的意思就是说,如果有时序信息的视频帧的分析效果比乱序的更好,那么奖励就是

除此之外,还对模型输出长度通过奖励做了限制。如果输出长度少,还有额外奖励:

最小长度 被设置为 320,最大长度 被设置为 512

相关推荐
张较瘦_10 天前
[论文阅读] 软件工程 + 教学 | 软件工程项目管理课程改革:从传统教学到以学生为中心的混合式学习实践
论文阅读·学习·软件工程
ZHANG8023ZHEN10 天前
GameFormer论文阅读
论文阅读
青椒大仙KI1110 天前
论文笔记 <交通灯><多智能体>MetaLight:基于价值的元强化学习用于交通信号控制
论文阅读
莱茶荼菜10 天前
论文阅读-单目视觉惯性系统时间标定(二)
论文阅读
ZHANG8023ZHEN10 天前
SIMPL论文阅读
论文阅读
HollowKnightZ11 天前
论文阅读笔记:Digging Into Self-Supervised Monocular Depth Estimation
论文阅读·笔记
ZHANG8023ZHEN11 天前
FocalAD论文阅读
论文阅读
Catching Star11 天前
【论文笔记】【强化微调】TinyLLaVA-Video-R1:小参数模型也能视频推理
论文阅读·强化微调
青椒大仙KI1112 天前
论文笔记 <交通灯> IntelliLight:一种用于智能交通灯控制的强化学习方法
论文阅读