阿里開源R1-Omni，DeepSeek同款RLVR首度結(jié)合全模態(tài)情感識(shí)別，網(wǎng)友：可解釋性+多模態(tài)學(xué)習(xí)=下一代AI
三個(gè)關(guān)鍵方面有顯著提升
西風(fēng) 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI
首次將DeepSeek同款RLVR應(yīng)用于全模態(tài)LLM，含視頻的那種！
眼睛一閉一睜，阿里通義實(shí)驗(yàn)室薄列峰團(tuán)隊(duì)又開卷了，哦是開源，R1-Omni來了。
同樣在杭州，這是在搞什么「開源雙feng」（狗頭保命）？
他們都做了啥？
DeepSeek-R1帶火了RLVR（可驗(yàn)證獎(jiǎng)勵(lì)強(qiáng)化學(xué)習(xí)），之前已有團(tuán)隊(duì)將RLVR應(yīng)用于圖像-文本多模態(tài)LLM，證明其在幾何推理和視覺計(jì)數(shù)等任務(wù)上表現(xiàn)優(yōu)異。
然鵝，尚未探索將其與包含音頻、動(dòng)態(tài)視覺內(nèi)容的全模態(tài)LLM結(jié)合。
薄列峰團(tuán)隊(duì)首次將RLVR與全模態(tài)LLM結(jié)合，聚焦的是視覺和音頻模態(tài)都提供關(guān)鍵作用的情感識(shí)別任務(wù)。
團(tuán)隊(duì)實(shí)驗(yàn)發(fā)現(xiàn)，模型在三個(gè)關(guān)鍵方面有顯著提升：
RLVR的引入不僅提高了模型在分布內(nèi)數(shù)據(jù)上的整體性能，而且在分布外數(shù)據(jù)集上也展現(xiàn)出了更強(qiáng)的魯棒性。
更重要的是，提升后的推理能力使得能夠清晰分析在情感識(shí)別過程中不同模態(tài)所起的作用。
R1-Omni在X上也吸引了不少網(wǎng)友關(guān)注：
非常有趣的論文，我立刻就能預(yù)見到它在市場(chǎng)營(yíng)銷和廣告領(lǐng)域進(jìn)行情感傾向分析的潛力。
還有網(wǎng)友表示可解釋性+多模態(tài)學(xué)習(xí)就是下一代AI的方向。
一起具體來看R1-Omni。
R1-Omni長(zhǎng)啥樣？
在研究方法上，論文首先介紹了DeepSeek同款RLVR和GRPO。
RLVR是一種新的訓(xùn)練范式，其核心思想是利用驗(yàn)證函數(shù)直接評(píng)估輸出，無(wú)需像傳統(tǒng)的人類反饋強(qiáng)化學(xué)習(xí)（RLHF）那樣依賴根據(jù)人類偏好訓(xùn)練的單獨(dú)獎(jiǎng)勵(lì)模型。
給定輸入問題q，策略模型πθ生成響應(yīng)o，接著使用可驗(yàn)證獎(jiǎng)勵(lì)函數(shù)R(q,o)對(duì)其進(jìn)行評(píng)估，其優(yōu)化目標(biāo)為最大化驗(yàn)證獎(jiǎng)勵(lì)減去基于KL散度正則化項(xiàng)的結(jié)果。
RLVR在簡(jiǎn)化了獎(jiǎng)勵(lì)機(jī)制的同時(shí)，確保了其與任務(wù)內(nèi)在的正確性標(biāo)準(zhǔn)保持一致。
GRPO是一種全新的強(qiáng)化學(xué)習(xí)方法，它與PPO等傳統(tǒng)方法有所不同，PPO依賴于一個(gè)評(píng)論家模型來評(píng)估候選策略的性能，而GRPO直接比較生成的響應(yīng)組，避免了使用額外的評(píng)論家模型，簡(jiǎn)化了訓(xùn)練過程。
利用歸一化評(píng)分機(jī)制，GRPO鼓勵(lì)模型在組內(nèi)優(yōu)先選擇獎(jiǎng)勵(lì)值更高的響應(yīng)，增強(qiáng)了模型有效區(qū)分高質(zhì)量和低質(zhì)量輸出的能力。
遵循DeepSeek-R1中提出的方法，團(tuán)隊(duì)將GRPO與RLVR相結(jié)合。
R1-Omni模型構(gòu)建方面，團(tuán)隊(duì)采用了一種受DeepSeek-R1訓(xùn)練方法啟發(fā)的冷啟動(dòng)策略。
在包含232個(gè)可解釋多模態(tài)（視覺和音頻）情感推理數(shù)據(jù)集（EMER）樣本和348個(gè)手動(dòng)標(biāo)注的HumanOmni數(shù)據(jù)集樣本的組合數(shù)據(jù)集上對(duì)HumanOmni-0.5B（一個(gè)專為人為場(chǎng)景理解設(shè)計(jì)的開源全模態(tài)模型）進(jìn)行微調(diào)，使模型具備初步推理能力，了解視覺和音頻線索是如何對(duì)情感識(shí)別產(chǎn)生作用的。
之后，通過RLVR訓(xùn)練優(yōu)化模型，獎(jiǎng)勵(lì)函數(shù)由準(zhǔn)確率獎(jiǎng)勵(lì)和格式獎(jiǎng)勵(lì)組成，準(zhǔn)確性獎(jiǎng)勵(lì)評(píng)估預(yù)測(cè)情感與真實(shí)情感的匹配度，格式獎(jiǎng)勵(lì)確保模型輸出符合指定的HTML標(biāo)簽格式。
模型輸出預(yù)期包含兩部分：一個(gè)推理過程，封裝在”<think></think>”標(biāo)簽內(nèi)，解釋模型如何整合視覺和音頻線索得出預(yù)測(cè)；一個(gè)最終情感標(biāo)簽，封裝在”<answer></answer>”標(biāo)簽內(nèi)，表示預(yù)測(cè)的情感。
推理/理解/泛化三方面提升
實(shí)驗(yàn)評(píng)估中，研究者將R1-Omni與三個(gè)基線模型進(jìn)行比較：原始的HumanOmni-0.5B、在EMER數(shù)據(jù)集上進(jìn)行監(jiān)督微調(diào)的模型EMER-SFT、直接在MAFW和DFEW訓(xùn)練集上基于HumanOmni-0.5B進(jìn)行監(jiān)督微調(diào)的模型MAFW-DFEW-SFT。
評(píng)估指標(biāo)包括無(wú)加權(quán)平均召回率（UAR）和加權(quán)平均召回率（WAR），這些指標(biāo)衡量模型在不同情感類別中準(zhǔn)確分類情感的能力。
重要的是，所有評(píng)估都在開放詞匯情感測(cè)試（OV-emotion）協(xié)議下進(jìn)行。在這種設(shè)置中，模型不提供預(yù)定義的情感類別，而是直接從輸入數(shù)據(jù)中生成情感標(biāo)簽，這增加了評(píng)估的挑戰(zhàn)性和實(shí)際應(yīng)用價(jià)值。
實(shí)驗(yàn)結(jié)果表明，R1-Omni在三個(gè)關(guān)鍵方面優(yōu)于三個(gè)對(duì)比模型：推理能力增強(qiáng)、理解能力提高、泛化能力更強(qiáng)。
研究者展示了一系列可視化示例，比較R1-Omni與其它三個(gè)模型的輸出，R1-Omni提供了更連貫、準(zhǔn)確和可解釋的推理過程。
相比之下原始HumanOmni-0.5B和MAFW-DFEW-SFT模型表現(xiàn)出有限的推理能力，而EMER-SFT雖具備一定推理能力但推理過程連貫性較差且容易產(chǎn)生幻覺。
在MAFW和DFEW數(shù)據(jù)集上，R1-Omni在UAR和WAR指標(biāo)上均優(yōu)于其它模型。
例如在DFEW數(shù)據(jù)集上，R1-Omni實(shí)現(xiàn)了65.83%的UAR和56.27%的WAR，明顯優(yōu)于MAFW-DFEW-SFT的60.23%UAR和44.39%WAR。
為了評(píng)估模型的泛化能力，研究者在RAVDESS數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，該數(shù)據(jù)集作為分布外（OOD）測(cè)試集。
與主要由電影片段組成的MAFW和DFEW數(shù)據(jù)集不同，RAVDESS數(shù)據(jù)集特點(diǎn)是專業(yè)演員以中性北美口音發(fā)表詞匯匹配的陳述，這種數(shù)據(jù)分布的顯著差異使RAVDESS成為評(píng)估模型泛化到未見場(chǎng)景能力的理想基準(zhǔn)。
R1-Omni在RAVDESS數(shù)據(jù)集上相較于MAFW-DFEW-SFT模型有顯著提升，實(shí)現(xiàn)了43.00%的UAR和44.69%的 WAR。
目前，基礎(chǔ)模型HumanOmni-0.5B、冷啟動(dòng)模型EMER-SFT，還有MAFW-DFEW-SFT以及最終模型R1-Omni已全部開源。
參考鏈接：
[1]https://arxiv.org/abs/2503.05379
[2]https://github.com/HumanMLLM/R1-Omni
