VLM-R1

VLM-R1 是一个稳定且泛化的R1风格大规模视觉-语言模型，旨在通过强化学习提升视觉理解能力。该项目基于Qwen2.5-VL模型，采用R1和SFT方法进行训练，在领域内外数据上均表现出色，特别是在开放领域数据上的推理能力得到了显著增强。支持多种训练模式，包括全微调、冻结视觉模块、LoRA微调、多节点训练及多图像输入训练等，并提供了针对自定义数据集的解决方案。适用于需要高级视觉理解和跨模态交互的应用场景，如图像描述生成、视觉问答系统等。