[N] Vero: An Open RL Recipe for General Visual Reasoning

paper

TL;DR

• I read this because.. :
• task : MLLM / RL (general visual reasoning)
• problem : open weight VLM 에서 단일 도메인에 치중하지 않고 chart / STEM / spatial / grounding 등 넓은 범위의 visual reasoning 을 RL 로 한 번에 끌어올리기
• idea : 6 카테고리 × 100K 균등 sampling (Vero-600K) + answer 형식별로 분기되는 task-routed reward + GSPO 단일 stage RL
• input/output : {image, question} -> <think>...</think><answer>...</answer>
• architecture : Qwen3-VL-8B-Instruct / Thinking, Qwen2.5-VL-7B-Instruct, MiMo-VL-7B-SFT 위에 그대로 RL. (frozen 여부는 논문에 없음)
• objective : GSPO, asymmetric clipping ($\varepsilon_{high} > \varepsilon_{low}$), no KL. $R = (1-\alpha) R_{acc} + \alpha R_{fmt} + R_{overlong}$ ($\alpha=0.2$)
• baseline : Qwen3-VL-8B-Instruct, Qwen3-VL-8B-Thinking, MiMo-VL-7B-RL
• data : Vero-600K = 59 dataset, 6 카테고리 × 100K. ~50 example 씩 correctness / unambiguity / verifiability 3 기준으로 필터 (filter judge = Qwen3-VL-235B-A22B-Instruct)
• evaluation : VeroEval 30 benchmark (Chart&OCR 6 / STEM 4 / Spatial&Action 5 / Knowledge 4 / Grounding&Counting 8 / Captioning&IF 3)
• result : Vero-Qwen3I-8B 가 base 대비 +5.3 average, Qwen3-VL-8B-Thinking 까지 23/30 에서 능가. Vero-MiMo-7B 가 MiMo-VL-7B-RL (closed recipe) 의 6 카테고리 중 3개 (STEM +0.5, Knowledge +5.1, Captioning +4.0) 에서 이김
• contribution : (1) 600K open RL data + 30 benchmark eval suite open release (2) task-routed reward (10 type) 가 math-verify 단일 대비 +5.4 라는 ablation (3) “data diversity + task-aware reward 로 visual reasoning RL 의 negative transfer 가 완화된다” 라는 주장
• etc. : single stage, ~600 RL step (≈1 epoch). KL penalty 0. category 별 reasoning length 가 16배 차이 (Spatial&Action 1983 단어 vs Grounding/Search 125 단어).

Details

data — Vero-600K

• 59 dataset, 6 카테고리 × 100K 균등 (uniform sampling 이 difficulty / area / length weighting 보다 +0.6~+1.0 점 더 높음 — Table 2)
• 카테고리 구성
  • Chart & OCR (9) : ChartQA, InfoVQA, CoSyn-Chart/Diagram/Table, ArxivQA, ECD-VQA, EvoChart, InfographicVQA, ReachQA
  • STEM (13) : CoSyn-Math, AI2D, Geo170K, GeomVerse, GeoQA+, MMK12, PathVQA, RAVEN, TQA, VisualWebInstruct, VQA-RAD, We-Math 2.0 (Pro & Std)
  • Spatial & Action (8) : GameQA, Magma-AITW, Magma-Mind2Web, Robo2VLM, Spatial-SSRL, ST-VQA, Visual Jigsaw 2D/3D
  • Knowledge & Recognition (12) : A-OKVQA, GQA, IconQA, Indoor-QA, KVG, KVQA, PopVQA, VCR, ViQuAE, Visual7W, VizWiz, VQAv2
  • Grounding, Counting & Search (11) : AerialVG, GroundUI, MultiHop, Objects365-QA, OOD-VQA, OS-ATLAS, Pixel Reasoner, PixMo, RefCOCOg, TallyQA, Visual Probe
  • Captioning & IF (6) : PixMo-AskAnything, PixMo-CapQA, PixMo-Cap, MM-RLVR-IFEval, MMIF-23K, Flickr30K
• 필터링 파이프라인
  • 카테고리당 ~50 sample 씩 직접 보고 기준 정함: correctness (<5% annotation error rate), unambiguity (각 질문이 단일 verifiable answer 가지는지), verifiability
  • automatic filter judge = Qwen3-VL-235B-A22B-Instruct. ambiguous / image-irrelevant / unverifiable question 제거
  • 결과: pre→post filter 평균 61.3–64.1
• (논문에 없음): 카테고리 안에서 dataset 끼리는 어떻게 weighting 했는지 명시 X

training recipe

• algorithm: GSPO (Group Sequence Policy Optimization, asymmetric clipping). ablation 에서 GRPO / DAPO 보다 entropy 더 잘 유지 (0.58±0.11 vs 0.50±0.11 / 0.22±0.15) 하면서 평균 score 도 약간 더 높음 (54.7 vs 54.3 / 54.3)
• single stage RL, warm-start SFT 없음. ~600 step ≈ 1 epoch
• KL penalty 0
• context length: soft overlong penalty buffer $[L_{max}-2048, L_{max}]$
• temperature 등 sampling: Qwen3 계열 T=0.7, Qwen2.5 계열은 appendix Table C2~C3
• SFT vs RL ablation: 같은 Vero-600K 에 대해 RL 이 SFT 보다 +4.4 점 — 즉 데이터 자체가 좋아서가 아니라 RL recipe 가 같이 작동해야 됨

reward — task-routed (핵심 contribution 중 하나)

• 전체 reward $$ R(y, y^) = (1-\alpha) R_{acc}(y, y^) + \alpha R_{fmt}(y) + R_{overlong}(y),\quad \alpha=0.2 $$
• overlong penalty (Eq. 4): $$ R_{overlong}(y) = \min!\Big(-\frac{|y|-(L_{max}-B)}{B}\lambda,\ 0\Big),\quad B=2048,\ \lambda=1.0 $$
• format reward: <think>...</think><answer>...</answer> 구조 지키면 1, 안 지키면 0. 보기 형식 (\boxed{...} 안 쓴 경우 등) 은 0.5 로 partial
• 10 가지 accuracy reward — answer 형식별로 분기
  1. string match (exact text equality)
  2. multiple choice (single letter 추출)
  3. numeric → math-verify (symbolic parse + tolerance)
  4. list string match (synonym 등 any-match)
  5. ordering → 정확한 list 순서면 full reward, set 은 맞고 순서 틀리면 0.2 discount
  6. web action (JSON field weighted match)
  7. grounding (bbox 들 Hungarian matching, IoU/F1 threshold 0.5)
  8. clicking (point-in-box, 좌표 [0,1000] normalize)
  9. instruction following (제약 충족 비율)
  10. LLM-as-judge — Qwen3-32B (thinking disabled), 1~10 점, OLMo3 judge setup 변형
• ablation: math-verify 단일 reward 51.8 → multi-route 57.2 (Table 4b). task-routed 가 +5.4 절대점수 차이로 이김

사용자 코멘트 (p.5, entity recognition "A: Seagull" 옆): “entity recognition은 그냥 exact match로 해야되나.”

reward hacking & judge guideline

• LLM judge 만 두면 모델이 self-evaluative language (“This satisfies all requirements”, “exhaustively documents every… detail”) + fabricated measurement 박아서 점수 inflate 시킴
• mitigation: judge prompt 에 Automatic Failure Conditions 명시 — self-evaluative / meta-commentary 가 잡히면 자동 1점. 보상 해킹이 손해보는 쪽으로 가도록 설계
• (? 뭘까): 이 failure condition 이 정상적인 reasoning 까지 깎을 가능성은? false-positive rate 는 따로 안 잰 듯

evaluation — VeroEval 30 bench

• Chart & OCR (6): ChartQA-Pro, ChartQA, InfoVQA, CharXiv, ChartMuseum, EvoChart
• STEM (4): MMMU-Pro Standard, MMMU-Pro Vision, MathVision, MathVista-testmini
• Spatial & Action (5): Blink, ERQA, GameQA-Lite, EmbSpatial, CVBench
• Knowledge & Recognition (4): RealWorldQA, SimpleVQA, FVQA, MM-Vet V2
• Grounding, Counting & Search (8): CountBenchQA, CountQA, MME-RealWorld, VStarBench, AerialVG, VisualProbe, ScreenSpot, ScreenSpot-Pro
• Captioning & IF (3): MM-MTBench, MIA-Bench, MMIFEval

result

• Vero-Qwen3I-8B vs Qwen3-VL-8B-Instruct: +5.3 평균
  • Chart&OCR +8.5 / STEM +6.4 / Spatial&Action +3.7 / Knowledge +1.0 / Grounding +5.3 / Captioning +5.6
  • Knowledge 만 gain 작음 — 원래 base 가 이미 잘하던 영역으로 보임
• Vero-Qwen3I-8B vs Qwen3-VL-8B-Thinking: 23 / 30 bench 에서 이김 (Instruct base 인데 Thinking base 모델보다 강한 케이스)
• Vero-Qwen3T-8B vs Qwen3-VL-8B-Thinking: 24 / 30 (Grounding +7.2, Chart&OCR +4.2)
• Vero-MiMo-7B vs MiMo-VL-7B-RL (closed RL recipe): 6 카테고리 중 STEM +0.5, Knowledge +5.1, Captioning +4.0 으로 3개 이김 — 오픈 레시피가 클로즈드 레시피랑 붙음

ablation — cross-category transfer

• 핵심 주장: “data diversity + task-aware reward design 으로 negative transfer 가 완화된다”
• single-task RL 은 흔히 다른 카테고리에 neutral 또는 negative transfer. 예: Captioning 만으로 RL 돌리면 Qwen2.5-VL 다른 카테고리가 -4.4 ~ -35.5 점까지 떨어짐
• 6 카테고리 다 섞으면 positive cross-category transfer 가 관찰됨 — 즉 한 카테고리 추가하는 게 다른 카테고리에서도 도움
• 카테고리별 reasoning length 차이가 큼: Spatial & Action 평균 1983 단어 vs Grounding/Search 평균 125 단어

사용자 코멘트 (p.13, “Spatial & Action” 옆): “재밌게도 STEM 보다 Spatial & Action이 더 문장이 많이 필요하네”

etc.

• task-routed reward 의 진짜 효과가 (a) reward signal 의 정확도 때문인지 (b) 카테고리별로 reward 분포가 달라서 자동으로 curriculum / balancing 효과 내는 건지 분리 안 되어 있음
• SFT vs RL ablation 에서 RL 이 +4.4 인 건 동일 데이터 기준이라 fair 하지만, SFT 쪽 hparam tuning 이 충분했는지는 (논문에 없음)
• Knowledge 카테고리 gain 만 +1.0 으로 작은데 — knowledge benchmark 자체가 RL 로 학습해서 얻을 게 적은 (factual recall) 영역이라 그런 듯
• MiMo-VL-7B-RL 이랑 비교에서 6 중 3 이김 = 평균으론 약간 짐. 그래도 “fully open recipe + 600K data 로 closed recipe 따라잡힘” 이라는 게 contribution 의 핵심