一、教程简介

PixelReasoner-RL-v1 是由 TIGER AI Lab 于 2025 年 5 月发布的突破性视觉语言模型，相关论文成果为「Pixel Reasoner: Incentivizing Pixel-Space Reasoning with Curiosity-Driven Reinforcement Learning」。

该项目基于 Qwen2.5-VL 架构，通过创新的好奇心驱动强化学习训练方法，突破了传统视觉语言模型仅依赖文本推理的局限。 PixelReasoner 能够在像素空间中直接进行推理，支持缩放、选择帧等视觉操作，显著提升了对图像细节、空间关系和视频内容的理解能力。

核心特性：

• 像素级推理：模型可以直接在图像像素空间进行分析和操作
• 全局与局部理解结合：既能把握图像整体内容，又能放大聚焦特定区域
• 好奇心驱动训练：引入好奇心奖励机制，激励模型主动探索像素级操作
• 增强推理能力：对复杂视觉任务表现出色，包括微小物体识别、细微空间关系理解等

本教程使用 Gradio 部署 PixelReasoner-RL-v1 作为演示，算力资源采用「单卡 RTX 5090」。

二、效果展示

PixelReasoner-RL-v1 在多项视觉推理任务上表现优异：

• 图像理解：准确识别图像内容、物体关系和场景细节
• 细节捕捉：能够发现图像中的微小物体、嵌入文字等精细信息
• 视频分析：通过选择关键帧理解视频内容和动作序列
• 空间推理：精确理解物体的空间位置、相对关系

三、运行步骤

1. 启动容器

启动容器后点击 API 地址即可进入 Web 界面

首次启动约需 2-3 分钟，请耐心等待。部署完成后，点击「API 地址」直接访问 Gradio 界面。

2. 开始使用

引用信息

本项目引用信息如下：

@article{pixelreasoner2025,
  title={Pixel Reasoner: Incentivizing Pixel-Space Reasoning with Curiosity-Driven Reinforcement Learning},
  author={Su, Alex and Wang, Haozhe and Ren, Weiming and Lin, Fangzhen and Chen, Wenhu},
  journal={arXiv preprint arXiv:2505.15966},
  year={2025}
}