視覺推理「囫圇吞棗」靠不??！ProLaViT教會(huì)多模態(tài)大模型在隱空間里「步步為營」

在多模態(tài)大模型（MLLM）時(shí)代，讓模型看懂一張圖早已不是難事，但要讓它真正想清楚一張圖，做多步的空間感知、幾何分析與邏輯推斷，卻依然存在困難。

為了解決這種「看得到卻想不對(duì)」的現(xiàn)象，研究界給推理鏈里塞進(jìn)了視覺信息：一種是顯式生成中間圖像（如 Anole、ThinkMorph），效果理想，但算力開銷高；另一種是隱式隱空間推理（如 Mirage、LVR），試圖直接在特征空間里「一步」定位出目標(biāo)區(qū)域，結(jié)果常常精度崩塌、注意力關(guān)注在無關(guān)的背景上。

針對(duì)這一挑戰(zhàn)，騰訊內(nèi)容服務(wù)部 BAC 提出了一個(gè)名為ProLaViT（Progressive Latent Visual Thought）的全新框架。它的核心思想是：別急著下結(jié)論，先在連續(xù)隱空間里像人一樣「步步推導(dǎo)」。 即讓模型遵循「定位 → 聚焦 → 分離」（Locate → Focus → Isolate）的因果鏈，逐步收緊視覺注意力，最終精準(zhǔn)鎖定目標(biāo)。

該論文已被 ECCV 2026 接收。

• 論文地址：https://arxiv.org/abs/2607.02907
• Github 地址：https://github.com/TencentBAC/ProLaViT
• 項(xiàng)目主頁：https://tencentbac.github.io/ProLaViT/
• Huggingface 地址：https://huggingface.co/collections/TencentBAC/prolavit

現(xiàn)有路線的問題：

顯式生成太貴、隱式推理太飄

如下圖所示，把視覺信息引入推理鏈的現(xiàn)有路線各有硬傷：

1. 純文本 CoT：模態(tài)鴻溝。 讓模型把推理一步步寫成文字。問題在于，文本本質(zhì)上是抽象的，天然丟失細(xì)粒度的空間關(guān)系。于是模型把「電視下方的家具」腦補(bǔ)成了「木地板」，邏輯通順，結(jié)果卻是錯(cuò)的。

2. 一步隱空間預(yù)測：精度崩塌。 想跳過文本，直接在隱空間里一次性指出目標(biāo)區(qū)域。但單步預(yù)測往往超出了模型的表征容量，結(jié)果就是注意力跑偏，脆弱的表征最終導(dǎo)致錯(cuò)誤答案。

ProLaViT 的答卷很干脆：既不畫像素，也不瞎猜，而是在「結(jié)構(gòu)化隱空間」里做漸進(jìn)式推導(dǎo)。 把一道復(fù)雜的視覺題拆成一條隱式思維鏈，讓每一步只往前走一小步。

不請「外援」：

模型自己的眼睛，就是最好的老師

訓(xùn)練多步隱空間模型有個(gè)繞不開的難題：中間步驟沒有現(xiàn)成的「標(biāo)準(zhǔn)答案」圖像。 以往的方法只能去請外援，例如 SAM、DINO、DepthAnything 這些外部視覺專家來當(dāng)老師。然而，這樣做往往帶來域偏移和工程復(fù)雜度的問題。

ProLaViT 的做法是：內(nèi)生自蒸餾（Endogenous Self-Distillation）。 不請外人，直接拿 MLLM 預(yù)訓(xùn)練視覺編碼器當(dāng)老師。

上述方案具體怎么做？關(guān)鍵在于一條可編程合成流水線（Programmatic Synthesis Pipeline）

• 再用一次跨模態(tài)注意力，把 LLM 生成的隱式思維對(duì)齊到教師特征上，最小化蒸餾損失：

這么一來，模型在訓(xùn)練時(shí)就把漸進(jìn)式視覺證據(jù)內(nèi)化進(jìn)了自己的隱空間，推理時(shí)完全不需要任何外部工具。

兩套「思維套路」：

空間題靠定位，邏輯題靠思辨

ProLaViT 把推理拆成一條隱式思維鏈，并針對(duì)不同任務(wù)設(shè)計(jì)了兩種范式。

套路一：由粗到細(xì)因果鏈（Coarse-to-Fine Causal Chain）。 面向視覺搜索、目標(biāo)定位等空間任務(wù)，走 「定位 → 聚焦 → 分離」 的路子，注意力一步步聚焦：

套路二：辯證推理鏈（Dialectical Reasoning Chain）。 面向拼圖復(fù)原這類邏輯任務(wù)，走 「假設(shè) → 批判 → 驗(yàn)證」（Hypothesize → Critique → Verify） 的反事實(shí)思辨路線：

每一步都由 LLM 嵌入空間里的一組可學(xué)習(xí) token 表示。

防止「思路打結(jié)」：

距離加權(quán)多樣性損失

多步隱空間推理有個(gè)常見問題，即隱空間坍縮（Latent Collapse）：后續(xù)步驟的表征越來越相似，隱式思維鏈發(fā)生退化。

作者借鑒度量學(xué)習(xí)，提出距離加權(quán)多樣性損失（Distance-Weighted Diversity Loss）。先用一個(gè)帶間隔的形式，允許隱式思維鏈的 hidden state 合理相似、只懲罰過度坍縮：

除此之外，更關(guān)鍵的洞見是：因果距離越遠(yuǎn)的兩步，越應(yīng)該彼此不同。 于是給每對(duì)步驟加上一個(gè)距離權(quán)重：

這樣既尊重了推理鏈的層級(jí)結(jié)構(gòu)，相鄰步保留適度相似以延續(xù)語境，遠(yuǎn)端步被強(qiáng)制拉開，又有效防住了表征坍縮。

跑分見真章：

準(zhǔn)、穩(wěn)，還看得見「想法」

作者基于 Qwen2.5-VL-7B-Instruct 實(shí)現(xiàn) ProLaViT，在 MMVP、VisPuzzle、VStar、ChartQA、BLINK、CV-Bench 等一系列的視覺推理基準(zhǔn)上做了廣泛測試。

1. 準(zhǔn)。 ProLaViT（完整版，帶距離加權(quán)多樣性損失）拿下了75.11% 的最高平均準(zhǔn)確率，全面超越基線。相比「一步隱空間預(yù)測」，在 VisPuzzle（+2.25%）和 BLINK-Jigsaw（+10.00%）這類復(fù)雜任務(wù)上提升尤為顯著。

2. 穩(wěn)。 ProLaViT 靠內(nèi)生自蒸餾保持域一致性，在 ChartQA 上穩(wěn)穩(wěn)拿下78.99%。在最考驗(yàn)邏輯驗(yàn)證的 BLINK-Jigsaw 上，更是相比基座模型暴漲 +16.67%，驗(yàn)證了「假設(shè) → 批判 → 驗(yàn)證」辯證范式的有效性。

3. 可解釋。 作者把各推理步 token 表征的余弦相似度畫成熱力圖：

消融實(shí)驗(yàn)

漸進(jìn)式分解不可或缺。 把所有視覺線索壓進(jìn)單個(gè)隱狀態(tài)的「一步預(yù)測」存在明顯瓶頸；換成 ProLaViT 的多步推導(dǎo)后，ChartQA +15.97%、BLINK-Jigsaw +10.00%，平均 +7.45%。復(fù)雜視覺推理確實(shí)會(huì)壓垮單一隱狀態(tài)，而結(jié)構(gòu)化鏈能把認(rèn)知負(fù)擔(dān)分?jǐn)傞_。

內(nèi)生 vs. 外生蒸餾。 把原生視覺編碼器換成外部專家：DINOv2（判別式）尚能打，但在 VStar 等細(xì)粒度感知上落后；SDXL-VAE（生成式）在 VisPuzzle 上災(zāi)難性失敗。作者推測原因是 VAE 隱空間為像素重建而生，幾何與空間邏輯被壓成了噪聲。原生編碼器提供的才是天然對(duì)齊的監(jiān)督信號(hào)。

推理步順序至關(guān)重要。 把四步順序隨機(jī)打亂后，平均 下降 6.24%，VisPuzzle（-6.25%）和 CV-Bench（-8.52%）。沒先建立全局上下文就直接做細(xì)粒度分割，違背了信息的自然流向，即漸進(jìn)式因果結(jié)構(gòu)是有效視覺推理的根本前提。

展望

ProLaViT 提出了一種「結(jié)構(gòu)化隱空間漸進(jìn)推導(dǎo)」的視覺推理新范式。它打破了「顯式生成太貴、隱式推理太飄」的兩難，用內(nèi)生自蒸餾讓模型從可編程合成數(shù)據(jù)中內(nèi)化算法級(jí)精度、擺脫對(duì)外部視覺專家的依賴，再用距離加權(quán)多樣性損失緩解隱空間坍縮，讓每一步思維都獨(dú)特而遞進(jìn)。

這項(xiàng)工作不僅在視覺搜索、拼圖復(fù)原等重感知基準(zhǔn)上取得了有競爭力的結(jié)果，更重要的是，它把推理從離散的文本空間搬進(jìn)了連續(xù)的結(jié)構(gòu)化隱空間，為彌合困擾傳統(tǒng)思維鏈的模態(tài)鴻溝提供了一條兼顧準(zhǔn)確率、可解釋性與效率的可行路徑。面向未來，把這種結(jié)構(gòu)化隱式推導(dǎo)拓展到視頻時(shí)序推理、引入更復(fù)雜的幾何變換，將為更通用、更可解釋的多模態(tài)智能鋪平道路。