在潜空间中推理：让潜在视觉推理成为必要计算
该研究提出因果视觉循环推理（CVRR），旨在确保多模态模型生成答案时真正使用潜在视觉计算。CVRR在预训练视觉语言模型处理图像后，从问题表示初始化循环状态，并通过反复读取相同的视觉证据来更新该状态。在解码前，系统会移除视觉状态和原始多模态KV缓存，因此只有最终循环状态能够将图像条件信息传递给答案。在多个基准测试中，CVRR在这一严格接口下仍保持了较强的视觉能力，而兼容的潜在推理方法未能恢复相当的性能。因果干预实验还表明，模型预测仍对循环内容敏感，持续存在的视觉证据会因果性地改变推理轨迹。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。