Rethinking Latent Visual Reasoning: Grounding Latent Reasoning in Visual Evidence
Aggiunta all'archivio di AIChronos il (numero del 1 ottobre 2026 ricostruito)· fonte del · Xi Xiao, Tianchen Zhao, Youngeun Kim, Zhuowei Li, Linghan Xu, Jiaye Wu (Amazon)
Questo lavoro analizza il ragionamento visivo latente (LVR) nei modelli linguistici multimodali a grandi dimensioni (MLLMs), identificando una lacuna tra i token latenti e le prove visive corrette dovuta alla mancanza di supervisione esplicita durante l'addestramento GRPO. Gli autori propongono ReaLVR, un framework che introduce la supervisione delle prove visive confrontando risposte corrette e errate generate dal modello per guidare meglio i token latenti. Il metodo supera le baselines esistenti su tre famiglie di modelli, raggiungendo il miglior punteggio medio del 63.7% su Qwen2.5-VL-7B e dimostrando robustezza anche a scale frontier fino a 235 miliardi di parametri.
- Identificazione della 'latent evidence-credit gap': i token latenti rispondono debolmente alle perturbazioni dell'immagine che alterano la risposta corretta.
- Proposta di ReaLVR per colmare il divario tramite supervisione delle prove visive sulle traiettorie latenti autonome del modello.
- ReaLVR contrasta le risposte corrette con quelle errate per determinare dove è necessaria una supervisione più forte e quali evidenze preservare.
- Il framework migliora consistentemente su tre famiglie di modelli, inclusi i modelli frontier fino a 235B parametri.
- Analisi secondaria rivela posizioni dei token latenti più sensibili alle domande e un allineamento rafforzato con le regioni visive rilevanti.
Perché conta. Per gli sviluppatori di agenti AI locali o sistemi MLLM, ReaLVR offre una via per migliorare l'affidabilità del ragionamento visivo senza dover esplicitare ogni passo logico in parole, ottimizzando così l'uso delle risorse computazionali. La capacità di supervisionare i token latenti direttamente con le evidenze visive è cruciale per costruire sistemi che interpretano correttamente immagini complesse anche a scale parametriche elevate.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.