📖 AI 总结

本文介绍了一项名为“内化视觉思维”（IVT）的研究，旨在解决多模态大语言模型在视频推理中依赖视觉思维链（Visual CoT）带来的高推理开销问题。Visual CoT通过生成中间推理图像来增强空间与时间理解，但代价是显著的延迟增加。IVT提出一种后训练框架，在无标注视频上联合优化文本预测与下一嵌入预测，使模型在训练阶段内化对未来帧的表征学习，从而在推理时直接生成答案，无需合成或重新编码未来帧。实验覆盖六种评估设置，结果显示IVT在保持相同高效推理路径的同时，性能优于纯文本后训练，并与Visual CoT相当或更佳，端到端延迟降低超过5倍。研究表明，显式像素空间生成并非视频推理必需，预测性世界建模可在训练中内化，从而兼顾准确性与效率。