跳过语言描述，重新聚焦视觉：多模态大语言模型中的推理分割潜在推理

英文标题：Skip the Talk, Re-Focus on Vision: Latent Reasoning for Reasoning Segmentation in Multimodal Large Language Models

该论文以 arXiv:2609.30783v1 的新稿形式发布，研究多模态大语言模型中的“推理分割”（Reasoning Segmentation）问题。推理分割旨在理解隐含的文本查询，并实现细粒度视觉感知，这对人机交互、具身 Agent 等应用至关重要。论文聚焦于以潜在推理替代显式语言推理链的思路，探索让模型更直接地将推理能力重新聚焦于视觉理解与分割任务。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB