搭建思维脚手架：优化用于多模态推理的潜在视觉目标表征

英文标题：Scaffolding Minds: Optimizing Latent Visual Target Representations for Multimodal Reasoning

该论文发表于 arXiv（arXiv:2608.19669v1），提出围绕潜在视觉目标表征优化多模态推理的方法。其核心采用两阶段训练范式：首先在监督微调（SFT）阶段，将辅助图像编码为潜在 token，以教授视觉思维链。原始摘要在“这些潜在 token 被进一步……”处截断，因此未提供完整的第二阶段细节、实验数据或最终结论。该研究表明，潜在视觉 token 可能成为增强多模态模型视觉推理能力的重要训练信号。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB