تقدم الورقة البحثية ProLaViT (Progressive Latent Visual Thought)، وهو إطار عمل يمكّن النماذج اللغوية الكبيرة متعددة الوسائط (MLLMs) من إجراء اشتقاق بصري هيكلي داخل فضاء كامن مستمر. وعلى عكس النهج التي تعتمد على خبراء خارجيين، تستخدم هذه الطريقة آلية تقطير ذاتي داخلي حيث يشرف مشفر النموذج البصري على الأفكار الكامنة.
- يستخدم خط أنابيب تركيب برمجي قابل للتوسع لتعميق الدقة الخوارزمية دون الحاجة إلى أدوات أثناء الاستدلال.
- يصمم الإطار باراديمين للاستدلال: سلسلة السببية من الخشن إلى الدقيق للمهام المكانية وسلسلة الاستدلال الجدلي للمهام المنطقية.
- تم اقتراح خسارة التنوع المرجحة بالمسافة لفرض قيود واعية بالطوبولوجيا ومنع تدهور السمات.
تُظهر التجارب أن ProLaViT يتفوق على الأساليب الأساسية في المعايير البصرية، محققاً دقة وقابلية تفسير فائقة بكفاءة عالية.