El artículo presenta ProLaViT (Progressive Latent Visual Thought), un marco que capacita a los Modelos de Lenguaje Grande Multimodales para realizar derivación visual estructurada dentro de un espacio latente continuo. A diferencia de los enfoques que dependen de expertos externos, utiliza un mecanismo de auto-distilación endógeno donde el propio codificador visual del modelo supervisa los pensamientos latentes.
- Utiliza una canalización de síntesis programática escalable para internalizar la precisión algorítmica sin herramientas en tiempo de inferencia.
- El marco diseña dos paradigmas de razonamiento: Cadena Causal de Grueso a Fino para tareas espaciales y Cadena de Razonamiento Dialéctico para tareas lógicas.
- Se propone una Pérdida de Diversidad Ponderada por Distancia para imponer restricciones conscientes de la topología y prevenir la degeneración de características.
Los experimentos demuestran que ProLaViT supera a las líneas base en benchmarks centrados en la visión, logrando mayor precisión e interpretabilidad con alta eficiencia.