Makalah ini memperkenalkan ProLaViT (Progressive Latent Visual Thought), sebuah kerangka kerja yang memberdayakan Model Bahasa Besar Multimodal (MLLM) untuk melakukan derivasi visual terstruktur di dalam ruang laten kontinu. Berbeda dengan pendekatan yang mengandalkan ahli eksternal, metode ini menggunakan mekanisme distilasi diri endogen di mana encoder visual model sendiri mengawasi pikiran laten.
- Ini memanfaatkan pipeline sintesis programmatik yang skalabel untuk menginternalisasi presisi algoritmik tanpa alat saat inferensi.
- Kerangka kerja ini merancang dua paradigma penalaran: Rantai Kausal Kasar-ke-Halus untuk tugas spasial dan Rantai Penalaran Dialektis untuk tugas logis.
- Sebuah Kerugian Diversitas Berbobot Jarak diusulkan untuk memaksakan batasan yang sadar topologi dan mencegah degenerasi fitur.
Eksperimen menunjukkan bahwa ProLaViT mengungguli baseline pada benchmark berpusat pada visi, mencapai akurasi dan interpretabilitas yang lebih unggul dengan efisiensi tinggi.