O artigo apresenta o ProLaViT (Progressive Latent Visual Thought), um framework que capacita Modelos de Linguagem Grande Multimodais a realizar derivação visual estruturada dentro de um espaço latente contínuo. Diferente de abordagens que dependem de especialistas externos, ele utiliza um mecanismo de auto-distilação endógeno onde o próprio codificador visual do modelo supervisiona os pensamentos latentes.
- Utiliza um pipeline de síntese programática escalável para internalizar a precisão algorítmica sem ferramentas no tempo de inferência.
- O framework projeta dois paradigmas de raciocínio: Cadeia Causal de Grosso para Fino para tarefas espaciais e Cadeia de Raciocínio Dialético para tarefas lógicas.
- É proposta uma Perda de Diversidade Ponderada por Distância para impor restrições conscientes da topologia e prevenir a degeneração de características.
Experimentos demonstram que o ProLaViT supera as linhas de base em benchmarks centrados na visão, alcançando precisão e interpretabilidade superiores com alta eficiência.