研究：多模态训练使纯文本推理涌现“视觉式思维”

Qi Zhang 等研究者在 arXiv 发表论文，称通过因果消融实验发现多模态训练会重塑语言模型纯文本推理的内部表征，并提出涌现“视觉式思维”（EVT）的概念。研究覆盖来自 6 个模型家族、10 种多模态配置，均配有对应的纯文本骨干模型作为对照。 具体方法上，研究者在隐状态空间中识别出一条“视觉-语言轴”，并在推理时消融其投影。结果显示，这一效应在 7–8B 模型中集中于空间维度，而在所测的 32B 配置中扩展到非空间性的视觉属性绑定；在 BAGEL、Janus-Pro 等双路径统一模型中，因果控制点定位于生成路径上的一个紧凑一维载体。

AI 根据报道生成 · 39 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。