[CVPR 2026] 想象力有助于视觉推理，但潜空间可能只是个“幻觉”

TL;DR

长期以来，学术界普遍认为在多模态大模型（MLLM）的隐藏层（Latent Space）进行推理是实现“人类般想象力”的捷径。然而，本文通过因果中介分析（Causal Mediation Analysis）拆穿了这个美好的愿景：当前的潜空间标记（Latent Tokens）既不反映输入的变化，也不真正决策输出。作者由此转向显式的文本空间想象（CapImagine），在性能上全方位碾压了现有的潜空间 SOTA 方法。

背景定位：潜空间推理的“皇帝新衣”

在视觉推理领域，Latent Visual Reasoning (LVR) 一直被视为高端玩家的选择。相比于僵硬的工具调用，LVR 试图通过模型内部的隐藏状态来编码视觉信息。然而，本文作者敏锐地察觉到，虽然这类模型在榜单上表现不错，但没有人能解释那些神秘的 Latent Token 到底在想什么。

痛点深挖：两大断连现象

作者将推理过程建模为因果链：$X（输入）oZ（潜标记）oY（答案）$。通过大规模实验，发现了两个令人震惊的结论：

1. Input-Latent Disconnect：无论你给模型看什么图、问什么问题，生成的潜标记相似度极高。这意味着模型在潜空间里几乎在“念经”，根本没看输入。
2. Latent-Answer Disconnect：即使你把潜标记换成随机高斯噪声，或者直接抹除，模型的最终准确率波动极小。这证明了潜标记对结果几乎没有因果贡献。

核心方法：CapImagine —— 回归文本的魅力

既然潜空间靠不住，作者干脆反其道而行之：让模型用嘴说出它的想象。

1. 数据重写 (Data Rewriting)

作者并没有寻找新数据，而是将现有的潜空间训练集（如 Monet-SFT-125K）进行了文本化改造。利用 Qwen3-VL 将中间的图像操作（如“放大左上角区域”）转化为精炼的视觉文本描述。

2. 显式因果链

在 CapImagine 中，推理链变成了：$XoextTextualImaginationoY$。由于文本具有天然的可解释性，模型被迫在文本空间内建立起从视觉观察到逻辑判断的显式联系。

实验与结果：全线 SOTA

CapImagine 在多项高密度感知指标上表现优异：

• HR-Bench-8K: 相比 Monet 提升了 4.0%。
• MME-RealWorld-Lite: 提升了 4.9%。
• 因果依赖实验: 当对 CapImagine 的文本想象内容进行干预（do(Z)）时，模型的性能发生了断崖式下跌。这种“脆弱性”反而证明了文本推理链的真实有效性——因为它真的在参与决策。

深度洞察：为什么潜空间失败了？

作者在消融实验中指出，当前的潜空间方法（如 Monet, LVR）往往将潜标记作为一种“软提示（Soft Prompt）”或“占位符”。由于缺乏足够强的语义约束，这些标记最终发生了模式崩溃（Mode Collapse）。相比之下，文本作为一种高度压缩且语义明确的符号系统，目前依然是复杂推理的最优载体。

局限性与展望

虽然 CapImagine 效果拔群，但它也存在副作用：推理延迟增加。因为生成文本比生成潜标记要慢。作者坦言，高维潜空间理论上拥有比文字更大的信息容量，未来的挑战在于：如何给潜空间加上“因果紧箍咒”，让它像文字一样逻辑严密，同时保持向量的高效。

总结： 这项研究给火热的“潜空间推理”泼了一盆冷水，提醒我们：如果一个推理过程不可解释、不可干预，那么它极有可能只是模型在走捷径。