ProLaViT提出渐进式隐式视觉推理，解决多模态大模型空间认知瓶颈
ProLaViT通过隐空间内多步推理，解决多模态模型视觉定位不精准问题，无需外部工具，训练高效。
多模态大模型看得到但想不对？腾讯BAC提出ProLaViT框架，在隐空间中遵循“定位→聚焦→分离”的因果链，逐步收紧注意力。通过内生自蒸馏，无需外部标注即可训练多步推理，精度优于显式生成和一步预测。已被ECCV 2026接收。
正文摘录
.jpg)  在多模态大模型（MLLM）时代，让模型看懂一张图早已不是难事，但要让它真正想清楚一张图，做多步的空间感知、几何分析与逻辑推断，却依然存在困难。 为了解决这种「看得到却想不对」的现象，研究界给推理链里塞进了视觉信息：一种是 显式生成 中间图像（如 Anole、ThinkMorph），效果理想，但算力开销高；另一种是 隐式隐空间推理 （如 Mirage、LVR），试图直接在特征空间里「一步」定位出目标区域，结果常常精度崩塌、注意力关注在无关的背景上。 针对这一挑战，腾讯内容服务部 BAC 提出了一个名为 ProLaViT（Progressive Latent Visual Thought） 的全新框架。它的核心思想是： 别急着下结论，先在连续隐空间里像人一样「步步推导」 。 即让模型遵循 「定位 → 聚焦 → 分离」（Locate → Focus → Isolate） 的因果链，逐步收紧视觉注意力，最终精准锁定目标。 该论文已被 ECCV 2026 接收。