MLLM潜在视觉推理失败，文本替代方案CapImagine更优

想象力有助于视觉推理，但尚未在潜在空间中实现

因果中介分析揭示，MLLMs中的潜在视觉推理失败：潜在token忽略输入且几乎不影响答案。CapImagine，一种基于文本的替代方案，教授明确的想象力，并显著优于潜在基线。