迈向多模态大语言模型的认知超感知

多模态大语言模型在开放词汇感知任务中表现优异，但在处理需视觉记忆的抽象复杂认知问题时能力受限。现有方法主要扩展文本空间的思维链推理，忽视了类比人类视空间画板的视觉推理机制。为此，本文提出“认知超感知”训练范式，通过集成潜在视觉意象预测头，使模型具备类人视觉意象能力，形成基于视觉的内部推理链，并结合强化学习优化文本推理路径。实验表明，该方法在 CogSense-Bench 基准及跨领域数学科学任务中显著优于现有最先进模型，证明内部视觉意象是连接感知识别与认知理解的关键。