用于多模态隐式推理的视觉增强深度缩放

多模态隐式推理通过隐式特征传播替代显式思维链解码，提升了表示信息量并降低了推理延迟。本文分析发现：视觉 token 因语言偏差导致梯度范数更高且波动大，造成系统性欠优化；复杂 token 受固定架构深度限制而梯度不稳定。为此，提出视觉回放模块与路由深度缩放机制。前者利用因果自注意力估计显著性以增强细粒度定位；后者自适应分配额外推理步骤给复杂 token。在课程学习策略指导下，该框架在多个基准测试中取得最先进性能，并显著加速推理。