测试时感知扩展：解决图像思维中的接地悖论

近期多模态大语言模型虽支持通过调用视觉工具进行“图像思维”，但在细粒度视觉推理中仍显脆弱，因其需在获取证据前决定观察位置，形成“接地悖论”。为此，本文提出测试时感知扩展（TTSP）框架，将感知视为可扩展的推理过程。该方法生成多条探索性感知轨迹，利用基于熵的置信度估计过滤不可靠轨迹，将验证后的观察蒸馏为结构化知识，并迭代优化后续探索以解决未决不确定性。实验表明，TTSP 在不同规模基座模型上均显著优于强基线，兼具良好的可扩展性与令牌效率。