在潜在思维中思考：一种无 gloss 手语翻译的新范式

许多手语翻译系统错误地假设手势片段直接映射为口语词汇，忽略了手语者利用语境、空间和动态即时构建意义的特性。本文重审该任务，主张其本质是跨模态推理而非简单的视频转文本。为此，我们提出一种推理驱动的框架，利用有序的潜在思维序列作为视频与生成文本间的显式中间层，逐步提取并组织意义。此外，采用“先规划后接地”的解码策略，模型先确定表达内容再回溯视频寻找证据，显著提升了连贯性与忠实度。我们还发布了新的大规模数据集，实验表明该方法在多个基准上均优于现有技术。