多模态模型会想象电子羊吗？

本文发现大型多模态模型在解决空间谜题时会形成心理意象。通过微调 Qwen3.5 视觉语言模型处理十二种视觉推理任务，研究表明模型动作后的激活编码了有意义的中间状态视觉信息，暗示隐式视觉世界模型的生成。基于此，作者提出两种利用该心理意象的方法：将每步少量视觉令牌整合至思维链中，使平均求解率从 83% 提升至 89%，显著增强了拼图与三维旋转等重推理任务的性能。