DeepLatent：通过并行潜在视觉推理进行图像思维

“图像思维”新范式将视觉状态嵌入中间推理步骤。现有方法中，工具辅助法延迟高且操作受限，潜在推理法性能较差且难以捕捉有效视觉信息。本文提出 DeepLatent，一种用于潜在视觉推理的并行框架。首先引入 LatentFormer，利用可学习二维令牌并行生成上下文条件的潜在状态；其次设计连续空间强化学习算法，直接在嵌入空间优化潜在调制参数以提升表示质量。该框架经知识蒸馏与强化学习训练，并在专用数据集 DeepLatent-180K 上验证，实现了最先进的性能。