DeltaV：在统一大型多模态模型中通过视觉状态更新进行思考

当前统一大型多模态模型（ULMMs）虽支持交错多模态推理，但通常生成完整图像作为中间状态，导致视觉令牌冗余并稀释关键状态转换的监督信号。本文提出 DeltaV，用增量视觉更新替代全图生成，仅预测捕捉变化的紧凑更新令牌。引入时间相似性路由器动态分配令牌预算，避免对不变内容重复建模。此外，构建了包含 105 万样本的 StructCoT 数据集。实验表明，该方法在减少 55.6% 视觉令牌生成的同时，将多模态推理性能提升 3.3%，且优于更大规模的开源模型。