大模型也學會了「空間想象力」？還可以自己解釋自己？

在大語言模型（LLMs）和多模態大語言模型（MLLMs）中，思維鏈（CoT）在復雜推理方面非常有效。

然而，對于復雜的空間推理，CoT表現不佳。

但人類的認知能力不僅限于語言，還能夠同時用詞語和圖像推理。

受這一機制的啟發，來自微軟研究院、劍橋大學和中科院的研究人員，在思維鏈提示的基礎上，提出了空間推理（spatial reasoning）新范式：多模態思維可視化（MVoT）。

論文地址：https://arxiv.org/pdf/2501.07542

將思維鏈（CoT）擴展到多模態模型，已有的方法盡管能夠處理文本和圖像，但或者嚴重依賴于獨立的視覺模塊或外部工具，難以適應更復雜的空間推理任務；或者可視化太過簡化，推理過程難以理解。

論文作者Chengzu Li在X上解釋MVoT的核心設計理念：「MVoT超越了思維鏈(CoT)，可以讓AI利用生成的視覺圖像去想象它的思考。通過融合語言和視覺推理，MVoT使復雜問題的解決變得更加直觀、可更具解釋性、更加強大。」

具體而言，MVoT要微調自回歸多模態大語言模型（MLLM）。為了提升推理過程的可視化質量，引入了token差異損失，彌補了分別訓練的分詞器（tokenizer）的差距。

文章亮點：

• 多模態思維可視化（MVoT）將文本與視覺統一在推理過程中，將自然生成視覺思維作為推理過程的一部分。
• 在Chameleon-7B中實現了MVoT，并在自回歸多模態大語言模型（MLLM）中引入了token差異損失（token discrepancy loss），以彌補分別訓練的文本分詞器和圖像分詞器之間的差距。
• 實驗結果表明，MVoT在復雜場景中比思維鏈（CoT）更優的適應性和穩健性。
• MVoT和CoT組合可以進一步提高性能上限。

架構

給定一個多模態輸入序列，模型需要生成交織的多模態思維，作為推理過程的組成部分，并最終生成最終答案。

設表示一個預訓練的多模態大語言模型（MLLM），其參數為θ，x表示多模態輸入序列，z和v分別表示語言思維序列和圖像思維序列。

在多跳（multi-hop）空間推理任務中，給定輸入x，思維鏈（CoT）提示生成中間步驟 其中每個樣本基于輸入和之前生成的步驟順序采樣。最終的輸出基于所有先前的步驟得出。

MVoT通過為每個中間步驟添加圖像v^i可視化來增強這一過程，然后根據先前的步驟和可視化采樣后續步驟，如圖1所示。

圖1：多模態思維可視化（MVoT）推理過程與其他方法的對比

多模態思維可視化（MVoT）讓多模態大語言模型（MLLMs）能在不同模態之間生成交織的推理軌跡。

傳統的CoT僅依賴于語言思維，而MVoT則通過促進視覺思維來可視化推理軌跡。

這個推理范式類似于人類的認知方式，能夠無縫地在文字和圖像之間進行思維。

訓練

多模態序列建模如圖3所示，使用Chameleon的架構，利用統一的Transformer來處理圖像和文本token。

該架構集成了兩個tokenizer：圖像tokenizer使用離散的碼本（codebook）將輸入圖像編碼為一系列圖像token；文本tokenizer則將文本數據映射為相應的token序列。

這些token序列被連接在一起并由因果Transformer模型處理。

損失函數

因果Transformer模型利用下一個token預測目標進行微調，同時兩個tokenizer在整個過程中保持凍結狀態。

訓練的損失函數要同時考慮圖像token差異損失，以及文本token和圖像token的交叉熵損失，定義如下。

其中token差異損失要對與真實標簽顯著偏離的token施加懲罰，彌合了語言建模與視覺嵌入空間之間的差距，同時確保梯度的連續性。

實驗結果

有效性實驗

作者在三個動態空間推理任務中進行大量實驗，驗證了MVoT的有效性。

MAZE和MINIBEHAVIOR聚焦于與空間布局的交互，而FROZENLAKE強調在動態環境中的細粒度模式識別。

實驗結果表明，MVoT在任務中的表現具有競爭力，在高難度的FROZENLAKE場景中，MVoT的表現比傳統的思維鏈（CoT）高出了20%多。

不同系統變體在任務中的實驗結果。

三個模擬任務的實驗結果表明，Direct存在過擬合問題，準確率約為70%。GPT-4o的表現更差。相比之下，MVoT展現出不斷的改進。

在MAZE和MINIBEHAVIOR上，MVoT的準確率超過90%，可與CoT相媲美。

而在FROZENLAKE上，MVoT的準確率為85.60%，優于Direct和CoT。

這表明MVoT比CoT擁有更好的穩定性和穩健性。

此外，MVoT還提供了語言和視覺形式的中間推理狀態，可以更清晰、更直觀地理解推理過程。

定性分析

圖4展示了FROZENLAKE中生成圖像的正確與錯誤示例。

可視化生成的錯誤分類如下：

(1)錯誤可視化（Wrong Visualization）：生成的可視化內容不準確。

(2)多余圖形（Redundant Patterns）：在預期修改區域外可視化了不必要或無關的圖形。

圖4：定性分析示意圖。

此外，與MAZE和MINIBEHAVIOR相比，在FROZENLAKE任務中，觀察到隨著模式復雜度的增加，生成圖像的細節經常會變得模糊。

在重建的圖像與原始圖像之間也觀察到類似的差異。

這種變異性經常導致細粒度細節的丟失或擾動，反映了MLLM在表達能力上的局限性。

定量分析

為了評估生成的視覺推理的質量，基于已識別的錯誤類型定義了自動化評估指標：

• 可視化準確率（V-Acc.）：衡量在網格中對應于下一步操作的預期修改是否被準確可視化。
• 可視化模式冗余度（V-Red.）：評估目標修改區域之外是否存在非預期的視覺模式。
• 可視化正確步驟（V-Steps）：操作序列中前k個連續正確可視化的平均長度。
• 可視化正確比率（V-Ratio）：操作序列中前k個連續正確可視化的平均比例。

作者報告了MAZE和MINIBEHAVIOR中可視化位置的定量結果，如下所示。

表3：token差異損失對MVoT視覺思維定量指標的影響

上圖中，最佳結果以加粗形式標出。帶有↑的指標表示值越高性能越好，反之亦然。

Token差異損失函數分析

Token差異損失提高了可視化的準確性并減少了冗余。

如表3所示，token差異損失增強的MVoT能夠生成高度準確且模式冗余最小的可視化內容。

即使在遞歸生成場景中，在推理過程中依然實現了95%的平均正確和連續可視化。

相比之下，缺少token差異損失會顯著降低生成質量：沒有的MVoT經常會生成多余圖形，且未能準確捕捉狀態轉換。

這些結果與圖像編輯場景中的發現一致，如圖5所示，圖中展示了MAZE在不同訓練周期的定量指標。

圖5：MAZE在不同訓練周期的定量指標

MVoT和CoT的組合

MVoT在推理中與CoT的能力可以互相補充。

正如作者Chengzu Li所言：「MVoT不會取代CoT，而是提升了CoT。通過組合MVoT和CoT，多模態推理和語言推理的協同作用解鎖了性能上限，證明兩種推理范式可能比一種更好！」

在兩種方法的組合中，如果MVoT或CoT中的任一方法生成了正確的預測，則認為該數據點正確。

如表4所示，在MAZE和MINIBEHAVIOR上，上限性能達到了接近100%的準確率；在FROZENLAKE上，達到了92%的準確率。

表4：通過組合CoT和MVoT在三個任務中的預測所達到的性能上限。

文中也討論了消融實驗，并在附錄中給出了更多的實驗細節。

當然，這項研究也有局限性，作者建議借鑒擴散模型中的圖像生成技術，作為未來改進的方向。

此外，在推理過程中，顯式生成可視化會引入計算開銷。

為了解決這一問題，作者倡導進一步研究使用更少token的緊湊的圖像表示，以降低可視化生成的計算成本。

作者介紹

共一作者Chengzu Li在微軟研究院實習時參與了全程工作。目前，他是劍橋大學語言技術實驗室的計算、認知與語言學博士生。在攻讀博士學位之前，他在劍橋大學計算機科學系獲得了高級計算機科學碩士學位。他本科就讀于西安交通大學自動化專業。

共一作者Wenshan Wu， 目前是微軟亞洲研究院（MSRA）的高級研究軟件開發工程師。之前，曾在騰訊擔任軟件工程師。她從中國科學院獲得了碩士學位。