提出LanteRn框架,使大多模态模型能在推理过程中交错使用语言与紧凑的潜在视觉表征(而非像素图像或纯文本),通过两阶段训练(监督微调+强化学习)提升视觉定位与细粒度视觉推理能力,在VisCoT、V⋆和Blink等感知密集型基准上实现一致改进。
机构:CMU
来源:arXiv 2603.25629 | AI4Papers 论文推荐平台