MentisOculi：揭示基于心理意象推理的局限

前沿模型正从仅摄取视觉信息的多模态大语言模型（MLLM），转向具备原生交错生成能力的统一多模态模型（UMM）。这一转变引发了把中间可视化用作推理辅助的兴趣，类似于人类的心理意象。这一想法的核心，是以目标为导向形成、保持并操纵视觉表示的能力。为评测并探查这一能力，我们构建了MentisOculi，一套程序化生成、分层的多步推理问题套件，这些问题可通过视觉方式求解，并经过调校以挑战前沿模型。通过评测从潜空间token到显式生成图像等多种视觉策略，我们发现它们总体上无法提升性能。对UMM的专门分析揭示了一个关键局限：尽管它们具备解决任务的文本推理能力，有时也能生成正确的视觉内容，却受制于不断累积的生成误差，甚至无法利用真值可视化。我们的发现表明，尽管视觉思维颇具吸引力，但它尚未惠及模型推理。MentisOculi为跨多个模型族分析并弥合这一差距奠定了必要基础。