这篇论文的核心突破在于将多模态推理从“显式的文本生成”转移到了“隐式的潜在空间优化”，并利用“置信度”这一信号实现了类似人类的动态视觉回溯，从而兼顾了推理的深度、准确性和效率。
paper: https://arxiv.org/pdf/2512.12623
code: https://github.com/eric-ai-lab/DMLR/tree
文章目录
- 核心问题
- 核心思想
- 方法 : DMLR 框架
- A. 潜在思考 Token (Latent Think Tokens)
- B. 基于置信度的奖励函数 (Confidence-Guided Reward)
- C. 动态视觉注入 (Dynamic Visual Injection)
- 实验介绍
- 数据集
- 实验
- 贡献
核心问题
当前的 MLLMs 在处理复杂多模态推理任务时，主要面临以下两种范式的局限性：
- 纯文本推理 (Textual-only Reasoning):模型仅在语义空间生成中间推理步骤（如 Chain-of-Thought）。这种方法容易产生语言偏见（Language Bias）和幻觉，因为它在推理过程中往往与视觉信息脱节，导致视觉定位（Visual Grounding）不足 。
- 工具辅助/图像增强推理 (Think with Image / Tool-Augmented):这种方法依赖外部工具（如缩放、画框）或显式的图像操作。虽然增强了视觉感知，但导致了工具调用的不稳定性和极高的计算开销（推理效率低） 。
根本痛点：现有的方法要么缺乏视觉交互，要么交互过于昂贵且不稳定。为何模型不能像人类一样，仅在“不确定”时才去动态地检查视觉信息？
核心思想
受到人类认知过程的启发：人类的思考不是线性的，而是感知与推理在思维中动态交织的过程 。
- 观察 1
