Los tokens de percepción imaginativa mejoran el razonamiento espacial en modelos de lenguaje multimodales.

Resumen

Los modelos de lenguaje visual (VLMs) sobresalen en muchas tareas, pero aún presentan dificultades en el razonamiento espacial cuando la información crítica no es directamente observable. Muchos de estos problemas requieren percepción imaginativa: inferir lo que se vería desde un punto de vista no observado, trazar trayectorias a través de espacios ocluidos, o integrar observaciones parciales en una representación espacial coherente. Introducimos los Tokens de Percepción Imaginativa (IPT), representaciones perceptuales intermedias que externalizan lo que un VLM percibiría bajo configuraciones espaciales alternativas, manteniéndose consistentes con la entrada observada. Para estudiar esta capacidad, formulamos tres tareas: Toma de Perspectiva (PET), Trazado de Trayectorias (PT) y Conteo Multivista (MVC), y construimos conjuntos de datos de aproximadamente 20 mil ejemplos con imaginaciones de referencia, respuestas y puntos de referencia de evaluación. Utilizando el VLM unificado BAGEL como modelo base, la supervisión con IPT mejora consistentemente el razonamiento espacial y a menudo supera al entrenamiento con cadenas de pensamiento textual, incluso sin generar imágenes en el momento de la inferencia. En MVC, IPT mejora la precisión en un 3,4% y logra un rendimiento competitivo con modelos cerrados robustos en PT. Además, encontramos que combinar IPT con supervisión solo de etiquetas produce ganancias adicionales, mientras que la cadena de pensamiento textual puede degradar sustancialmente el rendimiento, lo que sugiere un desajuste de modalidad cuando el cómputo espacial se fuerza a través del lenguaje. En general, IPT proporciona una señal de supervisión fundamentada para razonar sobre estructuras espaciales no observadas, mejorando la generalización y generando representaciones intermedias interpretables.

English

Vision language models (VLMs) excel at many tasks but still struggle with spatial reasoning when critical information is not directly observable. Many such problems require imaginative perception: inferring what would be seen from an unseen viewpoint, tracing paths through occluded spaces, or integrating partial observations into a coherent spatial representation. We introduce Imaginative Perception Tokens (IPT), intermediate perceptual representations that externalize what a VLM would perceive under alternative spatial configurations while remaining consistent with the observed input. To study this capability, we formulate three tasks, Perspective Taking (PET), Path Tracing (PT), and Multiview Counting (MVC), and construct datasets of approximately 20K examples with ground truth imaginations, answers, and evaluation benchmarks. Using the unified VLM BAGEL as the backbone, IPT supervision consistently improves spatial reasoning and often outperforms textual chain of thought training, even without generating images at inference time. On MVC, IPT improves accuracy by 3.4% and achieves competitive performance with strong closed-source models on PT. We further find that combining IPT and label-only supervision yields additional gains, whereas textual chain of thought can substantially degrade performance, suggesting a modality mismatch when spatial computation is forced through language. Overall, IPT provides a principled supervision signal for reasoning about unobserved spatial structure, improving generalization while producing interpretable intermediate representations.