Les tokens de perception imaginative améliorent le raisonnement spatial dans les modèles de langage multimodaux.

Résumé

Les modèles de langage visuel (VLM) excellent dans de nombreuses tâches mais peinent encore avec le raisonnement spatial lorsque des informations cruciales ne sont pas directement observables. Bon nombre de ces problèmes nécessitent une perception imaginative : déduire ce qui serait vu depuis un point de vue non visible, tracer des chemins à travers des espaces occultés, ou intégrer des observations partielles en une représentation spatiale cohérente. Nous introduisons les jetons de perception imaginative (IPT), des représentations perceptuelles intermédiaires qui externalisent ce qu'un VLM percevrait sous des configurations spatiales alternatives tout en restant cohérents avec l'entrée observée. Pour étudier cette capacité, nous formulons trois tâches, la prise de perspective (PET), le traçage de chemin (PT) et le comptage multivue (MVC), et construisons des jeux de données d'environ 20 000 exemples avec des imaginations de vérité terrain, des réponses et des benchmarks d'évaluation. En utilisant le VLM unifié BAGEL comme backbone, la supervision IPT améliore systématiquement le raisonnement spatial et surpasse souvent l'entraînement par chaîne de pensée textuelle, même sans générer d'images au moment de l'inférence. Sur MVC, IPT améliore la précision de 3,4 % et atteint des performances compétitives avec des modèles propriétaires puissants sur PT. Nous constatons en outre que la combinaison de l'IPT et de la supervision par étiquettes seules apporte des gains supplémentaires, tandis que la chaîne de pensée textuelle peut considérablement dégrader les performances, ce qui suggère une inadéquation de modalité lorsque le calcul spatial est imposé par le langage. Dans l'ensemble, IPT fournit un signal de supervision fondé sur des principes pour raisonner sur la structure spatiale non observée, améliorant la généralisation tout en produisant des représentations intermédiaires interprétables.

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.