Tokens de Percepção Imaginativa Aprimoram o Raciocínio Espacial em Modelos de Linguagem Multimodal

Resumo

Modelos de visão-linguagem (VLMs) destacam-se em muitas tarefas, mas ainda enfrentam dificuldades com raciocínio espacial quando informações críticas não são diretamente observáveis. Muitos desses problemas exigem percepção imaginativa: inferir o que seria visto a partir de um ponto de vista não observado, traçar caminhos através de espaços ocluídos ou integrar observações parciais em uma representação espacial coerente. Apresentamos os Tokens de Percepção Imaginativa (IPT), representações perceptuais intermediárias que externalizam o que um VLM perceberia sob configurações espaciais alternativas, mantendo-se consistentes com a entrada observada. Para estudar essa capacidade, formulamos três tarefas — Tomada de Perspectiva (PET), Rastreamento de Caminhos (PT) e Contagem Multivista (MVC) — e construímos conjuntos de dados de aproximadamente 20 mil exemplos com imaginações, respostas e benchmarks de avaliação de referência. Usando o VLM unificado BAGEL como espinha dorsal, a supervisão do IPT melhora consistentemente o raciocínio espacial e frequentemente supera o treinamento textual com cadeia de pensamento, mesmo sem gerar imagens no momento da inferência. No MVC, o IPT melhora a precisão em 3,4% e atinge desempenho competitivo com modelos fechados robustos no PT. Além disso, descobrimos que combinar IPT e supervisão apenas de rótulos proporciona ganhos adicionais, enquanto a cadeia de pensamento textual pode degradar substancialmente o desempenho, sugerindo uma incompatibilidade de modalidade quando a computação espacial é forçada pela linguagem. De modo geral, o IPT fornece um sinal de supervisão fundamentado para raciocinar sobre estruturas espaciais não observadas, melhorando a generalização e produzindo representações intermediárias interpretáveis.

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.