Токены воображаемого восприятия улучшают пространственное рассуждение в мультимодальных языковых моделях

Аннотация

Визуально-языковые модели (VLM) превосходно справляются со множеством задач, однако всё ещё испытывают трудности с пространственными рассуждениями, когда критически важная информация не является непосредственно наблюдаемой. Многие подобные проблемы требуют образного восприятия: вывода о том, что было бы видно с ненаблюдаемой точки зрения, прослеживания путей через скрытые пространства или интеграции частичных наблюдений в целостное пространственное представление. Мы вводим токены образного восприятия (Imaginative Perception Tokens, IPT) — промежуточные перцептивные представления, которые экстернализуют то, что VLM воспринимала бы при альтернативных пространственных конфигурациях, оставаясь при этом согласованными с наблюдаемыми входными данными. Для изучения этой способности мы формулируем три задачи: принятие перспективы (Perspective Taking, PET), трассировку путей (Path Tracing, PT) и мультивидовой подсчёт (Multiview Counting, MVC), а также создаём наборы данных объёмом примерно 20 000 примеров с эталонными воображаемыми представлениями, ответами и оценочными тестами. Используя унифицированную VLM BAGEL в качестве базовой архитектуры, контроль с помощью IPT последовательно улучшает пространственные рассуждения и часто превосходит обучение на текстовых цепочках рассуждений, даже без генерации изображений на этапе вывода. На задаче MVC IPT повышает точность на 3,4% и достигает конкурентоспособной производительности с сильными закрытыми моделями на PT. Кроме того, мы обнаруживаем, что комбинация IPT и контроля только по меткам даёт дополнительный выигрыш, тогда как текстовая цепочка рассуждений может существенно снижать производительность, что указывает на несоответствие модальностей, когда пространственные вычисления проводятся через язык. В целом, IPT предоставляет принципиальный сигнал контроля для рассуждений о ненаблюдаемой пространственной структуре, улучшая обобщение и формируя интерпретируемые промежуточные представления.

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.