AI guides

Z Tech|一个词就能视觉推理?Meta 华人颠覆性提出 ATLAS 新范式

By Z Potentials1 viewsSource: Z Potentials
Z Tech|一个词就能视觉推理?Meta 华人颠覆性提出 ATLAS 新范式

近日,Meta AI 与香港中文大学颠覆性提出了一种全新的视觉推理范式 ATLAS,不用外部工具,不显式生成中间图像,没有视觉监督信号,只用一个离散 word,首次颠覆性地代替 Agentic 和 Latent Visual Reasoning。

The full text has not been translated yet. The Chinese original is shown below.

文章配图

Paper Link: https://arxiv.org/pdf/2605.15198

Project Page: https://atlas-oneword.github.io

Code: https://github.com/ZiyuGuo99/ATLAS

近日,Meta AI 与香港中文大学颠覆性提出了一种全新的视觉推理范式 ATLAS,不用外部工具,不显式生成中间图像,没有视觉监督信号,只用一个离散 word,首次颠覆性地代替 Agentic 和 Latent Visual Reasoning。

第一作者是香港中文大学的博士生,本科毕业于北京大学计算机系,曾在Google DeepMind Veo、Meta AI、Amazon AWS AI Lab、Roblox、上海人工智能实验室等机构实习,研究多模态大模型和生成理解统一,一作代表作有 Image-CoT、Think-while-Generate、MME-CoF、Point-LLM、PointCLIP 等。

文章配图

Z Highlights

  • 面对复杂的视觉推理任务,Unified Models、Agentic Visual Reasoning 和 Latent Visual Reasoning 往往被视为几条不同路线:Unified Models 依赖显式生成中间视觉状态,直观但开销高,训练复杂;Agentic 方法依赖外部工具或执行器,可解释但流程重,且需要额外的中间监督;Latent 方法依赖模型内部表示,形式轻量,但往往需要额外结构设计或特殊训练机制,可扩展性和泛化性差,还需要额外的过程监督。ATLAS 试图打破这些范式,一个简单的离散 Token (Functional Token)可以同时承担几种核心角色:作为 Agentic Operation,它高效地告诉我们模型正在执行什么视觉操作;作为 Latent Visual Reasoning Unit,它又能在模型内部高效参与推理,不需要中间图像生成,且可扩展性和泛化性强,可以很轻易的扩展到大规模训练和泛化到众多领域任务。One Word is Enough for Both 的真正含义是一个 word,既是操作,也是思考。

  • Agentic 和 Latent Visual Reasoning 并不矛盾,一个离散 Token 既可以代表完整且可解释的视觉动作语义,也可以是模型内部的 Latent Visual Reasoning Unit。

  • 稀疏的 Functional Token 需要专门优化。Funtional Token 虽少,但往往是视觉推理中的关键节点。LA-GRPO 通过 Token-level Anchor,让模型更高效地学习这些关键视觉操作。

01 高效统一 Agentic 和 Latent Visual Reasoning

当大模型面对一道复杂的视觉推理题时,它到底应该怎么想?

一种直观做法是让模型显式生成中间图像或视觉状态(Unified Models),再基于这些中间结果继续推理。这种方式过程清楚,但往往需要反复解码和再编码视觉内容,带来较高的计算开销,也让训练和架构设计变得更加复杂,需要额外的视觉监督,且通用性较差。还有一类方法(Agentic Visual Reasoning)则把视觉推理做得更加外显:模型通过代码、工具调用或外部执行器来完成画线、标注、裁剪、放大等视觉操作。这类 Agentic Visual Reasoning 具有较好的可解释性,但引入了额外的工具执行延迟,常常需要冗长的操作调用描述,且同样需要额外的执行过程监督。

而 Latent Visual Reasoning 试图把中间推理压缩到模型内部表示中,避免显式生成图像或调用外部工具。它更加轻量,也能表达更高维的信息,但中间过程往往不够可控,同样需要对 Latent 做额外的视觉监督,且可扩展性、可解释性与泛化性也较差,难以大规模训练和泛化。

是否有一种方法,既能像 Agent 一样拥有明确的视觉操作,在保证和 Latent Visual Reasoning 一样轻量、高效的基础上,又可扩展到大规模训练和泛化到众多领域任务,同时避免显式生成中间视觉状态带来的高成本?Meta AI 与香港中文大学提出了一种全新的视觉推理范式ATLAS,核心想法非常直观:只用一个 word,首次将 Agentic 和 Latent Visual Reasoning 统一起来。

文章配图

主流视觉推理范式对比

02 为什么一个 Token 就够了

Unified Models 像是边想边重新画一张图,Agentic 方法像是拿出一套工具箱,Latent 方法像是闭着眼在脑中想,ATLAS 更像是给模型学会了一组视觉动作暗号。模型只需要生成离散的 Funtional Token,就可以在内部表示中触发相应的视觉操作。这些 Token 看起来只是普通词表中的一个 Token,但它们承担的角色并不普通:它们既是 Agentic Operation,又是 Latent Visual Reasoning。

文章配图

ATLAS 用一个 Token 同时连接了两件事:一方面,它像 Agentic Reasoning 一样明确表示模型想执行某种视觉操作;另一方面,它又完全存在于模型内部,不依赖外部工具或显式图像生成,因此保持了 Latent Visual Reasoning 的高效性。这些 Token 不需要额外的视觉监督,也不需要改变模型架构,就像普通词一样,通过 Next-Token Prediction 被模型生成;但一旦出现在推理链中,它们就不只是文本,还是模型内部的视觉操作锚点。

文章配图

ATLAS:把视觉操作表示为标准自回归序列中的 Funtional Tokens

03 如何让模型真正学会使用 Funtional Tokens

视觉推理中的很多中间步骤,并不一定真的需要生成一张完整图片。

做几何题时,人类脑中可能只是补一条线;做区域判断时,可能只是看一下左上角;做计数题时,可能只是给每个物体打个标记。这些动作很重要,但它们本身并不需要用大量 Token 或完整图像来表示。

ATLAS 的关键洞察是:很多视觉推理操作可以被压缩成一个高层语义动作,而这个动作可以由一个离散 Token 表达。因此,ATLAS 不再让模型输出冗长代码、调用外部工具,或者生成昂贵的中间视觉结果,而是让模型在文本推理过程中自然插入 Funtional Token。这种设计让视觉推理过程变得更加紧凑,也更接近人类在脑中进行视觉操作的方式。

为了让模型真正学会使用这些 Funtional Tokens,研究团队采用了 SFT + RL 两阶段训练流程:

第一阶段:SFT 让模型学会什么时候该用视觉动作

研究团队构建了 ATLAS-178K 数据集,覆盖 40 多种视觉推理任务,并将复杂视觉操作映射为统一的 Funtional Token 表达。

在监督微调阶段,模型学习的不只是最终答案,而是包含 Funtional Tokens 的推理轨迹。这一步类似于示范教学:遇到画线,可能需要 <|Line|>;遇到空间区域操作,可能需要 <|Shape|>;遇到方向关系,可能需要 <|Arrow|>;遇到标注,可能需要 <|Text|>。

第二阶段:RL 让模型学会用得对,而不是乱用

仅仅让模型学会生成 Funtional Token 还不够。因为如果奖励设计不当,模型很容易走向另一个极端:为了拿奖励而疯狂堆 Token。比如本来只需要一条辅助线,它却连续输出十几个视觉动作 Token,看起来很努力,但实际并没有帮助解题。

为了解决这个问题,ATLAS 在强化学习阶段设计了专门的 Reward:既奖励答对问题,也奖励合理使用 Funtional Token;同时惩罚过长输出和 Token Spam,避免模型为了刷奖励而滥用视觉动作。这使得模型不再是简单地多用 Token,而是学会在真正需要视觉操作时使用 Token。

04 LA-GRPO:解决 Gradient Dilution 问题

ATLAS 中还有一个关键技术点:Latent-Anchored GRPO,简称 LA-GRPO。问题来自 Funtional Token 的稀疏性。在一整段视觉推理输出中,绝大多数 Token 仍然是普通文本,Funtional Token 只占很小比例。普通 GRPO 使用 Sequence-level Reward,虽然能整体优化模型,但对于这些极少数关键 Token 来说,梯度信号很容易被大量普通文本 Token 稀释,这就是论文中提到的 Gradient Dilution 问题。

ATLAS 的解决方式是:在 GRPO 的基础上,额外对 Funtional Token 位置进行 Token-level Anchor。如果某条推理轨迹最终答对了,并且其中某个 Funtional Token 起到了关键作用,那么 LA-GRPO 会更直接地强化这个 Token 的生成概率。这就像在训练中告诉模型:不是所有词都一样重要。真正触发视觉操作的那个 word,需要被更精准地学习。

文章配图

LA-GRPO:针对稀疏 Funtional Tokens 增强梯度更新,缓解 Gradient Dilution

05 一个 word 带来高效强视觉推理能力

定量和定性实验分析

研究团队在多个视觉推理基准上验证了 ATLAS 的效果。实验结果显示,ATLAS 在多个具有挑战性的视觉推理任务上取得了有竞争力的表现。尤其是在复杂几何推理、空间关系、多视角理解、计数和细粒度视觉判断等任务中,Funtional Token 能帮助模型更有效地组织视觉推理过程,同时非常高效。

文章配图

ATLAS 基准测试结果

更重要的是,ATLAS 的提升并不是通过更复杂的外部系统换来的。它不需要额外工具执行,不需要显式生成中间图像,也不需要破坏标准自回归训练流程。Funtional Token 仍然只是词表中的普通 Token,可以自然兼容现有的 SFT 和 RL 训练框架,可高效扩展至大规模训练。

文章配图

ATLAS 效率分析

文章配图

ATLAS 定性样例:Funtional Tokens 帮助模型定位、过滤和标注视觉证据

文章来自于微信公众号 “Z Potentials”,作者 “Z Potentials”

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)