Apple、推論時オーバーヘッド削減の内部化視覚思考手法を提案

記事の3ポイント

1. 1

   視覚的思考の内部化アプローチ

   従来の中間推論画像生成に依存せず、学習時に視覚的思考を習得し、推論時には直接処理を行う新しい枠組み「Internalized Visual Thinking (IVT)」を導入する。

2. 2

   推論オーバーヘッドの削減

   マルチモーダル大規模言語モデルが空間・時間的・具身的環境を推論する際、従来の視覚的連鎖思考（Visual CoT）が抱える推論コストの問題を解決する。

3. 3

   双方向最適化の仕組み

   テキスト予測と視覚的思考プロセスを同時に最適化するポストトレーニング手法を採用し、効率的なプロアクティブ動画推論を実現する。