Apple 提出 IVT：模型学会「预见未来」却不画出来，推理快约 5 倍
jiqizhixin · x · 2026-09-12
Apple 提出 Internalized Visual Thinking (IVT)，解决视觉思维链的延迟痛点。
- 问题：视觉 CoT 需要在推理时生成未来帧、再解码重编码，延迟显著；对主动视频推理而言，「事件发生后才到达的正确预测」几乎无价值。
- 思路：既然未来视觉信息的真正价值在于教会模型世界如何变化，那推理时就无需真的「画出」未来。
- 做法：训练时让模型同时学习文本答案与未来帧的隐空间表征；推理时整个未来视觉预测管线被移除，模型直接从当前观测视频作答。
- 结果：在 Ego-Exo4D、Ego4D 等 6 个数据集-任务设置上取得提升，推理速度约提升 5 倍。
「多模态」频道最新
- 图像理解模型 Jev 1.14 上线 Runware,输入每百万 token 仅 $0.042 — aziz4ai · 2026-10-31
- 用 MiniMax H3 搭出整页漫画生成工作流，作者开源全部节点 — gatortux · 2026-10-31
- Runway Agent 升级：能开文件跑代码，从生成走向干活 — runwayml · 2026-10-31
- UCSD 开源 FastH3:4 步蒸馏 MiniMax H3,Blackwell 上提速 14 倍 — victormustar · 2026-10-31
- AI 生成剧集《Árpád》更新第六集，动物实拍感以假乱真 — PannoniumFilms · 2026-10-31
- Deconstruct AI 把参考图拆解为 MJ/SDXL/ComfyUI 提示词 — robert-988 · 2026-10-31