Beyond Visual CoT: Internalized Visual Thinking for Proactive Video Reasoning

• 类型：arxiv
• 标识：2608.15869
• 链接：https://arxiv.org/abs/2608.15869
• 主分类：multimodal
• 形态：method
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：Internalized Visual Thinking (IVT), a post-training framework that jointly optimizes textual prediction and next-embedding prediction over unlabeled videos, is introduced, suggesting that explicit pixel-space generation at inference time may not be necessary for effective proactive video reasoning.
• OpenAlex ID：W7203692086
• OpenAlex DOI：10.48550/arxiv.2608.15869
• DOI：10.48550/arxiv.2608.15869
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2608.15869
• OpenAlex更新：2026-08-28
• 副分类：llm-infra
• 待LLM分类：否
• 标题中文：Beyond Visual CoT: Internalized Visual Thinking for Proactive Video Reasoning
• TLDR中文：提出 Internalized Visual Thinking (IVT)，一种在无标签视频上联合优化文本预测与下一 embedding 预测的后训练框架，表明在推理时显式的像素级生成对有效的主动视频推理并非必要。
• 来源文件：
• /inbox/tom/_candidates/2026-08-19-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]