Ethan Chern, Zhulin Hu, Steffi Chern, Siqi Kou, Jiadi Su, Yan Ma, Zhijie Deng, Pengfei Liu
개요
본 논문은 대규모 다중 모달 모델(LMMs)이 텍스트와 비전 모달리티를 자유롭게 오가며 사고할 수 있도록 중간 시각적 사고 단계를 자발적으로 생성하는 새로운 패러다임인 "생성된 이미지로 사고하기(Thinking with Generated Images)"를 제시합니다. 기존 LMMs의 시각적 추론은 사용자가 제공한 고정된 이미지를 처리하거나 텍스트 기반 사고 연쇄(CoT)를 통해서만 추론하는 것에 제약이 있었습니다. 본 논문에서 제안하는 방법은 모델이 중간 시각적 생각을 적극적으로 구성하고, 자신의 시각적 가설을 비판하며, 추론 과정의 필수 구성 요소로 이를 개선할 수 있는 새로운 차원의 인지 능력을 제공합니다. 두 가지 상호 보완적인 메커니즘, 즉 (1) 중간 시각적 하위 목표를 사용한 시각적 생성과 (2) 자기 비판을 사용한 시각적 생성을 통해 이 접근 방식의 효과를 보여줍니다. 시각적 생성 벤치마크에 대한 실험 결과, 복잡한 다중 객체 시나리오 처리에서 최대 50%의 상대적 성능 향상(38%에서 57%)을 달성하며 기준 접근 방식에 비해 상당한 개선을 보였습니다. 생화학자의 새로운 단백질 구조 탐색, 건축가의 공간 설계 반복, 법의학 분석가의 범죄 현장 재구성, 농구 선수의 전략적 플레이 구상 등 다양한 분야에 적용 가능성을 시사합니다. 개발된 도구는 https://github.com/GAIR-NLP/thinking-with-generated-images 에서 공개 소스로 제공됩니다.
