Oddin：通过图像生成自蒸馏实现统一多模态模型的潜在视觉推理

Oddin 提出一种在统一大语言多模态模型（ULMMs）中实现潜在视觉推理的框架，用紧凑的 latent token 替代中间图像、全部交由理解分支处理，生成分支只负责输出最终图像。模型通过离线自蒸馏训练，结合最终图像生成损失、文本蒸馏损失和特殊 token 的交叉熵损失三个目标。在七个 VBVR-Pro 视觉推理任务上，Oddin 平均表现超过交错生成基线和闭源 VLM。