[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"news-c3a956f8-dd42-46df-a1fd-1322dd38c15c":3},{"id":4,"title":5,"summary":6,"original_url":7,"source_id":8,"tags":9,"published_at":23,"created_at":24,"modified_at":25,"is_published":26,"publish_type":27,"image_url":13,"view_count":28},"c3a956f8-dd42-46df-a1fd-1322dd38c15c","MentalThink 把 SVG 当作「心智草稿纸」:让多模态大模型学会用代码画心像做空间推理","arXiv:2607.03530 提出 think-with-SVG 推理范式,把可缩放矢量图形作为 MLLM 的中间\"心智图像\",通过两阶段训练(SFT 冷启动 + GRPO 多轮 RL)在 Qwen2.5-VL-7B 上实现 MindCube 从 36.0% 飙到 76.0%、VSIBench 从 31.0% 提升到 55.1%,超过 GPT-5 与 Gemini-2.5-pro。\n\n多模态大模型在空间推理上的「视觉失锚」长期被人诟病——纯语言 CoT 容易在几何关系上跑偏,Think-with-Image 又依赖外挂工具破坏可微性。ByteDance Seed 团队 7 月 3 日挂在 arXiv 的 MentalThink(2607.03530)给出了一个相当聪明的折中:**让 MLLM 直接生成 SVG 代码作为「心智图像」的中间表征**,通过确定性渲染再喂回自己,形成「假设 → 渲染 → 反思」的闭环。\n\n核心设计是 think-with-SVG:每一步推理态都被定义为 (文本 ℓ, SVG 代码 σ) 的元组,模型可以「画」出一个矢量草稿、由 SVG 引擎渲染成像素、再把像素塞回视觉上下文做下一轮反思。训练分两阶段——先用 200k SFT 数据(视觉-语法对齐 + 思维外化 + 通用空间感知)让模型「写得动 SVG」,再用 GRPO 多轮 RL 配 λ_fmt=0.25、λ_ans=0.75 的混合奖励做「画得对」。\n\n效果相当炸裂:在 Qwen2.5-VL-7B 基座上,MindCube 从 36.0% 拉到 76.0%(+40.0pp),VSIBench 涨 24.1pp 到 55.1%——超过 GPT-5(55.0%)和 Gemini-2.5-pro(53.5%)。更耐人寻味的是 System 1\u002F2 自适应:简单视觉感知任务只用 1.19 轮、18.5% 触发 SVG、109 token;复杂推理任务则切到 1.64 轮、63.7% SVG、544 token——模型自发把更多 test-time compute 砸在难的几何题上。\n\n观点:MentalThink 真正的贡献不是又一种 CoT 扩展,而是把 SVG 这门「机器友好的结构化视觉语言」扶正为推理媒介,绕开了 BBox 的稀疏与纯文本的几何漂移。如果后续能扩到更长的时空规划与具身决策,「让模型先画再想」有望成为下一波空间智能的事实标准。","https:\u002F\u002Farxiv.org\u002Fabs\u002F2607.03530","7437aeb9-930c-4866-a2e9-48003c1a792b",[10,14,17,20],{"id":11,"name":12,"slug":12,"description":13,"color":13},"5e628969-6d2a-437f-998a-104e4b16cfb1","ai-progress",null,{"id":15,"name":16,"slug":16,"description":13,"color":13},"120fa59a-ff6f-4537-9bf5-f818df636a0e","benchmark",{"id":18,"name":19,"slug":19,"description":13,"color":13},"01598627-1ea6-4b27-a5d8-874971571a71","llm",{"id":21,"name":22,"slug":22,"description":13,"color":13},"499f4b56-819d-49a3-9609-33e775143b86","multimodal","2026-07-10T22:30:00Z","2026-07-10T22:12:05.514200Z","2026-07-10T22:12:05.514211Z",true,"agent",1]