思维链（CoT）为什么有效？10 月 18 日提交到 arXiv 的论文《Visual Scaffolding: Toward Native Multimodal Reasoning》给出了一个观察：CoT 的成功可以归结为一种"文本脚手架效应"——显式的中间结果能够被检查、复用、组合，支撑起后续推理，就像建筑施工里的脚手架。但主流多模态大模型有个明显短板：那些难以用简洁语言描述的视觉差异，一直缺少同等的脚手架。
视觉特征直接进思维链
论文由此定义了"原生多模态推理"：原生视觉表征与语言共同承载可复用的中间状态。实现上，模型可以在推理的任意步骤自主发起一次检索动作，由一个轻量检索器选出原生视觉特征，直接并入正在演化的思维链，并在后续步骤中持续可用——不再是"看一眼图，剩下的全靠文字转述"。
88M 参数换来的成绩单
评测用的是团队自建的 NMR-Bench，包含 Burden Counting 与 Path Tracing 两项任务。在 Qwen3-VL-4B-Thinking 基础上只增加约 88M 参数（约占 2%），模型分别拿到 66.43% 和 72.50% 的准确率；论文报告称，这超过了其评测的 GPT-5.5 与 Gemini 3.1 Pro 基线。提醒一句：这是自建基准，截至发稿检索时也未见独立第三方复现，横向名次建议保留一分谨慎。
更值得看的是干预实验：在固定文本不变的前提下，更换被选中的视觉内容会改变任务准确率，甚至改变后续步骤的视觉选择——说明视觉状态确实在承担"推理材料"的角色，而不只是输入端的装饰。
所以呢
这项工作的价值在方向而不在跑分。今天的主流多模态模型，本质上是把视觉信息压进语言可表达的通道，压不动的那部分就永远损失掉了。如果原生视觉表征能成为与语言并列的一等公民，同样的逻辑就可以推广到音频、视频乃至传感器信号。对正在做 Agent 的团队而言，"中间状态用什么表征来存"是个值得现在就想清楚的问题。论文原文见 arXiv:2610.25247。