ATLAS：代理式或潜在视觉推理？一个词足以两用

视觉推理通常伴随中间视觉状态，已成为该领域的热门方向。直接通过统一模型生成图像的 straightforward 方法虽直观，却计算昂贵且架构难以实现。近期替代方案包括通过代码或工具调用实现的代理式推理，或通过可学习隐藏嵌入实现的潜在推理。然而代理式方法因外部执行产生上下文切换延迟，潜在方法则缺乏任务泛化性，难以进行自回归并行训练。为综合两者优势并规避局限，本文提出ATLAS框架，单一个离散“词”，即功能标记（functional token），既可作为代理式操作，亦可作为潜在视觉推理单元。每个功能标记关联内部化视觉操作，无需视觉监督，仍为分词器词汇表中的标准标记，可通过下一标记预测生成。该设计避免冗余中间视觉内容生成，同时保持与基础可扩展SFT和RL训练的兼容性，无需架构或方法论修改。为进一步解决RL中功能标记稀疏问题，本文引入潜在锚定GRPO（LA-GRPO），通过对功能标记施加静态加权辅助目标实现训练稳定，提供更强梯度更新。大量实验与分析表明，ATLAS在挑战性基准测试中实现卓越性能，同时保持清晰可解释性。我们期望ATLAS为未来视觉推理研究提供新范式。