TACIT：基于转换感知的隐式思维捕获

我们提出 TACIT（Transformation-Aware Capturing of Implicit Thought），一种基于扩散的 transformer，用于可解释的视觉推理。不同于基于语言的推理系统，TACIT 完全在像素空间内运作，利用定点流实现，从而在每个推理步骤中直接可视化推理过程。我们在迷宫求解任务上展示了该方法，该模型学习将未解迷宫的图像转换为解答。关键结果包括：在 100 个 epoch 内实现训练损失降低 192 倍，L2 距离相对于真实值的改进 22.7 倍，仅需 10 个 Euler 步骤（相较于典型扩散模型的 100-1000 步）。定量分析揭示了惊人的相位转变现象：解答在转换的 68% 中保持不可见（零召回率），然后在 t=0.70 时突然出现，仅占整个过程的 2%。最令人印象深刻的是，100% 的样本在所有空间区域同时出现，排除了顺序路径构建，提供了关于神经网络在语言以下和之前发展出的隐式推理策略的证据。这种“灵感时刻”模式——长期孕育后突然结晶——类似于人类认知中的洞察现象。像素空间设计的无噪声流匹配为理解神经网络如何发展出低于和在语言之上的隐式推理策略提供了基础。