V-Reflection：将多模态大语言模型从被动观察者转化为主动询问者

多模态大语言模型（MLLMs）取得了显著的进展，但在细粒度任务中仍容易出现感知相关的幻觉。这种漏洞源于根本性限制：其推理主要局限于语言领域，将视觉输入视为静态且不参与推理的前导语gestalt，而非动态的参与者。因此，当前模型表现为被动观察者，无法重新检查视觉细节以校准其演化中的推理状态。为克服这一问题，我们提出了V-Reflection框架，通过“思考后观察”的视觉反思机制将MLLM转化为主动询问者。在推理过程中，潜在状态作为动态探针主动询问视觉特征空间，从而为每个推理步骤提供任务关键证据。我们的方法采用两阶段蒸馏策略。首先，基于盒框引导的压缩模块（BCM）通过显式空间对齐建立稳定的像素到潜在目标。接下来，动态自回归压缩（DAC）模块将模型的隐藏状态映射为动态探针，以询问全局视觉特征图。通过将BCM教师的空间专长蒸馏到DAC学生中，V-Reflection内化了局部任务关键证据的能力。在推理时，两个模块完全保持静默，维持基于潜在空间的纯端到端自回归解码，具有最佳效率。广泛的实验表明，V-Reflection在六个感知密集型基准测试中均显著缩小了细粒度感知差距。可视化结果确认，潜在推理能够自主局部化任务关键视觉证据。