# 多模态训练让纯文本模型具备隐性的视觉推理能力

> 研究人员发现，视觉语言训练会改变语言模型解决空间任务的方式，即使输入内容只有文本。

Oossa · 2026-11-13 · https://oossa.com/zh/multimodal-training-gives-text-only-models-hidden-visual-reasoning-abilities

事件日期: 2026-11-11

Qi Zhang 带领的团队于 11 Nov 2026 发表论文指出，接受图像和文本训练的语言模型会形成一条隐性的“视觉轴”，并在纯文本推理时调用它。在 7-billion-parameter 模型 Chameleon‑7B 中，禁用这条轴后，模型在 BIG‑Bench Hard 导航任务上的准确率下降了 27.6 percentage points，而符号布尔测试的表现则略有提升。这种影响集中在特定层中，也有助于完成心理旋转和视角转换任务。

## 事实

- 消融视觉轴后，Chameleon‑7B 在 BIG‑Bench Hard navigate 任务上的准确率下降 27.6 pp
- 论文于 11 Nov 2026 提交（Wed, 11 Nov 2026 02:44:10 UTC）

## 为什么重要

这表明视觉语言训练能提升纯文本 AI 的空间推理能力，为未来的模型设计提供参考。

## 来源与参考

1. [Emergent Vision-Shaped Thinking in Text-Only Reasoning through Multimodal Training](https://arxiv.org/abs/2611.14942) – arXiv, 2026-11-13

最后更新: 2026-11-13