告别「边画边说」：LatentMorph 开启视觉生成隐式潜空间推理新范式

人类在创作艺术时，大脑并非一味地输出，而是在每一笔落下时都在进行着复杂的、难以言表的 “视觉优化”。

现有的文生图（T2I）模型虽然强大，但往往表现得像是一个 “像素映射机器”，缺乏人类在创作过程中的动态思考与自我修正能力。虽然目前已有研究通过引入大语言模型（LLM）的推理链（CoT）来辅助生成，但这些方法大多依赖显式推理 —— 即必须把思考过程解码成文字或中间图像，再重新编码。

这种方式不仅效率低下，还会导致信息损耗，更不符合人类的创作直觉。为了打破这一瓶颈，来自香港科技大学的团队提出了 LatentMorph。这是一种全新的框架，它将隐式潜空间推理（Implicit Latent Reasoning） 无缝集成到 T2I 生成过程中。它不再需要繁琐的文本解码，而是直接在连续的潜空间中完成 “思考” 与 “修正”，让模型拥有了类似人类的 “创作直觉”。实验结果显示，LatentMorph 显著增强了基座模型 Janus-Pro，在 GenEval 和 T2I-CompBench 上分别提升了 16% 和 25% 的性能。在复杂的抽象推理任务中，它超越了显式范式 11%~15%，同时大幅削减了 44% 的推理延时与 51% 的 Token 消耗，并实现了高达 71% 的人机认知对齐。

• 论文题目：Show, Don't Tell: Morphing Latent Reasoning into Image Generation
• 论文链接：https://arxiv.org/abs/2602.02227
• 代码连接：https://github.com/EnVision-Research/LatentMorph

背景介绍

在 LatentMorph 提出之前，赋予图像生成模型 “System-2” 推理能力的尝试主要集中在两种范式：

• 外部循环（External-Loop）： 将多模态大模型（MLLM）作为外部优化器，用于精炼提示词、评审输出或迭代编辑图片。
• 内部循环（Internal-Loop）： 在统一多模态模型（UMM）内部交替进行理解分支与生成分支的交互，通常是在预定义的固定步骤进行推理。

尽管这些方法有效，但这些范式普遍依赖将 “想法” 强制压缩进有限的离散文本通道。这种显式做法引发了三大核心缺陷：

1. 信息损耗： 自然语言难以精准描述光影、纹理等微妙的视觉逻辑。

2. 计算冗余： 频繁的解码 - 重编码循环带来了巨大的推理延迟和 Token 开销。

3. 认知失调： 强迫模型在每一笔之前都 “说出” 逻辑，违背了人类直觉式的视觉反馈机制。

受潜空间推理在语言模型中成功的启发，LatentMorph 应运而生，其核心研究课题在于：如何让模型在生成图像 Token 的同时，动态监控其视觉状态并隐式介入推理并优化？

LatentMorph 方法

LatentMorph 通过四个轻量化组件，共同构成了一个闭环的 “观察 - 决策 - 思考 - 引导” 系统。其中，冷凝器（Condensers）负责将海量生成状态提炼为紧凑的视觉记忆；调用器（Invoker）智能决定何时介入推理；翻译器（Translator）将抽象想法转化为生成指令；而整形器（Shaper）则精准驱动图像 Token 的最终修正。

2.1 视觉记忆凝结器（Memory Condensers）

为了让推理分支能够理解当前的生成进度，LatentMorph 设计了双重冷凝机制：

2.2 强化学习驱动的推理调用器 (Reason Invoker)

• 语义一致性： 测量当前状态与用户提示词的对齐程度。
• 预测不确定性： 通过 Token Logits 的熵值捕捉模型的信心水平。
• 时序动态与稳定性： 监测语义对齐的波动和偏离。

通过强化学习（GRPO）训练，LatentMorph 能够像人类一样，仅在遇到瓶颈或歧义时才激活思考，从而最大化推理效率并避免冗余计算。

2.3 潜空间翻译器 (Latent Translator)

2.4 潜空间整形器 (Latent Shaper)

这种注入方式不改动模型权重，也不占用 Token 的预测位置，而是通过修改注意力机制的上下文，潜移默化地引导后续 Token 的预测走向。这使得 LatentMorph 能够实现极致的生成连贯性。

实验分析

LatentMorph 在五个权威基准测试中与十种主流方法进行了全方位对比，结果证明了其范式级的优势。

3.1 忠实度与组合性的新高度

在通用的 GenEval 和侧重组合能力的 T2I-CompBench 测试中，LatentMorph 表现优异：

• 相比基座模型 Janus-Pro，LatentMorph 在 GenEval 上提升了 16%，在 T2I-CompBench 上提升了 25%。
• 在处理复杂的 “非空间属性（Non-Spatial）” 任务时，LatentMorph 超过了领先的显式推理基线 TwiG-RL 达 7.28%。
• 定性结果显示，LatentMorph 能有效解决基座模型常见的物体遗漏和属性混淆问题，如精准区分不同物体的颜色与位置。

3.2 抽象与极限推理能力的验证

LatentMorph 在处理抽象知识（WISE）和反物理直觉提示词（IPV-Txt）时展现了独特优势：

• 在 IPV-Txt 基准上，显式文本推理往往受限于语言的表达力，而 LatentMorph 通过连续潜空间保留了关键的、难以言表的视觉线索，性能显著优于所有对比方案。
• 热力图分析证实，LatentMorph 的潜空间推理能更好地激活图像中细微纹理和光影对应的关注区域。

3.3 极速推理与超低消耗

LatentMorph 彻底终结了 “推理必低效” 的魔咒：

相比于需要多次全量生成的迭代方法（如 MILR），或受限于文本解码速度的方案（TWIG），LatentMorph 的推理时间减少了 44%，Token 消耗降低了 51%。这使其成为一种极其经济且可扩展的自回归生成增强方案。

3.4 认知一致性与消歧

LatentMorph 的调用策略与人类直觉达到了 71.8% 的对齐度。它表现出一种 “任务复杂度敏感” 的模式：对于简单的提示词仅进行少量干预，而面对复杂的抽象任务则会增加调用频率（在 GenEval 上平均 1.14 次 vs. 在 WISE 上平均 1.60 次）。

结论

通过 LatentMorph，团队证明了推理增强型模型正从 “显式说理” 向 “隐式直觉” 发生范式转移。

它成功将逻辑思考的深度与生成流程的效率统一在潜空间内，不仅显著提升了模型对复杂、抽象指令的遵循能力，更赋予了 AI 一种类人的创作节奏。正如论文标题所言：“Show, Don't Tell”，真正的智慧往往蕴含在无需言说的潜意识演化之中。

未来，这种潜空间推理框架有望拓展至视频生成、3D 构建等更多高维多模态领域，为构建真正具备自我演化能力的创作型 AI 奠定基础。

文章来自于“机器之心”，作者 “香港科技大学博士生陈浩东和西北工业大学本科生尹新祥”。