苹果新作：内化视觉思考，推理提速 5 倍
2026.09.03 · 事件 · 论文 · 论文预印本
苹果提出 IVT 框架，训练时预测未来、推理时不生成未来画面，提速超 5 倍。
苹果研究团队提出 IVT（内化视觉思考）后训练框架，在训练阶段同时学习文本答案和未来帧的隐空间表征，推理阶段完全移除未来视觉预测，直接根据当前视频生成答案。在 6 项主动视频推理任务上全部超过 Answer-Only SFT，平均推理 1.22 秒，相比 Visual CoT 的 6.56 秒提速超 5 倍。
- IVT 训练时预测未来，推理时不生成未来画面
- 6 项任务全部超过 SFT，平均推理 1.22 秒
- 相比 Visual CoT 提速超 5 倍
- 未来表征选择 Flux-VAE 效果最好
- 未来预测与语言任务需联合训练
为什么值得看
提出“训练时思考、推理时直接回答”的新范式，兼顾性能与实时性。
适合谁关注
关注多模态推理、视频理解与实时 AI 系统的研究者。