近日，Meta AI 与香港中文大学颠覆性提出了一种全新的视觉推理范式 ATLAS，不用外部工具，不显式生成中间图像，没有视觉监督信号，只用一个离散 word，首次颠覆性地代替 Agentic 和 Latent Visual Reasoning。
Paper Link: https://arxiv.org/pdf/2605.15198
Project Page: https://atlas-oneword.github.io
Code: https://github.com/ZiyuGuo99/ATLAS
*作者是香港中文大学的博士生，本科毕业于北京大学计算机系，曾在 Google DeepMind Veo、Meta AI、Amazon AWS AI Lab、Roblox、上海人工智能实验室等机构实习，研究多模态大模型和生成理解统一，一作代表作有 Image-CoT、Think-while-Generate、MME-CoF、Point-LLM、PointCLIP 等，主页 https://ziyuguo99.github.io/。
TL；DR：
面对复杂的视觉推理任务，Unified Models、Agentic Visual Reasoning 和 Latent Visual Reasoning 往往被视为几条不同路线：Unified Models 依赖显式生成中间视觉状态，直观但开销高，训练复杂；Agentic 方法依赖外部工具或执行器，可解释但流程重，且需要额外的中间监督；Latent 方法依赖模型内部表示，形式轻量，但往往需要额外结构设计或特殊训练机制，可扩展性和泛化性差，还需要额外的过程监督。ATLAS试图打破这些范式，一个简单的离散 Token （Functional Token）可以同时承担几种核心角色：作为 Agentic Operation，它高效地告诉我们模型正在执行什么视觉操作；作为 Latent Visual Reasoning Unit，它又能在模型内部高效参与推理，不需要中间图像生成，且可扩展性和泛化性强，可以很轻易的扩展到大规模训练和泛化到众多领域任务。One Word is Enough for Both 的真正含义是一个 word，既是操作，也是思考。
Agentic 和 Latent Visual Reasoning 并不矛盾，一个离散 Token 既可以代表完整且可解释的视觉动作语义，也可以是模型内部的 Latent Visual Reasoning Unit。
稀疏的 Functional Token 需要专门优化。Funtional Token 虽少，但往往是视觉推理中的关键节点。LA-GRPO 通过 Token-level Anchor，让模型更高效地学习这些关键视觉操作。
01、高效统一 Agentic 和 Latent Visual Reasoning
当大模型面对一道复杂的视觉推理题时，它到底应该怎么想？
一种直观做法是让模型显式生成中间图像或视觉状态（Unified Models），再基于这些中间结果继续推理。这种方式过程清楚，但往往需要反复解码和再编码视觉内容，带来较高的计算开销，也让训练和架构设计变得更加复杂，需要额外的视觉监督，且通用性较差。还有一类方法（Agentic Visual Reasoning）则把视觉推理做得更加外显：模型通过代码、工具调用或外部执行器来完成画线、标注、裁剪、放大等视觉操作。
这类 Agentic Visual Reasoning 具有较好的可解释性，但引入了额外的工具执行延迟，常常需要冗长的操作调用描述，且同样需要额外的执行过程监督。
而 Latent Visual Reasoning 试图把中间推理压缩到模型内部表示中，避免显式生成图像或调用外部工具。它更加轻量，也能表达更高维的信息，但中间过程往往不够可控，同样需要对 Latent 做额外的视觉监督，且可扩展性、可解释性与泛化性也较差，难以大规模训练和泛化。
是否有一种方法，既能像 Agent 一样拥有明确的视觉操作，在保证和 Latent Visual Reasoning 一样轻量、高效的基础上，又可扩展到大规模训练和泛化到众多领域任务，同时避免显式生成中间视觉状态带来的高成本？
Meta AI 与香港中文大学提出了一种全新的视觉推理范式 ATLAS，核心想法非常直观：只用一个 word，首次将 Agentic 和 Latent Visual Reasoning 统一起来。
02、为什么一个 Token 就够了
Unified Models 像是边想边重新画一张图，Agentic 方法像是拿出一套工具箱，Latent 方法像是闭着眼在脑中想，ATLAS更像是给模型学会了一组视觉动作暗号。模型只需要生成离散的 Funtional Token，就可以在内部表示中触发相应的视觉操作。
这些 Token 看起来只是普通词表中的一个 Token，但它们承担的角色并不普通：它们既是 Agentic Operation，又是 Latent Visual Reasoning。
ATLAS用一个 Token 同时连接了两件事：一方面，它像 Agentic Reasoning 一样明确表示模型想执行某种视觉操作；另一方面，它又完全存在于模型内部，不依赖外部工具或显式图像生成，因此保持了 Latent Visual Reasoning 的高效性。
这些 Token 不需要额外的视觉监督，也不需要改变模型架构，就像普通词一样，通过 Next-Token Prediction 被模型生成；但一旦出现在推理链中，它们就不只是文本，还是模型内部的视觉操作锚点。
ATLAS：把视觉操作表示为标准自回归序列中的 Funtional Tokens
03、如何让模型真正学会使用 Funtional Tokens
视觉推理中的很多中间步骤，并不一定真的需要生成一张完整图片。
做几何题时，人类脑中可能只是补一条线；做区域判断时，可能只是看一下左上角；做计数题时，可能只是给每个物体打个标记。这些动作很重要，但它们本身并不需要用大量 Token 或完整图像来表示。
ATLAS的关键洞察是：很多视觉推理操作可以被压缩成一个高层语义动作，而这个动作可以由一个离散 Token 表达。因此，ATLAS不再让模型输出冗长代码、调用外部工具，或者生成昂贵的中间视觉结果，而是让模型在文本推理过程中自然插入 Funtional Token。这种设计让视觉推理过程变得更加紧凑，也更接近人类在脑中进行视觉操作的方式。
为了让模型真正学会使用这些 Funtional Tokens，研究团队采用了 SFT + RL 两阶段训练流程：
*阶段：SFT 让模型学会什么时候该用视觉动作
研究团队构建了 ATLAS-178K 数据集，覆盖 40 多种视觉推理任务，并将复杂视觉操作映射为统一的 Funtional Token 表达。
在监督微调阶段，模型学习的不只是最终答案，而是包含 Funtional Tokens 的推理轨迹。这一步类似于示范教学：遇到画线，可能需要 <|Line|>；遇到空间区域操作，可能需要 <|Shape|>；遇到方向关系，可能需要 <|Arrow|>；遇到标注，可能需要 <|Text|>。
第二阶段：RL 让模型学会用得对，而不是乱用
仅仅让模型学会生成 Funtional Token 还不够。因为如果奖励设计不当，模型很容易走向另一个极端：为了拿奖励而疯狂堆 Token。比如本来只需要一条辅助线，它却连续输出十几个视觉动作 Token，看起来很努力，但实际并没有帮助解题。
为了解决这个问题，ATLAS在强化学习阶段设计了专门的 Reward：既奖励答对问题，也奖励合理使用 Funtional Token；同时惩罚过长输出和 Token Spam，避免模型为了刷奖励而滥用视觉动作。这使得模型不再是简单地多用 Token，而是学会在真正需要视觉操作时使用 Token。
04、LA-GRPO：解决 Gradient Dilution 问题
ATLAS中还有一个关键技术点：Latent-Anchored GRPO，简称 LA-GRPO。问题来自 Funtional Token 的稀疏性。在一整段视觉推理输出中，绝大多数 Token 仍然是普通文本，Funtional Token 只占很小比例。
普通 GRPO 使用 Sequence-level Reward，虽然能整体优化模型，但对于这些极少数关键 Token 来说，梯度信号很容易被大量普通文本 Token 稀释，这就是论文中提到的 Gradient Dilution 问题。
ATLAS的解决方式是：在 GRPO 的基础上，额外对 Funtional Token 位置进行 Token-level Anchor。如果某条推理轨迹最终答对了，并且其中某个 Funtional Token 起到了关键作用，那么 LA-GRPO 会更直接地强化这个 Token 的生成概率。这就像在训练中告诉模型：不是所有词都一样重要。真正触发视觉操作的那个 word，需要被更精准地学习。
LA-GRPO：针对稀疏 Funtional Tokens 增强梯度更新，缓解 Gradient Dilution
05、一个 word 带来高效强视觉推理能力
定量和定性实验分析
研究团队在多个视觉推理基准上验证了 ATLAS的效果。实验结果显示，ATLAS在多个具有挑战性的视觉推理任务上取得了有竞争力的表现。尤其是在复杂几何推理、空间关系、多视角理解、计数和细粒度视觉判断等任务中，Funtional Token 能帮助模型更有效地组织视觉推理过程，同时非常高效。
ATLAS基准测试结果
更重要的是，ATLAS的提升并不是通过更复杂的外部系统换来的。它不需要额外工具执行，不需要显式生成中间图像，也不需要破坏标准自回归训练流程。Funtional Token 仍然只是词表中的普通 Token，可以自然兼容现有的 SFT 和 RL 训练框架，可高效扩展至大规模训练。
ATLAS效率分析
ATLAS定性样例：Funtional Tokens 帮助模型定位、过滤和标注视觉证据
模型真的在看这些 Token 吗？
一个自然的问题是：这些 Funtional Token 只是特殊符号，还是模型真的学会了对应的视觉操作？
为此，研究团队进一步分析了模型在生成 Funtional Token 时的注意力模式。结果显示，当模型生成 <|Shape|> 时，注意力往往会聚焦到需要标记的目标区域；当模型生成 <|Line|> 时，注意力会集中在几何结构或需要连接的关键点附近；当模型生成 <|Text|> 时，模型更倾向于关注需要编号、标注或区分的对象。
这说明 Funtional Token 不只是简单的 Token 标记，而是让这种视觉操作在模型内部表示的推理过程中真正发挥作用。
Funtional Token 的 Attention Analysis：不同 Token 关注不同操作的相关区域
ATLAS的意义更在于它提出了一种新的视觉推理范式。从更长远的角度看，ATLAS为多模态模型提供了一种新的能力接口：并非让模型不断调用外部工具，也不是让模型完全黑盒地在隐空间中思考，无需每一步都生成昂贵的中间图像，而是让它学会一套简洁的视觉动作语言。
当模型能够用一个 word 完成视觉操作，在保证可扩展性、泛化性、可解释性的同时，避免冗长的推理过程和额外的中间监督，实现最简洁高效的推理预测。
One word is enough for both.
【本文由投资界合作伙伴机器之心授权发布，本平台仅提供信息存储服务。】如有任何疑问，请联系（editor@zero2ipo.com.cn）投资界处理。
