重新思考多图像理解中的多图像重表征

基于摘要分析。本文研究多模态大语言模型（MLLM）如何组织分布在多张图像中的视觉证据，将提示驱动的 Chain-of-Thought 推理与智能体视觉工具使用统一视为多图像重表征，并提出通用多图像视觉工具框架 Mosaic，使模型主动构建视觉中间表示。 Mosaic 提供十种可组合的图像操作，但摘要未列出具体操作。作者在现有多图像基准及新提出的 MosaicBench 上比较五种重表征设置；MosaicBench 聚焦细粒度多图像理解中的视觉定位与证据落地。作者报告，文本与视觉重表征的相对收益高度依赖任务：视觉重表征在假设检验、精细比较和方向敏感推理等需要精确视觉证据的任务中更有效，而以高层语义为主的任务收益较小或不稳定。摘要未提供量化结果、具体对照配置或数据划分，不能据此判断总体优势幅度。 在此基础上，作者通过强化学习训练 MosaicAgent-8B，仅使用准确性与格式奖励，不使用示范轨迹或针对特定工具调用的奖励。作者报告，该智能体能够学习多步组合视觉操作，并在未被明确提示时呈现多样的问题求解模式。基础模型、训练规模、奖励计算、工具调用成本、消融及统计信息尚未验证。代码与数据为计划公开，不能视为已经发布。 研究主要对象是多图像理解，而非 EEG 或 BCI。其证据重组织机制是否适用于神经信号分析尚无所给材料支持，已有 EEG 相关工作也尚未检索确认，因此不将视觉任务收益外推为 BCI 效果。