ATLAS: Agentic or Latent Visual Reasoning? One Word is Enough for Both
ATLAS：一个词同时实现Agentic与潜在视觉推理
🧭 视觉推理 · 功能token
用单一离散功能token统一agentic操作与潜在视觉推理，无需视觉监督，兼容标准训练
📌 工作参考价值
- 功能token设计思路：在多模态对话或视觉Agent中，可将复杂视觉操作封装为离散token，避免生成中间图像，大幅降低计算开销。
- LA-GRPO训练技巧：当行为token稀疏时，用静态加权的辅助目标锚定功能token，可稳定强化学习训练，适合电商Agent中稀疏动作（如工具调用）的场景。
- 兼容性优势：功能token保持标准词表内，无需修改模型架构或训练流程，可直接融入现有LLM SFT和RL管线，工程移植成本低。
- 可解释性增强：功能token为内部操作提供明确语义锚点，便于业务中审计Agent决策路径，提升系统透明度。
动机：视觉推理通常需要中间视觉状态，直接生成图像成本高，而agentic方法（通过代码/工具调用）引入外部执行延迟，latent方法（隐藏嵌入）难以任务泛化和并行训练。
方法：提出ATLAS框架，核心是用一个离散的功能token同时实现agentic操作和latent视觉推理。每个功能token对应一个内部化的视觉操作，但无需视觉监督，且保留在标准词表中，可通过next-token prediction生成。这避免了冗长的中间图像生成，同时完全兼容标准SFT和RL训练，无需架构改动。针对RL中功能token稀疏导致的训练不稳定，引入Latent-Anchored GRPO (LA-GRPO)，以一个静态加权的辅助目标锚定功能token，提供更强的梯度更新。
结果：在多个挑战性视觉推理基准上，ATLAS取得优越性能，同时保持了清晰的解释性，证实了单一token设计的有效性和训练稳定性。