计算机视觉领域正经历一场深刻的范式转变，研究重点已从单纯提升机器的“看”的能力，转向让视觉信息成为驱动推理、决策与交互的强大媒介。
告别“盲目推理”，走向自适应与隐式路径
过往多模态模型普遍采用“思维链”（CoT）进行逻辑推理，但最新研究表明，这种“每一次都推理”的模式效率低下。例如，VideoAuto-R1框架提出的“按需推理”机制，能够区分简单感知任务与复杂逻辑场景，前者直接给出答案，后者才触发推理。实验数据显示，这一方法在保持顶尖性能的同时，显著降低了平均输出长度约3.3倍，提升了效率。
此外，模型的推理方式也在发生演变。过去，模型高度依赖语言来理解和处理空间关系，在应对拼图或几何结构等任务时显得力不从心。当前趋势是将推理过程转移至“潜在空间”，模型可以直接在低维度的向量表示中进行隐式视觉推理，无需将其转化为线性的文本描述，从而更自然、高效地处理复杂的视觉结构。
评测体系反思：打破“选择题”的虚假繁荣
现有视觉语言模型评测多采用多项选择题（MCQA），这种方式存在系统性高估模型能力的风险。研究指出，模型可能通过排除法或选项偏差等“投机取巧”的方式，导致真实得分被虚高约20个百分点。为了解决这一问题，业界正积极推动“可验证开放问答”的评测范式，要求模型必须真正理解视觉内容，而非依赖选项线索来作答。
同时，评测场景已从单一主体、静态图像扩展至多智能体环境。VS-Bench等新兴基准的出现，要求模型不仅要理解环境本身，还要具备在合作、竞争等复杂交互场景下的策略推理和决策能力，这标志着视觉智能正从单纯的“理解者”向“决策者”进化。
基础设施升级：开源模型与真实数据补全
在模型形态上，开源社区正朝着更彻底的透明度迈进。Molmo2等模型不仅开放了权重，还完整公开了训练数据和流程。这些模型的能力已从处理单幅图像扩展至视频，并引入了精细的定位功能，实现了从“看懂”到“指出具体位置”的质的飞跃。
支撑这些技术进步的是日益完善的数据基础设施。针对文本驱动的图像编辑任务，Pico-Banana-400K等大规模真实数据集的推出，有效弥补了此前过度依赖合成数据的不足。该数据集支持多轮编辑和偏好对齐，为训练更具常识和逻辑的编辑模型奠定了坚实基础。
总而言之，视觉智能正从单一的感知能力，演进为融合感知、认知与行动的一体化智能系统。这一转变并非简单的性能微调，而是推理机制、评测范式和数据供给等多个维度的系统性重构。
新一代视觉智能模型正朝着更高效、更真实的推理能力迈进，未来有望在人机交互、复杂场景理解和智能决策等领域发挥更广泛的应用价值。