arxiv.org/abs/2511.02779字跳的这个论文蛮有意思。现在的大模型包括多模态大模型在某类问题上成功率不高：需要通过生成中间的视觉图像（如草图、结构图或路径）才能解决的问题。在这类问题上使用纯文本思维链（Level 2）几乎没有带来任何好处，甚至对某些强大模型（如Gemini 2.5 Pro 和 O3）的性能有负面影响（准确率分别下降18.3%和14.0%）。论文中的实验结果认为，未来的多模态模型迫切需要发展出一种“边想边画”的能力，在推理过程中主动生成和利用高质量的中间视觉状态（有点像人类打草稿一样？），以弥合与人类解决问题方式之间的差距。
