Reversing the Flow: Generation-to-Understanding Synergy in Large Multimodal Models

Paper: arXiv:2605.15792 Code: PRIS-CV/reverse-flow-mllm Code reference: main @ d10606c8 (2026-03-09)

1. Motivation (研究动机)

这篇论文要解决的是 unified multimodal model 里的一个“结构统一但认知单向”的问题：BAGEL、BLIP3-o、Janus、Show-o 等模型已经把 visual understanding 与 visual generation 放进同一类架构里，但常见路径仍然是 Understanding-to-Generation (U $\to$ G)。模型先理解图像与指令，再把理解结果送给 diffusion 或 autoregressive generator 生成图像；生成结果通常被当作最终输出，而不是反过来作为理解的中间证据。

作者指出，这种单向性会让“统一模型”停留在架构层面的共享参数，而不是认知层面的互相增强。理解能力可以帮助生成更可控的图像，但生成能力很少被显式用来帮助模型重新看懂原图：模型不会主动去放大细节、补全背景、去除干扰物、构造新视角，随后把这些“想象出来的视觉证据”反馈给自己的 reasoning pathway。

Figure 1 解读：图中强调 unified model 的目标不应只是把 U 与 G 放在同一个模型里，而是让二者形成闭环。现有模型主要沿着 U $\to$ G 方向工作：视觉/语言理解控制图像编辑或合成；本文关注被忽略的反向 G $\to$ U：让生成模块先产生辅助视觉线索，再把这些线索作为额外上下文交给理解模块。

这个问题值得研究有三个原因。第一，人类在感知不确定时常会通过“想象”来辅助理解，例如脑内补全遮挡区域、换一个视角观察结构、放大局部细节；如果统一模型真的要模拟这种 cognition loop，就不能只会把理解结果转成图像。第二，generation pathway 已经携带丰富的视觉先验与世界知识，如果它只能作为输出端使用，就浪费了模型内部已有的生成能力。第三，论文发现生成质量会约束理解收益，而 prompt family 会决定收益迁移到哪些任务；这使 G $\to$ U 不只是一个 prompt trick，而是统一模型中“生成如何服务理解”的可测机制。

2. Idea (核心思想)

核心 insight：把视觉生成从“答案之后的输出”改造成“答案之前的中间推理步骤”。模型先对输入图像执行受控编辑，生成一个 visual thought，再把原图、visual thought 与问题一起送回理解路径，让模型在 observed evidence 与 imagined evidence 之间做联合推理。

本文的关键创新是提出 Generation-to-Understanding (G $\to$ U) synergy：不训练新模型、不接外部工具，而是在同一个 unified LMM 内用两阶段 zero-shot prompting 构造闭环。Stage I 让 generative pathway 产生增强/扩展后的辅助图像 $\hat{I}$ ；Stage II 让 understanding pathway 读取 $I$ 与 $\hat{I}$ ，输出最终答案 $a$ 。

与 U $\to$ G 方法（例如 InstructPix2Pix、Show-o、BAGEL、Janus 系列的常规图像编辑/生成流程）相比，本文的根本差异在于信息流方向：传统方法让 understanding condition generation；G $\to$ U 让 generation construct evidence for understanding。与 textual Chain-of-Thought 相比，它不是在语言空间解释决策，而是在图像空间先改造感知输入，因此更适合处理局部细节、空间布局、视觉错觉和鲁棒性感知问题。

3. Method (方法)

3.1 总体框架：闭环的 G $\to$ U visual thinking

设统一多模态模型为 $M$ ，包含 coupled understanding pathway $M_{U}$ 与 generative pathway $M_{G}$ ，二者共享部分参数或表示空间。传统 U $\to$ G 可写为： $\hat{I} = D_{G} (f_{v} (I), q),$ 其中 $I$ 是输入图像， $q$ 是指令/问题， $f_{v}$ 是 visual encoder， $D_{G}$ 是 diffusion 或 autoregressive generator。这个公式中，理解只作为生成的条件，生成不会反馈给理解。

本文把流程改写成两步： $\hat{I} = M_{G} (I, q; p_{e d i t}), a = M_{U} (I, \hat{I}, q),$ 其中 $p_{e d i t}$ 是结构化 visual editing prompt， $\hat{I}$ 是 self-generated visual thought。直觉上， $\hat{I}$ 不是最终答案，也不是外部工具产生的新数据，而是模型利用自身生成先验构造出的“中间视觉假设”：如果图像更清晰、背景更完整、视角更合适、干扰更少，模型可能更容易回答原始问题。

Figure 2 解读：左侧 Stage I 使用同一个 unified model 的 generative capability 对原图执行编辑，得到 enhanced image / visual evidence；右侧 Stage II 将原始图像、生成图像与 query 一起输入 understanding pathway。这个设计的关键不是“多看一张图”本身，而是让第二张图由模型内部的生成路径构造，因此它体现了模型 latent world knowledge 对当前理解任务的可视化外化。

3.2 Stage I：Visual Thought Generation

Stage I 激活 generative pathway $M_{G} = D_{G} \circ f_{v}$ ： $\hat{I} = D_{G} (f_{v} (I), q, p_{e d i t}) .$ $p_{e d i t}$ 指定应该如何变换原图，使生成图像能够补充原始视觉证据。论文把 prompt library $P$ 分成两类：

Enhancement Prompts $P_{E}$ ：低层视觉增强，例如 denoising、deblurring、exposure correction、colorization、inpainting、increasing saturation。它们主要提升 perceptual fidelity、边缘/纹理/颜色可见性，适合 object counting、attribute recognition、color reasoning 等依赖局部视觉证据的任务。
Expansion Prompts $P_{X}$ ：高层语义或结构扩展，例如 outpainting、background reconstruction、viewpoint translation / novel view synthesis、object removal、texture enhancement、auxiliary line generation。它们主要扩展上下文、减少干扰、显式化空间关系，适合 spatial reasoning、illusion reasoning、结构理解等任务。

Figure 3 解读：上半部分展示低层 enhancement：模型通过去噪、去模糊、曝光/饱和度调整等方式让细节更可见；下半部分展示高层 manipulation：模型通过 outpainting、zoom-in、object removal、novel view 等方式生成新的上下文或结构线索。图中的样例都是 BAGEL 原本失败、但 G $\to$ U visual thinking 能纠正的案例，说明生成不是为了“好看”，而是为了提供后续回答所需的证据。

这一阶段的关键约束是避免 answer leakage。也就是说，edit prompt 不应该直接包含答案，也不应该把问题转写成标签提示；它只能描述可视化操作。否则模型提升可能来自语言暗示，而不是生成出的视觉证据。

3.3 Stage II：Understanding via Internal Feedback

Stage II 把 $\hat{I}$ 重新输入 understanding pathway，构造增强上下文： $C = {I, \hat{I}, q} .$ 模型分别编码原图和 visual thought： $z_{v} = f_{v} (I), \overset{z}{^}_{v} = f_{v} (\hat{I}),$ 然后把视觉特征与问题拼接后送入 reasoning decoder： $a = D_{U} ([z_{v}, q, \overset{z}{^}_{v}]) .$ 这一步带来两种互补收益。第一是 perceptual enrichment：增强型编辑让局部结构更清楚，减少由于模糊、低对比度、遮挡带来的歧义。第二是 contextual supplementation：扩展型编辑提供额外空间/语义上下文，例如通过 outpainting 或 novel view 让模型看到原图中被截断或难以推断的关系。若 $\hat{I} = I$ ，流程退化为不引入生成证据的 baseline，因此它与原始理解流程兼容。

3.4 Autonomous Prompt Generation：模型是否知道该想象什么

手工 prompt 可以验证 G $\to$ U 是否存在，但不适合覆盖大量任务。论文引入 autonomous prompt writer $W$ ，使用 GPT-4o-mini 和 $K = 5$ 个 in-context examples 生成 task-specific edit prompt： $p_{e d i t} = W (I, q; {(I_{i}, q_{i}, p_{i})}_{i = 1}^{K}) .$ 作者还对生成 prompt 做 semantic consistency 与 lexical diversity 过滤，目标是让 prompt 既贴合任务，又不要在 wording 上过度单一。这个模块的研究问题是：当前 unified model 是否能自己决定“应该想象什么”？后续实验显示 Self-Prompt 能生成语法合理、视觉上可执行的编辑指令，但经常关注表层变化而不是任务真正需要的信息；外部 writer，尤其 GPT-4o-mini，更稳定地对齐任务需求。

3.5 伪代码：基于论文流程与 released repo 可见代码的算法级实现

Code reference: main @ d10606c8 (2026-03-09) — pseudocode and mapping based on this commit. Released repo exposes evaluation/config wrappers, but the vlmeval/vlm/bagel implementation is an unresolved gitlink without .gitmodules; therefore generation internals are reconstructed from paper equations and visible registry/evaluation protocol. The pseudocode below is a schematic reading-note reconstruction, not a directly runnable copy of released BagelInfer* code.

import torch
 
@torch.no_grad()
def generate_visual_thought(bagel_model, image, question, edit_prompt):
    """Stage I: M_G(I, q; p_edit) -> I_hat."""
    # Paper: I_hat = D_G(f_v(I), q, p_edit)
    visual_features = bagel_model.encode_image(image)
    enhanced_image = bagel_model.generate_image(
        visual_features=visual_features,
        question=question,
        edit_prompt=edit_prompt,
        # Paper setting: 30 denoising steps, CFG text=4.0, image=1.0.
        # The public repo's BagelInfer submodule is unavailable, so these
        # exact kwargs cannot be verified against released class code.
        num_denoising_steps=30,
        cfg_text=4.0,
        cfg_image=1.0,
    )
    return enhanced_image

@torch.no_grad()
def answer_with_visual_feedback(bagel_model, image, enhanced_image, question, mode="concat"):
    """Stage II: M_U(I, I_hat, q) -> answer."""
    z_v = bagel_model.encode_image(image)
    z_hat = bagel_model.encode_image(enhanced_image)
 
    if mode == "concat":
        # Best visible strategy in Table 3: [z_v, q, z_hat]
        multimodal_context = bagel_model.pack_context([z_v, question, z_hat])
    elif mode == "replace":
        multimodal_context = bagel_model.pack_context([z_hat, question])
    elif mode == "vae_concat":
        # Paper reports modality confusion for this path.
        vae_features = bagel_model.encode_with_vae(enhanced_image)
        multimodal_context = bagel_model.pack_context([z_v, question, vae_features])
    else:
        raise ValueError(mode)
 
    return bagel_model.decode_answer(multimodal_context)

def choose_edit_prompt(question, image=None, writer="manual", demos=None):
    """Prompt selection / writer abstraction used by G->U."""
    if writer == "manual":
        if asks_about_fine_detail(question):
            return "Enhance fine details and improve local clarity without changing semantics."
        if asks_about_spatial_layout(question):
            return "Generate an auxiliary view that makes spatial structure easier to inspect."
        return "Improve visual evidence relevant to the question without revealing the answer."
 
    if writer in {"gpt-4o-mini", "gemini-2.5-flash", "self-prompt"}:
        # Paper: p_edit = W(I, q; {(I_i, q_i, p_i)}_{i=1}^K), K=5 by default.
        prompt = writer_model(writer).generate_edit_prompt(
            image=image,
            question=question,
            demonstrations=demos[:5],
            constraints=["no answer leakage", "visual edit only", "task aligned"],
        )
        return filter_for_semantic_consistency_and_diversity(prompt)
 
    raise ValueError(writer)

def run_g2u_eval(dataset, model_alias="bagel_zoomin"):
    """Visible repo protocol: keep prediction, prompt, and enhanced_path."""
    model = build_model_from_vlmeval_config(model_alias)  # vlmeval/config.py
    rows = []
    for sample in dataset:
        edit_prompt = choose_edit_prompt(sample.question, sample.image)
        enhanced = generate_visual_thought(model, sample.image, sample.question, edit_prompt)
        answer = answer_with_visual_feedback(model, sample.image, enhanced, sample.question)
        rows.append({
            "index": sample.index,
            "prediction": answer,
            "prompt": edit_prompt,
            "enhanced_path": save_image(enhanced, sample.index),
        })
    return rows

3.6 Code-to-paper mapping

Code reference: main @ d10606c8 (2026-03-09) — pseudocode and mapping based on this commit

Paper Concept	Source File	Key Class/Function
Paper metadata / G $\to$ U description	`README.md`	README abstract states visual thoughts are fed back for perception
BAGEL baseline and G $\to$ U model aliases	`vlmeval/config.py`	`bagel`, `bagel_prompt`, `bagel_concat`, `bagel_zoomin`, `bagel_gpt*`, `bagel_prompt_gen`, `gemini_prompt_gen` registry entries
BAGEL class imports	`vlmeval/vlm/__init__.py`	imports `BagelInfer`, `BagelInfer_concat`, `BagelInfer_zoomin`, `BagelInfer_GPT`, `BagelInfer_prompt_gen`
Evaluation output carrying visual-thought evidence	`vlmeval/inference.py`	BAGEL-specific result rows preserve `prediction`, `prompt`, `enhanced_path`
Benchmark launch examples	`0.sh`, `1.sh`	`torchrun run.py --data MME/MMBench/MMVet/MMStar/HallusionBench --model bagel_gpt/bagel_zoomin --batch-size ...`
Missing generation internals	`vlmeval/vlm/bagel`	gitlink `d8acd820060ec12e3e3e991fe37858a0cdaca165`; no `.gitmodules`, cloned directory empty

论文公式与 released code 实现差异：论文给出了完整的 G $\to$ U 公式、BAGEL 7B、30 denoising steps、text CFG $4.0$ 、image CFG $1.0$ ；public repo 则主要释放了 VLM-Eval 风格的 registry / launch / result-serialization wrapper，核心 BagelInfer* 文件位于未解析 gitlink 中，无法从当前 release 直接核对 generation 调用、concat 细节、VAE concat 实现与 prompt writer 内部逻辑。因此本笔记把代码锚定到 main@d10606c8，但对 generation internals 标注为 paper-specified / code-unverified。

4. Experimental Setup (实验设置)

4.1 数据集与规模

作者构造了 VisThink-Bench，用于直接测量 visual generation 对 understanding 的帮助。该 benchmark 有 $1595$ 个 VQA samples，来自 $12$ 个已有 benchmark，覆盖 $34$ 个 fine-grained tasks，并被组织成三大类：

Category	Source benchmarks	Samples
Perception	MME, MMBench, SEED, MMStar, R-Bench, Q-Bench	$970$
Logic Reasoning	EMMA, MMBench, SEED, KiVA, MMStar, HallusionBench	$317$
Spatial Reasoning	LogicVista, LEGO, Spatial-457, MMBench	$308$

此外，论文还在七个常用 benchmark 上评估泛化性：MMBench、MME、MM-Vet 用于 general perception / composition；MM-Star 与 KiVA 用于 reasoning；HallusionBench 用于 hallucination mitigation；R-Bench 用于 robustness under visual corruptions。

Figure 4 解读：左侧统计 G $\to$ U 相对 vanilla BAGEL 在 $34$ 个细粒度任务上的 accuracy change；右侧给出 VisThink-Bench 的任务构成。图中的核心现象是收益与任务类型高度相关：3D height estimation、illusion reasoning、color recognition 等任务提升最大，因为它们依赖局部对比度、空间布局或细节放大；text / pattern recognition 等符号密集任务可能下降，因为生成器难以稳定保留离散字符或规则图案。

4.2 Baselines 与比较对象

比较对象分成两类。第一类是 specialised understanding systems：Qwen2.5-VL、InternVL2.5、LLaVA-OV、DeepSeek-VL2、Emu3-chat。第二类是 unified models：MetaQuery、BLIP3-o、Janus-Pro、Show-o2、LMFusion、TokenFlow-XL、BAGEL。核心对比是 BAGEL baseline 与 BAGEL+Ours，即在 BAGEL 上加入 G $\to$ U visual thinking。

4.3 Evaluation metrics

Accuracy / benchmark score：MMBench、MM-Vet、MMStar、KiVA、HallusionBench、R-Bench 等按照各 benchmark 的标准 accuracy 或综合分数报告。
MME-P / MME-S：MME-P 是 Perception score；MME-S 是 Perception + Cognition 的 total sum score。
VIE metric：用于衡量编辑质量，论文报告 Semantic Consistency 与 Perceptual Quality，并把它们与下游 understanding gain 做相关性分析。
AVG：在 ablation table 中对 R-Bench、HallBench、MMStar 三个分数求平均，用于比较 reasoning modality、context integration 和 prompt writer。

4.4 模型与推理配置

实验实例化在 BAGEL (7B) 上。论文强调所有实验都是 zero-shot：不 fine-tune，不增加参数，也不改模型架构。VisThink-Bench 使用手工 task-specific edit prompts；其他 benchmark 使用 GPT-4o-mini few-shot writer，默认 $K = 5$ 个 in-context examples。视觉编辑使用 BAGEL 默认 diffusion 设置： $30$ denoising steps、text classifier-free guidance scale $4.0$ 、image guidance scale $1.0$ 。

代码侧可见配置包括：vlmeval/config.py 将所有 BAGEL alias 指向 /data/tongyujun/uni-tts/models/BAGEL-7B-MoT；0.sh / 1.sh 给出单卡 torchrun 评估示例，例如 bagel_gpt 在 MME/MMBench 上 batch size $16$ 、HallusionBench/MMVet/MMStar 上 batch size $12$ ，bagel_zoomin 在 AI2D_TEST 上 batch size $6$ 、MMBench/MMVet/HallusionBench 上 batch size $8$ 。由于 BagelInfer* 子模块未随 repo 正常展开，30 steps 与 CFG 数值目前只能锚定到论文文本，不能从 released implementation 中复核。

5. Experimental Results (实验结果)

5.1 主结果：BAGEL+G $\to$ U 在多数 benchmark 上提升

Model	MMB	MME-P	MME-S	MMVet	MMStar	KiVA	HallBench	R-Bench
BAGEL	$83.7$	$1686$	$2320$	$62.7$	$66.7$	$32.9$	$50.9$	$70.1$
BAGEL+Ours	$85.5$	$1662$	$2315$	$62.1$	$67.9$	$35.2$	$55.1$	$71.7$
Change	$+ 1.8$	$- 24$	$- 5$	$- 0.6$	$+ 1.2$	$+ 2.3$	$+ 4.2$	$+ 1.6$

结果显示，G $\to$ U 对 reasoning / hallucination / robustness 更有帮助：MMStar 提升 $1.2$ ，KiVA 提升 $2.3$ ，HallusionBench 提升 $4.2$ ，R-Bench 提升 $1.6$ ，MMBench 提升 $1.8$ 。MME 与 MMVet 小幅下降，说明生成反馈并不是无条件提升；当任务更依赖离散符号、细小文本或 benchmark scoring 与图像编辑不对齐时，visual thought 可能引入噪声。

5.2 VisThink-Bench：收益取决于任务需要哪种 visual thought

VisThink-Bench 上的 fine-grained 分析表明，G $\to$ U 的收益不是均匀分布的。3D height estimation、illusion reasoning、color recognition 等任务提升超过 $10%$ ，因为它们分别受益于 novel view / spatial layout、结构可视化、局部颜色与细节增强。human counting、object counting、shape recognition 等复杂场景感知任务有中等收益，但当编辑需要高保真姿态或复杂布局时，生成错误会限制提升。text / pattern recognition 等符号密集任务略降，原因是生成 prior 对离散 token fidelity 不稳定。

5.3 编辑质量与下游理解收益正相关

论文用 VIE metric 衡量 BAGEL 在 VisThink-Bench 上的编辑质量，平均 Semantic Consistency 为 $5.12$ ，Perceptual Quality 为 $5.41$ 。按任务计算编辑质量与 G $\to$ U accuracy gain 的关系后，Semantic Consistency 与 Perceptual Quality 都呈显著正相关： $R^{2} = 0.27$ ， $p < 0.01$ 。

Figure 5a–5b 解读：两张散点图分别对应 Semantic Consistency 与 Perceptual Quality；横轴是编辑质量，纵轴是 understanding improvement。回归线向上说明“想象得越好，理解通常越好”，但 $R^{2} = 0.27$ 也说明编辑质量不是唯一因素：prompt 是否选对、任务是否需要视觉补证据、生成是否保留关键符号都会影响最终收益。

5.4 Ablation：视觉推理优于 textual CoT，Concat 最稳，外部 prompt writer 更好

Method	R-Bench	HallBench	MMStar	AVG
BAGEL (Baseline)	$70.1$	$50.9$	$66.7$	$62.6$
BAGEL Textual CoT	$63.6$	$50.4$	$59.4$	$57.8$
Replace	$70.1$	$50.5$	$67.2$	$62.6$
Concat	$70.9$	$53.1$	$66.5$	$63.5$
VAE Concat	$69.9$	$42.2$	$65.2$	$59.1$
Self-Prompt	$70.1$	$53.3$	$66.8$	$63.4$
Gemini-2.5-Flash	$72.9$	$52.4$	$67.7$	$64.3$
GPT-4o-mini (Ours)	$71.7$	$55.1$	$67.9$	$64.9$

Textual CoT 把 AVG 从 $62.6$ 降到 $57.8$ ，说明语言解释会引入 spurious linguistic bias，并不等价于视觉推理。Replace 与 Concat 都证明 G $\to$ U 机制有效，其中 Concat 最高（AVG $63.5$ ），因为它同时保留原始证据与生成证据。VAE Concat 降到 $59.1$ ，论文解释为 modality confusion：模型难以判断自己应当生成还是理解。

Prompt writer 的结果说明当前模型“能想象，但不会稳定决定该想象什么”。Self-Prompt 的 AVG 是 $63.4$ ，说明模型能产生可执行 prompt；Gemini-2.5-Flash 达到 $64.3$ ；GPT-4o-mini 最好，AVG $64.9$ 。差异来自 task alignment：外部 writer 更能针对问题选择低层增强、高层扩展或结构可视化，而 Self-Prompt 容易生成表面合理但任务无关的编辑。

Figure 6 解读：图中比较不同 prompt writer 生成 edit prompt 的行为分布。它支持论文的核心判断：unified model 已经具备生成 visual thought 的能力，但缺乏 meta-awareness 来选择最有用的想象方向；外部 prompt writer 的优势不只是语言更流畅，而是更能把任务需求映射到合适的视觉编辑 family。

5.5 局限与失败模式

作者总结了三类边界条件。第一，generative fidelity 是上限：如果生成器不能保留文字、图表、小数字或细粒度 pattern，visual thought 就不能提供新证据，甚至会误导理解。第二，抽象 prompt 会导致 circular reasoning：例如“提取最显著物体”这类指令本身就要求先理解图像，模型若已经不理解，就无法通过生成获得额外信息。第三，缺乏 extrapolative imagination：当前模型主要是插值式想象，能重排或增强已观察内容，但很难预测未来运动、因果后果或时间演化。

总体结论是：G $\to$ U 证明视觉生成可以成为 multimodal understanding 的内部 reasoning step，并在无需训练的条件下提高多个 benchmark；但真正的 unified cognition 还需要模型学会判断“何时想象、想象什么、想象结果是否可信”。

Paper Notes

探索

Reversing the Flow: Generation-to-Understanding Synergy in Large Multimodal Models

Reversing the Flow: Generation-to-Understanding Synergy in Large Multimodal Models

1. Motivation (研究动机)

2. Idea (核心思想)

3. Method (方法)

3.1 总体框架：闭环的 G $\to$ U visual thinking

3.2 Stage I：Visual Thought Generation

3.3 Stage II：Understanding via Internal Feedback

3.4 Autonomous Prompt Generation：模型是否知道该想象什么

3.5 伪代码：基于论文流程与 released repo 可见代码的算法级实现

3.6 Code-to-paper mapping

4. Experimental Setup (实验设置)

4.1 数据集与规模

4.2 Baselines 与比较对象

4.3 Evaluation metrics

4.4 模型与推理配置

5. Experimental Results (实验结果)

5.1 主结果：BAGEL+G $\to$ U 在多数 benchmark 上提升

5.2 VisThink-Bench：收益取决于任务需要哪种 visual thought

5.3 编辑质量与下游理解收益正相关

5.4 Ablation：视觉推理优于 textual CoT，Concat 最稳，外部 prompt writer 更好

5.5 局限与失败模式

目录

Paper Notes

探索

Reversing the Flow: Generation-to-Understanding Synergy in Large Multimodal Models

Reversing the Flow: Generation-to-Understanding Synergy in Large Multimodal Models

1. Motivation (研究动机)

2. Idea (核心思想)

3. Method (方法)

3.1 总体框架：闭环的 G→U visual thinking

3.2 Stage I：Visual Thought Generation

3.3 Stage II：Understanding via Internal Feedback

3.4 Autonomous Prompt Generation：模型是否知道该想象什么

3.5 伪代码：基于论文流程与 released repo 可见代码的算法级实现

3.6 Code-to-paper mapping

4. Experimental Setup (实验设置)

4.1 数据集与规模

4.2 Baselines 与比较对象

4.3 Evaluation metrics

4.4 模型与推理配置

5. Experimental Results (实验结果)

5.1 主结果：BAGEL+G→U 在多数 benchmark 上提升

5.2 VisThink-Bench：收益取决于任务需要哪种 visual thought

5.3 编辑质量与下游理解收益正相关

5.4 Ablation：视觉推理优于 textual CoT，Concat 最稳，外部 prompt writer 更好

5.5 局限与失败模式

目录

3.1 总体框架：闭环的 G $\to$ U visual thinking

5.1 主结果：BAGEL+G $\to$ U 在多数 benchmark 上提升