MentalThink：在思维SVG世界中塑造思想

我们引入了MentalThink，一种视觉符号推理范式，它为多模态大语言模型（MLLM）配备了一个可执行的“心理”可视化机制。MentalThink的核心是一个“用SVG思考”的管道，模型在此管道中学习生成、渲染和解释可伸缩矢量图形（SVG）代码，作为多轮推理的中间视觉表示。通过创建结构化的矢量草图，模型可以外化空间假设，通过确定性渲染对其进行检查，并在受限的几何空间内进行推理，有效地模拟了人类心理意象的过程。我们通过一个两阶段训练框架实例化了这一范式，该框架结合了用于SVG语法对齐的监督微调（SFT）和多轮强化学习（RL），以鼓励对中间视觉假设进行迭代检查、修订和完善。广泛的评估表明，MentalThink在空间理解和推理基准上取得了卓越性能（例如，VSIBench上达到55.1%，MindCube上达到76.0%），这表明可执行矢量图形为动态视角转换、视觉反思和组合场景构建提供了一个可验证的视觉工作空间。