روش LIFT می‌کوشد توان استدلال زبانی مدل‌های بینایی‌ـ‌زبان را بازیابی کند

پژوهشی تازه روش سبکی به نام LIFT را معرفی می‌کند که هدفش بازیابی بخشی از توان استدلال زبانیِ مدل‌های بینایی‌ـ‌زبان (VLM) است. به‌گفتهٔ پژوهشگران، افزودن مؤلفه‌های تصویری و هم‌ترازی چندوجهی به مدل‌های زبانی بزرگ (LLM) می‌تواند توان استدلال زبانیِ به‌دست‌آمده در مدل پایه را تضعیف کند؛ بااین‌حال، مدل زبانی پایه همچنان این توانایی را دارد، درحالی‌که VLM هم‌ترازشده نمی‌تواند به‌طور قابل‌اتکا از آن بهره بگیرد.

LIFT با ساخت «بردارهای استدلال» از تفاوت حالت پنهانِ توکن پاسخ در دو مسیر کار می‌کند: مسیری که ردّ استدلال صریح دارد و مسیری که بدون آن پاسخ می‌دهد. سپس این بردارها به فعال‌سازی‌های بخش زبانی VLM تزریق می‌شوند. روش پیشنهادی می‌تواند بردارها را به‌صورت یادگرفتنی تطبیق دهد، اما بدنهٔ اصلی VLM را بازآموزی نمی‌کند.

پژوهشگران LIFT را روی دو VLM و شش معیار استدلال ارزیابی کردند. در مقایسه‌ای با پروتکل‌های همسان، بردارهای استخراج‌شده از LLM پایه در همهٔ موارد بهتر از بردارهای استخراج‌شده از VLM عمل کردند. تحلیل‌های بیشتر نشان داد این بردارها بر روند استدلال میانی اثر می‌گذارند و صرفاً پاسخ نهایی را تغییر نمی‌دهند. مقاله می‌گوید LIFT بخشی از توان استدلالیِ تضعیف‌شده را بازیابی می‌کند؛ نتایج آن به معنای بازیابی کامل این توانایی نیست. این مقالهٔ پیش‌چاپ در NeurIPS 2026 پذیرفته شده و نویسندگان گفته‌اند کد آن را به‌زودی منتشر می‌کنند.