From Perception to Reasoning: Deep Thinking Empowers Multimodal Large Language Models

文章核心总结与创新点

主要内容

该文章围绕“多模态思维链（MCoT）”展开系统性综述，聚焦多模态大型语言模型（MLLMs）的复杂推理能力提升。首先分析了MCoT的技术演进背景与任务需求动机；随后从思维链范式、训练后阶段、推理阶段三个维度介绍主流方法及底层机制；接着总结了MCoT的评估基准、指标体系与核心应用场景；最后深入探讨当前面临的挑战，并展望未来研究方向，全面梳理了CoT-MLLMs领域的最新研究进展。

创新点

1. 突出理论深度，重点解析MCoT提升模型推理能力的底层机制，回答“为何有效”的核心问题，区别于现有侧重技术总结的综述。
2. 对评估基准、挑战与未来方向进行更系统的分类梳理，构建了完整的MCoT研究框架。
3. 全面覆盖思维链范式的拓扑变体（链结构、树结构、图结构），以及训练与推理阶段的关键策略，展现技术全貌。

---

翻译部分（Markdown格式）

Abstract

随着多模态大型语言模型（MLLMs）在感知任务中取得显著成功，增强其复杂推理能力已成为关键研究焦点。现有模型仍面临推理路径不透明、泛化能力不足等挑战。思维链（CoT）推理在语言模型中已展现出提升推理透明度和输出可解释性的显著成效，将其扩展到多模态领域有望改善模型推理能力。本文围绕“多模态思维链（MCoT）”展开系统性综述：首先从技术演进和任务需求视角分析其诞生的背景与理论动机；然后从思维链范式、训练后阶段、推理阶段三个方