💻 computer science

Multimodal Continuous Reasoning via Asymmetric Mutual Variational Learning

यह शोध पत्र एसिमेट्रिक म्यूचुअल वेरिएशनल लर्निंग (AMVL) का प्रस्ताव करता है, जो एक ड्यूल-केएल (dual-KL) उद्देश्य का उपयोग करके मल्टीमॉडल निरंतर तर्क (multimodal continuous reasoning) में प्रशिक्षण-अनुमान बेमेल (train-inference mismatch) को हल करता है ताकि उत्तर के रिसाव (answer leakage) को रोका जा सके, जिससे यह जटिल दृश्य तर्क बेंचमार्क पर मौजूदा बेसलाइन से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Shijie Li, Yilin Gao, Siyuan Yang, Tieyuan Chen, Chaofan Gan, Zhihao He, Zicheng Zhao, Yuyu Guo, Weiyao Lin, Hang Yu

प्रकाशित 2026-07-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shijie Li, Yilin Gao, Siyuan Yang, Tieyuan Chen, Chaofan Gan, Zhihao He, Zicheng Zhao, Yuyu Guo, Weiyao Lin, Hang Yu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "Multimodal Continuous Reasoning via Asymmetric Mutual Variational Learning" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी समस्या: "भाषा की बाधा" (The Language Bottleneck)

कल्पना कीजिए कि आप अपने एक दोस्त को एक जटिल 3D पहेली समझाने की कोशिश कर रहे हैं, लेकिन आपको अपनी व्याख्या बनाने के लिए केवल लेगो (Lego) ब्रिक्स के एक बहुत ही सीमित सेट का उपयोग करने की अनुमति है। आप कितनी भी कोशिश कर लें, आप केवल ब्लॉक जैसे, अलग-अलग टुकड़ों (discrete bricks) का उपयोग करके मूल पहेली के चिकने घुमाव या सूक्ष्म छायांकन (shading) को पूरी तरह से नहीं पकड़ सकते।

यह वर्तमान AI मॉडल (Multimodal Large Language Models) के सामने आने वाली समस्या है। जब वे किसी छवि को देखते हैं और उसके बारे में "सोचने" की कोशिश करते हैं, तो उन्हें अपने विचारों को विशिष्ट शब्दों (tokens) में बदलने के लिए मजबूर किया जाता है।

समस्या: दृश्य विवरण निरंतर और तरल होते हैं (जैसे एक चिकनी पेंटिंग)। शब्द अलग-अलग और कठोर होते हैं (जैसे एक मोज़ेक)।
परिणाम: AI बारीक विवरण खो देता है, भ्रमित हो जाता है, या "भ्रम" (hallucinating) करने लगता है (चीजें बनाने लगता है) क्योंकि वह एक चिकने, निरंतर विचार को एक टूटे हुए, शब्द-आधारित बॉक्स में फिट करने की कोशिश कर रहा होता है।

प्रस्तावित समाधान: "बादल में सोचना" (Thinking in the Cloud)

AI को शब्दों में अपने सोचने के हर चरण को लिखने के लिए मजबूर करने के बजाय, लेखक सुझाव देते हैं कि AI को एक निरंतर, अदृश्य संख्यात्मक बादल (latent space) में सोचने दें।

इसे एक मानसिक रफ पैड (mental scratchpad) की तरह समझें।

पुराना तरीका: AI को जवाब देने से पहले अपने हर विचार को ज़ोर से फुसफुसाकर बोलना पड़ता है। "मैं एक लाल गोला देखता हूँ... फिर एक नीला वर्ग..."
नया तरीका (AMVL): AI अपना जटिल गणित और दृश्य विश्लेषण अपने "मानसिक रफ पैड" (निरंतर बादल) में चुपचाप करता है और केवल अंतिम उत्तर बोलता है। यह उन सभी बारीक विवरणों को सुरक्षित रखता है जिन्हें शब्द खो देते।

पेच: "चीट शीट" की समस्या (The Cheat Sheet Problem)

यहीं पर मामला जटिल हो जाता है। जब कंप्यूटर को AI को प्रशिक्षित (train) किया जा रहा होता है, तो वह उसे चित्र और सही उत्तर दोनों दिखाता है।

बेईमानी (The Cheat): क्योंकि AI को प्रशिक्षण के दौरान उत्तर पता होता है, इसलिए वह एक शॉर्टकट ले लेता है। वह उत्तर को देखता है और कहता है, "ओह, उत्तर 'नीला' है, इसलिए मैं अपने मानसिक रफ पैड को 'नीला' जैसा बना दूँगा।" वह वास्तव में चित्र को देखना नहीं सीखता; वह बस चित्र और उत्तर के बीच के संबंध को रट लेता है।
क्रैश (The Crash): जब आप बाद में AI का परीक्षण करते हैं, तो आप उसे उत्तर नहीं देते। वह अपने "मानसिक रफ पैड" का उपयोग करने की कोशिश करता है, लेकिन रफ पैड उन चीट कोड्स से भरा होता है जो बिना उत्तर कुंजी (answer key) के काम नहीं करते। AI भ्रमित हो जाता है और विफल हो जाता है।

इसे ट्रेन-इन्फरेंस मिसमैच (Train-Inference Mismatch) कहा जाता है। AI ने अभ्यास के दौरान बेईमानी करना सीखा, इसलिए वह असली खेल में विफल हो जाता है।

समाधान: "एसिमेट्रिक म्यूचुअल वेरिएशनल लर्निंग" (AMVL)

लेखकों ने बेईमानी को रोकने और इस मिसमैच को ठीक करने के लिए AMVL नामक एक नया प्रशिक्षण तरीका बनाया है। वे दो "शिक्षकों" को शामिल करने वाली एक दो-तरफा कोचिंग प्रणाली का उपयोग करते हैं:

"भविष्य" का शिक्षक (The Posterior): यह शिक्षक चित्र और उत्तर दोनों देखता है। इसे समाधान पता है। यह AI को दिखाने की कोशिश करता है कि इस विशिष्ट समस्या के लिए आदर्श मानसिक रफ पैड कैसा दिखता है।
"वर्तमान" का शिक्षक (The Prior): यह शिक्षक केवल चित्र देखता है। इसे उत्तर जाने बिना मानसिक रफ पैड का अनुमान लगाना होता है। यही वह शिक्षक है जिसका उपयोग वास्तविक परीक्षण के दौरान किया जाएगा।

जादुई ट्रिक (दो-तरफा नृत्य):
केवल "वर्तमान" शिक्षक को "भविष्य" के शिक्षक की नकल करने के लिए कहने के बजाय (जो कि "वर्तमान" शिक्षक को चीट कोड सिखा देगा), AMVL एक विशेष संतुलन का उपयोग करता है:

चरण 1 (फॉरवर्ड): "वर्तमान" शिक्षक "भविष्य" के शिक्षक के रफ पैड की नकल करने की कोशिश करता है। इससे "वर्तमान" शिक्षक को सोचना सीखने में मदद मिलती है।
चरण 2 (रिवर्स): "भवि " भविष्य" के शिक्षक को "वर्तमान" के शिक्षक को देखने के लिए मजबूर किया जाता है और कहना पड़ता है, "रुको, तुम मेरी नकल नहीं कर सकते! तुम्हें यह सुनिश्चित करना होगा कि तुम्हारा रफ पैड ऐसा है जिसे वर्तमान शिक्षक अपने दम पर समझ सके।"

उपमा (Analogy):
एक छात्र (वर्तमान) और एक ट्यूटर (भविष्य) की कल्पना करें जिसके पास उत्तर कुंजी है।

पुराना तरीका: ट्यूटर छात्र के पेपर पर उत्तर लिख देता है। छात्र उत्तर को रट लेता है लेकिन गणित नहीं सीखता। जब ट्यूटर चला जाता है, तो छात्र फेल हो जाता है।
AMVL तरीका:
1. ट्यूटर छात्र को समस्या हल करने का सही तरीका दिखाता है।
2. लेकिन, ट्यूटर को यह भी बताया जाता है: "तुम छात्र को ऐसा समाधान नहीं दिखा सकते जिसे समझने के लिए उत्तर कुंजी की आवश्यकता हो। यदि तुम एक ऐसा शॉर्टकट दिखाते हो जो केवल उत्तर जानने पर ही काम करता है, तो तुम्हें दंडित किया जाएगा।"
3. यह ट्यूटर को छात्र को एक वास्तविक विधि सिखाने के लिए मजबूर करता है जो तब भी काम करती है जब उसके पास उत्तर कुंजी न हो।

उन्होंने क्या पाया

लेखकों ने इस नए तरीके का परीक्षण कठिन विजुअल पहेलियों (जैसे भीड़ में विशिष्ट वस्तुओं को खोजना या स्थानिक तर्क समस्याओं को हल करना) पर किया।

शब्दों से बेहतर: "बादल में सोचने वाला" AI (AMVL) उस AI से बहुत बेहतर प्रदर्शन करता है जिसे शब्दों में सोचने के लिए मजबूर किया गया था। यह भाषा की सीमाओं के कारण भ्रमित नहीं हुआ।
अन्य "बादल" विधियों से बेहतर: "बादल में सोचने" के पिछले प्रयास अभी भी इस बात पर निर्भर थे कि AI को ठीक-ठीक क्या सोचना है (हस्तनिर्मित नियम)। AMVL AI को अपने सोचने का सबसे अच्छा तरीका खोजने की अनुमति देता है, जिससे एक बहुत अधिक स्मार्ट सिस्टम बनता है।
स्कोर: BLINK नामक एक कठिन बेंचमार्क पर, उनके तरीके ने स्कोर में 10 अंकों से अधिक का सुधार किया, और कुछ विशिष्ट कठिन पहेलियों पर, इसमें 30 अंकों से अधिक का सुधार हुआ।

सारांश

यह पेपर AI को विजुअल समस्याओं को हल करने का एक तरीका पेश करता है, जिसमें वह टूटे हुए शब्दों के बजाय एक चिकने, निरंतर "मानसिक बादल" में सोचता है। AI को अभ्यास के दौरान बेईमानी करने से रोकने के लिए, उन्होंने एक विशेष प्रशिक्षण नृत्य का आविष्कार किया जहाँ AI को एक ऐसी सोचने की शैली सीखने के लिए मजबूर किया जाता है जो तब भी काम करती है जब उसके पास उत्तर कुंजी न हो। इसके परिणामस्वरूप एक ऐसा AI प्राप्त होता है जो जटिल छवियों को समझने और पहेलियाँ सुलझाने में बहुत बेहतर है।

तकनीकी सारांश: एसिमेट्रिक म्यूचुअल वेरिएशनल लर्निंग के माध्यम से मल्टीमॉडल निरंतर तर्क (Multimodal Continuous Reasoning)

1. समस्या विवरण (Problem Statement)

मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स (MLLMs) एक मौलिक भाषा-स्थान बाधा (language-space bottleneck) का सामना करते हैं। जब मध्यवर्ती तर्क (intermediate reasoning) को असतत (discrete) प्राकृतिक भाषा टोकन तक सीमित कर दिया जाता है, तो मॉडल उच्च-आयामी दृश्य अवधारणाओं को मौखिक रूप देने के लिए मजबूर होते हैं। यह विवक्तीकरण (discretization) अक्सर सूक्ष्म धारणा की हानि, तर्क विचलन (reasoning drift), और मतिभ्रम (hallucinations) का कारण बनता है, विशेष रूप से उन कार्यों में जिनमें सूक्ष्म स्थानिक अमूर्तता (spatial abstraction) या बहु-चरणीय योजना की आवश्यकता होती है।

जबकि हालिया कार्यों ने निरंतर लेटेंट रीजनिंग (continuous latent reasoning) का पता लगाया है—अर्थात टेक्स्ट के बजाय एम्बेडिंग स्पेस में मध्यवर्ती चरणों को निष्पादित करना—मौजूदा विधियाँ एक गंभीर प्रशिक्षण-अनुमान बेमेल (train-inference mismatch) से ग्रस्त हैं।

प्रशिक्षण (Training): मॉडल आमतौर पर एक लक्ष्य-जागरूक पोस्टीरियर $q(Z|x, y)$ का उपयोग करते हैं जो इनपुट $x$ और ग्राउंड-ट्रुथ उत्तर $y$ दोनों पर आधारित होता है। यह पोस्टीरियर को "उत्तर-निर्भर शॉर्टकट्स" का लाभ उठाने की अनुमति देता है, जिससे वे संदर्भ उत्तर पर निर्भर होकर लेटेंट अवस्थाओं का निर्माण करते हैं, न कि उन्हें इनपुट में ग्राउंड (grounded) करते हैं।
अनुमान (Inference): परीक्षण के समय, उत्तर $y$ उपलब्ध नहीं होता है। मॉडल को एक लक्ष्य-अज्ञेय (target-agnostic) प्रायर $p(Z|x)$ पर निर्भर रहना पड़ता है।
बेमेल (The Mismatch): मानक वेरिएशनल प्रशिक्षण (ELBO के माध्यम से) एक फॉरवर्ड KL डाइवर्जेंस का उपयोग करता है ताकि प्रायर को पोस्टीरियर की नकल करने के लिए मजबूर किया जा सके। परिणामस्वरूप, प्रायर उन लेटेंट अवस्थाओं को अपनाने की कोशिश करता है जो उत्तर से प्राप्त जानकारी द्वारा आकार ली गई थीं। अनुमान के समय, प्रायर एक ऐसे लेटेंट स्पेस में नेविगेट करने का प्रयास करता है जो उस जानकारी से संरचित है जो अब उसके पास नहीं है, जिससे खराब प्रदर्शन होता है। इस घटना को उत्तर रिसाव (answer leakage) या प्रायर संदूषण (prior contamination) कहा जाता है।

2. कार्यप्रणाली: एसिमेट्रिक म्यूचुअल वेरिएशनल लर्निंग (AMVL)

लेखक AMVL का प्रस्ताव करते हैं, जो प्रायर और पोस्टीरियर के बीच एक द्विदिश अंशांकन उद्देश्य (bidirectional calibration objective) के माध्यम से इस बेमेल को हल करता है। सममित साथियों (symmetric peers) वाली मानक म्यूचुअल लर्निंग के विपरीत, AMVL अनुमान-समय के प्रायर (लक्ष्य-अज्ञेय) और प्रशिक्षण-समय के पोस्टीरियर (लक्ष्य-जागरूक) के बीच मौलिक विषमता (asymmetry) का लाभ उठाता है।

मुख्य तंत्र (Core Mechanism)

AMVL मानक वेरिएशनल ऑब्जेक्टिव में दो पूरक रेगुलराइज़र पेश करता है:

फॉरवर्ड प्रायर अलाइनमेंट ( $L_{fwd}$ ):
- उद्देश्य: $D_{KL}(sg[q_\phi(Z|x, y)] \parallel p_\theta(Z|x))$
- कार्य: प्रायर $p_\theta$ को प्रशिक्षित करने के लिए पोस्टीरियर पर स्टॉप-ग्रेडिएंट का उपयोग करता है ताकि वह पोस्टीरियर द्वारा अनुमानित लेटेंट अवस्थाओं से मेल खा सके। यह सुनिश्चित करता है कि प्रायर उन उपयोगी तर्क पथों (reasoning pathways) का अनुमान लगाने के लिए सीखता है जिन्हें प्रशिक्षण के दौरान खोजा गया था।
रिवर्स पोस्टीरियर रेगुलराइजेशन ( $L_{rev}$ ):
- उद्देश्य: $D_{KL}(sg[p_\theta(Z|x)] \parallel q_\phi(Z|x, y))$
- कार्य: प्रायर पर स्टॉप-ग्रेडिएंट का उपयोग करके पोस्टीरियर $q_\phi$ को रेगुलराइज़ करता है। यह टर्म पोस्टीरियर को लेटेंट स्पेस के उन क्षेत्रों में जाने के लिए दंडित करता है जहाँ प्रायर का घनत्व कम है (अर्थात, वे क्षेत्र जो अनुमान के समय सुलभ नहीं हैं)। यह पोस्टीरियर को उन संकीर्ण, उत्तर-निर्भर मोड में ढलने से रोकता है जो "दृष्टि-पश्चात" (hindsight) जानकारी पर निर्भर करते हैं।

सैद्धांतिक औचित्य (Theoretical Justification)

पेपर उत्तर रिसाव को प्रायर संदूषण के रूप में औपचारिक रूप देते हुए एक सैद्धांतिक विश्लेषण प्रदान करता है।

मानक ELBO प्रशिक्षण के तहत, प्रायर माध्य (mean) पोस्टीरियर से औसत उत्तर-निर्भर बदलाव ( $\bar{\delta}$ ) को अवशोषित कर लेता है, जिसके परिणामस्वरूप एक संदूषित प्रायर प्राप्त होता है।
लेखक सिद्ध करते हैं (प्रपोजिशन 2) कि AMVL का द्वैध-KL (dual-KL) उद्देश्य इस संदूषण को कम करता है। रिवर्स KL टर्म पोस्टीरियर को प्रायर-अनुकूल क्षेत्रों से भटकने से रोकता है, जिससे प्रभावी रूप से इक्विलिब्रियम लीकेज गुणांक कम हो जाता है। इसके परिणामस्वरूप एक प्रायर प्राप्त होता है जो बाहरी लेटेंट पर्यवेक्षण के बिना भी अनुमान के लिए बेहतर ढंग से कैलिब्रेटेड होता है।

कार्यान्वयन (Implementation)

AMVL को न्यूनतम ओवरहेड के साथ एक मानक MLLM आर्किटेक्चर (विशेष रूप से Qwen2.5-VL-7B) के भीतर स्थापित किया गया है:

लेटेंट इंटीग्रेशन: प्रॉम्प्ट और लक्षित उत्तर के बीच $k$ प्लेसहोल्डर टोकन (<latent>) डाले जाते हैं।
वेरिएशनल हेड्स: हल्के, "LLM-नेटिव" हेड्स (SwiGLU और RMSNorm का उपयोग करते हुए) इन टोकन के हिडन स्टेट्स के आधार पर डायगोनल गॉसियन डिस्ट्रीब्यूशन के मीन और लॉग-वेरिएंस की भविष्यवाणी करते हैं।
डिकोडिंग: प्रशिक्षण के दौरान, पोस्टीरियर से सैंपल लेकर लेटेंट स्लॉट्स में इंजेक्ट किए जाते हैं। अनुमान के दौरान, प्रायर से सैंपल लिए जाते हैं।
प्रशिक्षण उद्देश्य: एक कंपोजिट लॉस (composite loss) नेक्स्ट-टोकन प्रेडिक्शन (NTP), फॉरवर्ड KL और रिवर्स KL को जोड़ता है, जिसमें प्रशिक्षण को स्थिर करने के लिए एक विशिष्ट शेड्यूलिंग रणनीति का उपयोग किया जाता है (पहले फॉरवर्ड KL को वार्म-अप करना, फिर रिवर्स KL को पेश करना)।

3. मुख्य योगदान (Key Contributions)

मुख्य बाधा की पहचान: पेपर पहचान करता है कि वेरिएशनल मल्टीमॉडल रीजनिंग में उत्तर रिसाव के कारण होने वाला प्रशिक्षण-अनुमान बेमेल, प्रभावी निरंतर लेटेंट रीजनिंग के लिए केंद्रीय बाधा है, जो स्पष्ट करता है कि मानक एक-तरफा ELBO प्रशिक्षण क्यों विफल रहता है।
AMVL फ्रेमवर्क: एक नया एसिमेट्रिक म्यूचुअल लर्निंग फ्रेमवर्क प्रस्तावित करता है जो फॉरवर्ड प्रायर अलाइनमेंट को रिवर्स पोस्टीरियर रेगुलराइजेशन के साथ जोड़ता है। यह हाथ से बनाए गए लेटेंट पर्यवेक्षण संकेतों (जैसे पुनर्निर्माण लक्ष्य) पर निर्भर हुए बिना निरंतर तर्क स्थान की एंड-टू-एंड खोज को सक्षम बनाता है।
सैद्धांतिक विश्लेषण: यह प्रमाण प्रदान करता है कि द्विदिश KL उद्देश्य उत्तर रिसाव के कारण होने वाले प्रायर संदूषण को कम करता है, जो प्रशिक्षण-अनुमान बेमेल के लिए एक सिद्धांत आधारित समाधान प्रदान करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखक सूक्ष्म धारणा (fine-grained perception), जटिल दृश्य तर्क (complex visual reasoning), और आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) मजबूती के बेंचमार्क पर AMVL का मूल्यांकन करते हैं।

बेंचमार्क:
- सूक्ष्म धारणा (Fine-grained Perception): V*, HRBench4K, HRBench8K।
- जटिल तर्क (Complex Reasoning): BLINK (ऑब्जेक्ट लोकलाइजेशन, मल्टी-व्यू रीजनिंग, विजुअल सिमिलैरिटी, जिगसॉ आदि सहित)।
- OOD मजबूती (OOD Robustness): VisualPuzzles।
बेसलाइन्स: स्ट्रॉन्ग डिस्क्रीट रीजनिंग मॉडल्स (Vision-R1, PAPO, PixelReasoner, DeepEyes) और कंटीन्यूअस लेटेंट रीजनिंग बेसलाइन्स (LVR, Mull-Tokens, Monet) के विरुद्ध तुलना की गई।
प्रदर्शन:
- AMVL, Qwen2.5-VL-7B-आधारित मॉडल्स के बीच SOTA (स्टेट-ऑफ-द-आर्ट) प्रदर्शन प्राप्त करता है।
- BLINK बेंचमार्क पर, AMVL बेस मॉडल की तुलना में औसत स्कोर में +10.83 अंक सुधार करता है, जिसमें जिगसॉ टास्क पर व्यक्तिगत लाभ +32.00 तक पहुँच जाता है।
- V* और HRBench8K पर, AMVL बेस मॉडल की तुलना में महत्वपूर्ण बढ़त (+7.85 और +4.75 क्रमशः) दिखाता है और सभी डिस्क्रीट और लेटेंट-रीजनिंग बेसलाइन्स को पछाड़ देता है।
- एब्लेशन स्टडीज (Ablation Studies): पुष्टि करती हैं कि दोनों फॉरवर्ड और रिवर्स KL टर्म आवश्यक हैं; अकेले किसी एक का उपयोग करना उप-इष्टतम (suboptimal) है। परिणाम यह भी दर्शाते हैं कि AMVL का लेटेंट स्पेस अनुमान-समय के व्यवधानों (perturbations) के प्रति मजबूत है और OOD सेटिंग्स में अच्छी तरह से सामान्यीकृत होता है।

5. महत्व और दावे (Significance and Claims)

पेपर दावा करता है कि AMVL मौलिक रूप से डिस्क्रीट टेक्स्ट-आधारित तर्क (जो भाषा-स्थान बाधा से ग्रस्त है) और मौजूदा लेटेंट रीजनिंग विधियों (जो उत्तर रिसाव के कारण प्रशिक्षण-अनुमान बेमेल से ग्रस्त हैं) की सीमाओं को संबोधित करता है।

सिद्धांत आधारित दृष्टिकोण: लेटेंट रीजनिंग को एक संरचित संभाव्य अनुमान समस्या के रूप में फ्रेम करके, AMVL मॉडल को पूर्व-निर्धारित पर्यवेक्षण संकेतों द्वारा बाधित होने के बजाय, स्वाभाविक रूप से इष्टतम तर्क पथ खोजने की अनुमति देता है।
अनुमान अनुकूलता (Inference Compatibility): फ्रेमवर्क यह सुनिश्चित करता है कि निरंतर तर्क प्रतिनिधित्व न केवल प्रशिक्षण के दौरान अभिव्यंजक हैं, बल्कि अनुमान के लिए अच्छी तरह से कैलिब्रेटेड और स्थिर भी हैं, जिससे मॉडल को "दृष्टि-पश्चात" जानकारी पर निर्भर होने की आवश्यकता समाप्त हो जाती है जो परीक्षण के समय उपलब्ध नहीं होती है।
सामान्यीकरण (Generalization): परिणाम बताते हैं कि लेटेंट रीजनिंग में प्रशिक्षण-अनुमान अनुकूलता में सुधार करने से मजबूत सामान्यीकरण होता है, जैसा कि VisualPuzzles जैसे OOD बेंचमार्क पर बेहतर प्रदर्शन से सिद्ध होता है।

लेखक निष्कर्ष निकालते हैं कि AMVL मल्टीमॉडल निरंतर तर्क के लिए एक मजबूत, स्व-निहित तंत्र प्रदान करता है जो डिस्क्रीट चेन-ऑफ-थॉट दृष्टिकोणों और पूर्ववर्ती लेटेंट-रीजनिंग विधियों दोनों से बेहतर प्रदर्शन करता है।