在人类的认知过程中，视觉思维（Visual Thinking）扮演着不可替代的核心角色，这一现象贯穿于各个专业领域和日常生活的方方面面。这种视觉思维能力的独特之处在于，它能够创造概念间的独特组合和新颖连接，帮助我们发现仅通过纯文本推理无法获得的洞察和创意。而在现代认知科学中，这种「深思熟虑」往往需要多模态的思维过程来支撑。
如今，AI 也迈出了这一步：上海创智学院、上海交通大学、复旦大学和 Generative AI Research Lab（GAIR）的团队提出Thinking with Generated Images，让大模型能够自发生成视觉中间步骤，像人类一样用「脑内图像」进行跨模态推理。
论文链接：https://arxiv.org/abs/2505.22525
代码链接：https://github.com/GAIR-NLP/thinking-with-generated-images
模型链接 1：https://huggingface.co/GAIR/twgi-critique-anole-7b
模型链接 2：https://huggingface.co/GAIR/twgi-subgoal-anole-7b
