Problem

現有多模態大型語言模型（MLLM）雖然能利用視覺中間產物來輔助空間推理與狀態更新，但影像編輯器能否精準執行所需的圖像轉換仍缺乏系統性評估，這使得研究者難以判斷推理失敗的原因是來自於邏輯缺陷，還是影像生成的品質不足。

Method

提出名為 Aphanta 的自動化任務發現與閉環診斷框架，針對「直接推理」、「使用編輯器生成的圖像推理」以及「使用理想參考圖像推理」三種情境進行對比實驗。透過這種方式，研究能分離出視覺改善的潛在空間，並量化當前編輯工具在不同任務中的實際效用。

Results

在 20 項候選任務中，研究發現影像編輯的效用高度取決於任務性質。於視覺提示注入、定位（Grounding）及反事實狀態實現等任務中，效能顯著提升，使 Qwen 模型流水線的平均分數從 0.343 增加至 0.445（相對提升 29.7%）；然而在需要精密符號建構或結構推斷的任務上，可靠性則大幅下降。

Significance

這項研究重新定義了影像編輯在 AI 推理中的角色，將其視為「特化的視覺工作空間」而非通用推理機制。Aphanta 框架提供了一套可重複使用的協定，用於衡量任務與表徵之間的對齊程度，為優化 MLLM 與影像編輯器的協作流程奠定了基礎。