MoLE：面向互补视觉推理的潜在专家混合方法

针对潜在视觉推理中多个 latent token 通过共享 value 投影访问同一视觉证据、导致潜在表示冗余的问题，研究者提出 MoLE（Mixture of Latent Experts），让不同 latent token 提取互补的视觉信息。该方法面向 vision-language 模型的连续中间状态推理，无需显式文本推理链或重复图像操作。