本文介绍“内化视觉思维”（IVT）框架，用于视频推理。IVT在训练时预测未来帧的潜在表征，推理时直接生成答案，无需生成中间图像。相比视觉思维链（Visual CoT），IVT性能相当或更优，且延迟降低5倍以上，表明显式像素生成在推理中并非必需，可提升效率与准确性。