Scaffolding Minds：为多模态推理优化潜在视觉目标表示

Scaffolding Minds 针对潜在推理两阶段框架的两个缺陷提出改进：用专门学习的 scaffolding encoder 在潜在空间提供优化目标，并同时学习 RL 采样器的均值和方差以支持探索。该方法在 FrozenLake 空间规划上比最强潜在推理基线提升 +9.5 分，32x32 网格上提升扩大至 +19 分，在九个视觉中心推理基准上平均提升 +5.6 分。