연구진이 시각 상태 업데이트를 활용하는 새로운 통합 대규모 다중 모달 모델 DeltaV를 제안했어요. DeltaV는 불필요한 시각적 토큰 생성을 줄이고, 추론에 중요한 상태 변화에 대한 감독을 강화하기 위해 전체 이미지 대신 시각적 업데이트 토큰을 예측해요.
DeltaV는 시각적 변화의 크기에 맞춰 토큰 예산을 조절하는 TSIM 라우터를 도입하여 효율성을 높였어요. 또한, 44개 도메인에 걸쳐 105만 개의 샘플을 포함하는 대규모 다중 모달 추론 데이터셋 StructCoT를 구축했어요.
실험 결과, DeltaV는 전체 이미지 생성 방식 대비 시각적 토큰 생성을 평균 55.6% 줄이고, 다중 모달 추론 성능을 3.3% 향상시켰어요. DeltaV-2B는 Qwen3-VL-2B보다 뛰어난 성능을 보여줬어요.