多模态大语言模型常依靠视觉思维链（Visual CoT）来推理空间、时间和具身环境，通过生成中间推理图像来提供视觉预判，但这会带来大量推理开销，尤其对主动视频推理不利。本文提出内化视觉思考（IVT）框架，探索能否在训练阶段学习视觉思考，而推理时直接给出答案。

IVT是一种后训练框架，在无标注视频上联合优化文本预测和下一嵌入预测。给定部分视频，IVT预测未来帧的潜在表示以及目标文本答案，从而让模型捕捉运动、物体转移、交互和潜在意图。推理时，IVT直接生成答案，无需合成或重新编码未来帧。

作者在目标表示、解码器设计、预测范围、数据混合、训练课程和预测目标等多个维度进行了受控研究。结果表明，IVT在所有六种评估设置上均优于纯文本后训练，同时保持相同的高效推理路径。与Visual CoT相比，IVT达到相当或更优的性能，端到端延迟降低超过5倍。这表明，推理时的显式像素空间生成可能并非必需，预测世界建模可在训练中内化，从而得到更准确且更高效的多模态推理器。