尽管大型多模态模型（LMMs）已取得显著进展，但其仍主要以文本为中心，依赖语言作为核心推理模态。因此，在处理以视觉为主导的推理任务时，其能力受到明显限制。为应对这一问题，近期研究尝试通过引入辅助图像、深度图或图像裁剪等中间视觉步骤进行监督，以增强模型的视觉推理能力。然而，这些方法对“有用”视觉抽象的形式施加了过于严格的先验假设，带来高昂的标注成本，并在跨任务泛化方面表现不佳。为解决这一关键局限，我们提出一种与任务无关的机制，使LMMs能够在无需显式监督的情况下，自主发现并利用视觉推理标记（visual reasoning tokens）。这些标记具有全局注意力机制，能够以任务自适应的方式重新编码图像，从而在无需人工设计监督信号的前提下，有效提取相关视觉信息。实验结果表明，该方法在多种以视觉为核心的任务上均显著优于直接微调，并达到了当前最优性能，尤其在那些难以明确指定中间抽象形式的任务中表现突出。此外，该方法还展现出良好的多任务指令微调泛化能力。