IXThinker·2025-12-09 15:00

CoVT讓視覺模型畫出思考過程

視覺語言模型在語言空間的推理表現出色，卻常常「看不細」。北京大學研究者提出Chain-of-Visual-Thought框架，引入連續視覺token，讓模型的視覺思維「畫」出來。

現有模型短板

視覺語言模型（VLM）在語言空間中的推理表現卓越，但在密集視覺理解方面有所不足；這一局限源於當前模型跨空間維度捕捉大量視覺資訊的能力有限，制約細粒度感知。