Investigadores apuntan a las brechas de razonamiento espacial en los VLM

Investigadores presentaron Chain-of-Visual-Thought, un marco que entrena modelos de visión-lenguaje para razonar con tokens visuales continuos y compactos que codifican señales como apariencia 2D, geometría 3D, disposición espacial y bordes. El enfoque usa alrededor de 20 tokens, destila señales de expertos visuales ligeros y puede decodificar de forma opcional predicciones densas como profundidad, segmentación, bordes y características DINO para mejorar la interpretabilidad. Por separado, el benchmark GST-Bench evalúa la inteligencia espacial global en video mediante preguntas verificadas por humanos a partir de 6.790 minutos de video generado sintéticamente, e informa que el VLM zero-shot más sólido obtuvo 42,68 puntos frente a 79,08 de los humanos.