Pensando com o olhar: rastreamento ocular sequencial como supervisão de raciocínio visual para VLMs médicos

arXiv:2603. 06697v2 Tipo de anúncio: replace-cross Resumo: Modelos de visão e linguagem (VLMs) processam imagens como tokens visuais, mas seu raciocínio intermediário muitas vezes ocorre em texto, o que pode ser menos adequado para tarefas de radiologia ancoradas em evidências visuais. Radiologistas, por outro lado, diagnosticam por meio de uma busca visual sequencial; o rastreamento ocular captura esse processo como trajetórias de olhar ordenadas no tempo, revelando como as evidências são obtidas ao longo do processo.