研究人员瞄准 VLM 空间推理短板

研究人员提出了 Chain-of-Visual-Thought，这是一个训练视觉语言模型使用紧凑连续视觉 token 进行推理的框架，这些 token 编码了 2D 外观、3D 几何、空间布局和边缘等线索。该方法大约使用 20 个 token，从轻量级视觉专家中蒸馏信号，并可选择解码深度、分割、边缘和 DINO 特征等密集预测结果，以增强可解释性。另一项 GST-Bench 基准则通过来自 6,790 分钟合成生成视频、经人工验证的问题，评估视频中的全局空间智能；报告显示，表现最强的零样本 VLM 得分为 42.68，而人类为 79.08。