NV-CoT：连续坐标重构视觉思维链

2026年10月28日，机器之心报道，南洋理工大学、中国科学技术大学、新加坡国立大学与微软研究院的研究者提出 NV-CoT（Numerical Visual Chain-of-Thought）方法，让多模态大模型直接预测连续数值坐标来选择图像区域，替代把边界框写成文本 token 的做法，将区域选择变成可学习的连续动作。该工作已获 NeurIPS 2026 Oral（Top 0.4%），支持监督微调与强化学习。报道称，NV-CoT 沿用对应框架的训练数据和配置，以检验坐标建模方式的收益；不同调用预算应分别比较，单次设置下 V* Bench 得分仍低于 ZoomEye 的 90.6。该方法主要改善模型已大致理解任务、但区域定位不准确的情形；当语义理解本身出错时，精确坐标仍无法包办后续推理。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。