Tag · 4 篇

视觉思维链

分布视觉语言模型1强化学习与具身智能1目标检测与定位1自动驾驶与遥感1

When Visualizing is the First Step to Reasoning: MIRA, a Benchmark for Visual Chain-of-Thought

该基准把「生成中间视觉草图/路径图」作为推理的必要环节，为视觉研究者提供了检验 MLLM 是否真正利用视觉中间表征的评测协议（三级输入：直接输入、Text-CoT、Visual-CoT），可用于设计需要视觉想象的推理模型与训练数据。

Unifying Perception and Action: A Hybrid-Modality Pipeline with Implicit Visual Chain-of-Thought for Robotic Action Generation

VITA 将视觉预测与动作生成统一到共享离散潜空间，用自回归 token 同时解码未来帧和动作，为视觉研究者提供了一种把视觉动态作为归纳偏置注入策略学习、缓解模态鸿沟与训练不稳定的可复用范式。

OVOD-Agent: A Markov-Bandit Framework for Proactive Visual Reasoning and Self-Evolving Detection

将开放词表检测的文本匹配过程重构为基于弱马尔可夫决策过程的智能体探索，利用Bandit模块在有限监督下生成探索信号，并通过自监督奖励模型闭环优化检测策略，为OVOD提供可复用的主动推理框架。

HybridDriveVLA: Vision-Language-Action Model with Visual CoT reasoning and ToT Evaluation for Autonomous Driving

将视觉思维链（V-CoT）用于预测未来场景作为目标，并结合思维树（ToT）对候选轨迹从安全、进度、舒适度多维度评分，为自动驾驶中的轨迹规划提供可解释的推理框架。