搜索

NV-CoT 用连续坐标选择图像区域，改进视觉思维链定位（在新窗口打开）

视觉模型即使理解了问题，也可能因图像裁切位置不准而错过细节。NV-CoT 用连续坐标替代离散位置选择，结合监督微调与强化学习改善区域定位；多项高分辨率测试展示了收益，但更精确的坐标仍无法替代正确的语义理解。