研究者提出NV-CoT连续坐标视觉推理框架

2026年10月16日，arXiv Computer Vision 刊出的一篇报道称，Kesen Zhao 等作者提出 Numerical Visual Chain-of-Thought（NV-CoT）框架，让多模态大语言模型（MLLM）以连续数值坐标进行视觉链式推理。据该报道，NV-CoT 使 MLLM 将边界框坐标作为连续动作直接生成，仅需极小架构改动，即可把动作空间从离散词表扩展到连续欧氏空间。报道引用的原文表述为：“In this paper, we propose Numerical Visual Chain-of-Thought (NV-CoT), a framework that enables MLLMs to reason over images using continuous numerical coordinates.” 目前该事件仅有这一篇主报道，尚无后续跟进报道，也未出现数字、时间或说法上的前后矛盾。上述内容均为该来源的陈述，其准确性有待进一步验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。