待验证50% 置信事实精确时间

视觉思维链（Visual CoT）让模型在生成文本中间步骤的同时生成中间推理图像，例如标注关键区域、预测未来帧或绘制空间关系示意图

1

来源数

50%

置信度

长期有效

时效性

2026/9/5

首次发现

来源

内化视觉思维IVT：让视频推理既深度又高效

涉及实体

Visual Chain-of-Thoughtconcept

相关事实

待验证视觉推理链（Visual Chain-of-Thought）借鉴语言模型的思维链提示技术，将复杂视觉问题分解为多个步骤逐步求解72% 相似待验证参考图的引入激活了模型的图像到图像推理能力，将真实建筑视觉特征与叙事需求对齐，减少AI感违和感71% 相似待验证视觉grounding（视觉定位）指模型将语言描述精准对应到图像具体区域的能力，也被称为Referring Expression Comprehension70% 相似待验证CLIP等技术建立的文本-图像语义对齐使模型能将抽象风格描述映射到具体视觉特征空间70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/860371

API

curl https://kongchang.com/api/v1/knowledge/claims/860371

MCP

get_claim(id=860371)