NeurIPS 2026 口头报告：NV-CoT 以连续数值坐标重塑多模态视觉推理(君临国际)

高清图像中的细微目标常常让多模态模型定位失误，进而影响后续推理判断。君临国际

传统方法依赖离散文本表达空间位置，容易造成误差累积。

NV-CoT框架直接预测连续边界框坐标，将区域选择转化为可学习的数值动作。

研究起源：离散坐标限制视觉链精度

现有视觉思维链先输出文本边界框再调用裁剪工具，但数值被拆分为子token后难以精确匹配空间距离。

固定patch方案同样受网格约束，无法灵活适应任意目标位置。

数值分支：新增线性头实现回归定位

模型在语言输出头之外增加四个轻量线性层，直接预测左上和右下角连续坐标。

监督微调阶段结合交叉熵与L1回归损失，定位IoU在验证集上提升超过12个百分点。

策略优化：Laplace分布支持强化探索

无需中间标注时，模型通过共享尺度参数建模四维连续分布并采样边界框动作。

GRPO更新结合答案正确性与格式奖励，实现无需人工框的端到端训练。

基准验证：多任务性能全面提升

在V* Bench与HR-Bench系列测试中，SFT与RL路线均获得稳定增益。

定位改善还延伸至图表理解和OCR任务，君临国际多次实验确认了连续动作的普适价值。