根据@godofprompt报道，最新论文《Chain-of-Visual-Thought（COVT）》提出了一种革命性方法，让视觉语言模型（VLMs）通过连续视觉Token进行推理，而不是传统的文本链。COVT能在推理过程中生成分割线索、深度信息、边缘和DINO特征等中间视觉信息，相当于为模型提供了“视觉便签”，极大提升了空间和几何理解能力。实验表明，COVT在深度推理上提升14%，CV-Bench提升5.5%，在HRBench和MMVP等多项基准测试中表现出色。该方法适用于Qwen2.5-VL、LLaVA等主流VLM，且生成的视觉Token可被透明解码。研究还发现，传统的文本链推理反而会损害视觉表现，而COVT则通过视觉基础提升计数、空间理解、三维感知，并减少虚假输出。这一突破为机器人、自动驾驶、智能安防等需要高精度视觉分析和空间理解的AI应用带来巨大商业机会。（来源：@godofprompt，《Chain-of-Visual-Thought: Teaching VLMs to See and Think Better with Continuous Visual Tokens》，2025）