Визуальный CoT: почему ИИ должен «видеть» собственные мысли, чтобы рассуждать

Описание: В статье объясняется, как искусственный интеллект формирует и доказывает «модель мира», которая понимает принцип работы и физическую структуру окружающего мира. Исследователи измеряют возможности моделей посредством повседневных действий, таких как математическое мышление, поиск в лабиринте, планирование поездок и приготовление пищи, а также сложных задач пространственной визуализации, таких как реконструкция 3D-куба и оригами. В частности, мы хотим реализовать когнитивный процесс, аналогичный внутренней ментальной модели человека, используя *Visual CoT* для прогнозирования невидимых аспектов или моделирования траектории движения объектов. Результаты эксперимента подтверждаются теоретическими доказательствами и статистическими данными, свидетельствующими о том, что точность прогнозирования модели повышается при сочетании отслеживания логических шагов и состояний. В заключение, в этом материале подробно описывается процесс, посредством которого ИИ интегрирует различные формы информации, выходящие за рамки простого генерирования текста, для моделирования реального мира и решения проблем.

https://arxiv.org/pdf/2601.19834