核心观点 - 提出UV-CoT框架，实现无监督视觉思维链推理，动态聚焦关键区域并提升细粒度推理能力[3][4] - 通过自动化偏好数据生成与评估流程替代人工标注，降低高昂成本并增强泛化能力[7][8] - 采用改进的sDPO算法量化偏好分数差异，结合迭代学习策略优化模型输出分布[16][17] 方法设计 - 数据生成机制：利用目标模型和评估模型生成多样化推理响应，通过偏好评分构建数据集[11] - 响应生成：每个时间步t随机生成n个响应（含边界框和推理结果）[13] - 评估标准：综合当前区域得分及对后续回答的影响（公式：$s^i = s_{cur}^i + \gamma s_{nxt}^i$）[11] - 偏好优化：从响应中随机选择k个偏好对构建数据集，保留最高评分链用于后续推理[14] - 迭代学习：将数据分为m个子集动态更新，缓解模型生成分布与训练数据的差异[17] 性能表现 - 基准测试：在六大基准上平均得分0.286（UV-CoT）和0.312（UV-CoT*），显著超越有监督模型Visual-CoT-7B（0.261）[20][22] - 具体任务：在Visual7w上达0.432，高于Visual-CoT-7B的0.397[22] - 复杂任务：GPT4V-hard OCR任务中得分0.677，对比Visual-CoT-7B的0.593[22] - 边界框质量：自评估模式下性能仍超LLaVA-1.5-7B 4.8%，接近OmniLMM-12B（差距0.2%）[23] - 辅助推理：应用UV-CoT边界框使OmniLMM-12B和LLaVA-1.5-7B性能分别提升7.3%和4.7%[23] 应用价值 - 为多模态推理提供高效可扩展的新思路，减少对人工标注的依赖[25] - 开源资源包括论文、代码及模型（Hugging Face仓库），促进后续研究[10]