See2Think：多模态模型是否真正使用了中间视觉状态？
多模态大语言模型在推理过程中越来越多地使用草图、注释、工具和中间图像，但目前尚不清楚它们是否真正依赖这些视觉状态。现有基准测试受限于任务覆盖范围窄或部分文本可解决的样本，以及仅强调最终答案而缺乏对中间视觉状态生成、渲染和使用过程诊断的评估。研究团队提出 See2Think 统一评估框架，包含 See2ThinkBench 和 Visual Action-of-Thought（VAoT），后者包含
查看原文解读生成中或暂时不可用，请稍后刷新重试，或直接查看原文。