视觉推理不再回归坐标：探针令牌在视觉词元上采样证据，4K基准准确率78.0%且推理词元约为对照的1.2%

多模态大模型做高分辨率视觉推理时，不再需要先输出边界框坐标再裁剪图像，而是直接在一组视觉词元里挑出与问题相关的证据区域。 此前的“看图思考”方法依赖显式坐标预测来定位感兴趣区域，模型先回归数值坐标，再以裁剪区域为条件继续推理。 在HR-Bench 4K上，这一做法取得78.0%总体准确率，高于Mini-o3报告的77.5%、DeepEyes的75.1%和TreeVGR的77.1%；在HR-Bench 8K上为76.3%，高于Mini-o3的73.3%和DeepEyes的72.6%。

模型被提示输出一个特殊的探针令牌，用它的隐状态与每个视觉词元算相似度，得到一张覆盖全图的相似度分布图。 方法名为TiCO，即无坐标的看图思考；它把证据发现表述为相似度诱导的区域采样，而不是数值边界框回归。 在V* Bench、HR-Bench 4K/8K、VisualProbe、MME-RealWorld和POPE上做了评测，其中MME-RealWorld为66.9%、POPE总体为89.1%，训练基于Qwen-2.5-VL-7B-Instruct。

相似度图先按阈值二值化，再按空间相邻关系聚成连通区域，每个区域按累计注意力质量归一化成概率，然后做重要性采样。 与确定性地取分数最高的区域不同，重要性采样保留了对语义合理区域的随机探索，避免过早锁定到可能含噪的峰值。 在相同训练与采样设置下，重要性采样在V* Bench上为90.6%、HR-Bench 8K上为76.3%，高于最高分采样、随机采样和逐词元采样三种替代方案。

报道覆盖的是TiCO在V* Bench、HR-Bench 4K/8K、VisualProbe、MME-RealWorld和POPE上的评测结果，以及基于Qwen-2.5-VL-7B-Instruct的训练与消融设置。适合关注多模态推理、视觉定位与推理效率的研究人员和工程师阅读。原文没有给出下一步实验计划。

方法仍依赖阈值二值化，阈值需要人工选择；它不采用显式的多步“思考”过程，因而缺少迭代修正或反思式行为，在需要复杂 deliberation 或多跳反思的任务上适应性可能受限。高分辨率推理对定位质量敏感，若选中的子区域没有覆盖语义相关证据，后续推理可能难以恢复正确答案。在V* Bench上属性子集与总体分数略低于TreeVGR，作者将其归因于语义证据聚合可能过滤掉细粒度局部纹理。