CoTZero: Annotation-Free Human-Like Vision Reasoning via Hierarchical Synthetic CoT
CoTZero：通过分层合成CoT实现无标注的人类级视觉推理
Chengyi Du, Yazhe Niu, Dazhong Shen, Luxin Xu
机构
*
University of Electronic Science and Technology of China（电子科技大学）
；
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
；
The Chinese University of Hong Kong MMLab（香港中文大学 MMLab）
；
The College of Computer Science and Technology（计算机科学与技术学院）
；
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
机构
*
Peking University（北京大学）
；
Mohamed bin Zayed University of Artificial Intelligence（莫扎伊德大学人工智能学院）
；
National University of Singapore（新加坡国立大学）
；
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
；
University of Science and Technology of China（中国科学技术大学）
；
Cornell University（康奈尔大学）
；
Hong Kong Polytechnic University（香港理工大学）
；
City University of Hong Kong（香港城市大学）
专题命中
视觉推理
：visual reasoning(abstract)；multimodal large language model(abstract)；分类 cs.CV、cs.AI
CommentsSubmitted to CVPR 2026. Introduces the QVLM architecture and the SQuID dataset for quantitative geospatial reasoning. Dataset DOI: 10.57967/hf/7565
机构
*
University of Manchester（曼彻斯特大学）
；
Queen Mary University of London（伦敦大学玛丽女王学院）
；
Hongkong University of Science and Technology（香港科学与技术大学）
；
Nanjing University（南京大学）
；
Dartmouth College（达特茅斯学院）
专题命中
视觉推理
：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI
机构
*
Shenzhen Stomatology Hospital (Pingshan) of Southern Medical University（南方医科大学深圳口腔医院（平山））
；
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
；
State Key Laboratory of Membrane Biology, Beijing Key Laboratory of Cardiometabolic Molecular Medicine, Institute of Molecular Medicine, National Biomedical Imaging Center, School of Future Technology, Peking University（北京大学膜生物学国家重点实验室、北京心代谢分子医学重点实验室、分子医学研究院、国家生物医学成像中心、未来技术学院）
；
Freedom AI
；
Division of Applied Oral Sciences & Community Dental Care Faculty of Dentistry, The University of Hong Kong（香港大学牙科学院应用口腔科学与社区牙科护理系）
；
Beijing Institute of Collaborative Innovation（北京协同创新研究院）
；
National Health Data Institute, Shenzhen（深圳国家健康数据研究院）
；
Shenzhen Loop Area Institute（深圳河套学院）
；
Shenzhen Institute of Big Data（深圳大数据研究院）
专题命中
视觉推理
：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI
GCAgent: Long-Video Understanding via Schematic and Narrative Episodic Memory
Jeong Hun Yeo, Sangyun Chung, Sungjune Park, Dae Hoe Kim, Jinyoung Moon, Yong Man Ro
机构
*
Integrated Vision and Language Lab., School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（整合视觉与语言实验室，电气工程学院，韩国科学技术院（KAIST））
；
Visual Intelligence Research Section, Superintelligence Creative Research Laboratory, Electronics and Telecommunications Research Institute (ETRI)（视觉智能研究部，超智能创意研究实验室，电子电信研究院）
专题命中
视觉推理
：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.CV、cs.AI
机构
*
National University of Singapore（新加坡国立大学）
；
Tencent Youtu Lab（腾讯优图实验室）
；
Tsinghua University（清华大学）
；
University of Science and Technology of China（中国科学技术大学）
；
Nanyang Technological University（南洋理工大学）
；
Zhejiang University（浙江大学）
；
DeepWisdom（深智科技）
