在复杂的3D环境中，传统视觉语言模型因视角受限，难以完成“镜子在哪”这类具身问答任务。一项名为Chain-of-View的新研究提出了一种巧妙的解决方案，无需额外训练，就能让模型主动探索、寻找最佳视角，从而显著提升其空间推理能力。
智能速览
传统视觉语言模型受限于固定视角，无法主动探索环境。
Chain-of-View提示框架让模型学会像人一样多步推理。
该方法通过粗粒度选择和细粒度调整两阶段寻找最佳视角。
整个框架无需修改模型参数，不增加训练成本。
在主流基准测试中平均将空间推理分数提升11.56%。
精华内容
这项技术的核心，是赋予AI主动观察的权利。它不再是被动接收信息，而是像侦探一样，通过一系列动作推理，一步步拼凑出完整答案。
视角的困境
在3D环境中回答问题，AI常因视角问题“看不全”。比如问“镜子在哪？”，答案可能在不同角度或被遮挡。现有视觉语言模型只能处理预设的固定视角，如同被绑在椅子上看世界，无法像人一样转身、走近观察。这种被动接收信息的方式，导致模型在处理复杂空间推理时，因缺乏关键上下文而表现不佳。
两阶段探索法
Chain-of-View（CoV）框架通过模仿人类行为来解决这个问题。第一阶段是粗粒度视角选择，模型会快速扫描所有候选视角，找出与问题最相关的“锚点视角”，确定大致方向。第二阶段是细粒度视角调整，模型会进入“动作-推理”循环：根据当前观察和问题生成动作指令（如“右转10度”），获取新视角后继续推理，直到找到最终答案。
亮眼的数据
实验数据证明了CoV的有效性。在OpenEQA基准测试中，该框架在四个主流视觉语言模型上平均提升了11.56%的LLM-Match分数，其中在Qwen3-VL-Flash模型上提升最高，达到13.62%。更有趣的是，它展现出“测试时缩放”特性，即允许更多动作步数，还能再带来2.51%的平均提升。在ScanQA和SQA3D数据集上也取得了SOTA级别的分数。
未来的应用
CoV框架最大的优势在于其模型无关性和零训练成本。它是一种可以应用到多种现有视觉语言模型上的“即插即用”策略。这种通过巧妙提示来激发模型潜能的思路，为AI在机器人导航、智能家居控制、虚拟现实交互等领域的应用开辟了新的可能，让AI向更自主的智能体迈进了一步。
Chain-of-View框架巧妙地绕开了模型训练的壁垒，通过“授人以渔”的方式，让现有AI获得了探索未知空间的能力。这不仅是对空间推理的一次显著增强，也预示着未来AI交互将更加智能和主动。当AI学会自己“找角度”，它还能解锁哪些我们未曾想象的潜能？
