Flow-of-Thought: un framework per il ragionamento visivo

Abstract degli autori

Le immagini mentali, il «vedere con gli occhi della mente», sono un aspetto essenziale della cognizione umana. Nonostante i rapidi progressi, i grandi modelli linguistici (LLMs) e i transformer visivi (ViTs) continuano a ottenere risultati inferiori alle attese nei compiti che richiedono comprensione spaziale. Per affrontare questo problema, presentiamo Flow-of-Thought (FoT), un framework che integra la generazione di schizzi visivi come passaggi intermedi del ragionamento, imitando le immagini mentali umane. Addestriamo campi di flusso delle traiettorie sensibili alle coordinate sulle orbite del gruppo $SO(2)$ e sui cammini minimi cumulativi, poi congeliamo le dinamiche apprese; per decidere se gli elementi siano uguali o diversi, confrontiamo ipotesi generative concorrenti usando un’energia di ricostruzione pesata in base al primo piano. Nei test bloccati, FoT raggiunge un’accuratezza del 100,0% su Tetris e del 99,0% sulle forme colorate. Nel trasferimento con parametri congelati, il flusso 2D addestrato sulle orbite supera il modello di controllo basato soltanto sui punti finali su BLINK Multi-view (72,2% contro 63,9% su 133 coppie pubbliche di validazione), a sostegno dell’efficacia delle tracce visive continue come rappresentazione interpretabile per il ragionamento spaziale in alcuni contesti fuori distribuzione.