VisDoT：通过类人解读依据对齐与思维分解增强视觉推理

大型视觉语言模型（LVLM）难以可靠地检测图表中的视觉基元并将其与语义表征对齐，这严重限制了它们在复杂视觉推理上的表现。这种感知接地的缺失构成了基于图表的推理的主要瓶颈。我们提出VisDoT，一个通过类人解读接地来增强视觉推理的框架。我们基于图形感知理论形式化了四个感知任务，包括位置和长度。在此基础上，我们引入思维分解（Decomposition-of-Thought，DoT）提示，将问题依次拆分为视觉感知子问题和逻辑子问题。用VisDoT微调InternVL在ChartQA上取得+11.2%的提升，并在更具挑战性的ChartQAPro基准上超越GPT-4o。在新提出的VisDoTQA基准上，该模型提升+33.2%。此外，在多样化开放域VQA基准上的一致零样本增益证实了感知—逻辑分离策略在视觉问答中的泛化性。VisDoT利用类人感知增强视觉接地，实现了最先进的图表理解和可解释的视觉推理。