Thinking-with-Visual-Primitives

这是一个面向多模态大语言模型（MLLM）结构化视觉推理的研究型项目，旨在解决自然语言指代空间布局时存在的‘参考鸿沟’问题。其核心是将点、边界框等视觉原语（visual primitives）作为最小思维单元，动态嵌入推理过程，实现语言与空间坐标的强对齐。技术特点包括空间锚定式推理轨迹、轻量级视觉原语交互机制，以及支持复杂拓扑与 grounded 任务推理的能力。适用于需要高精度空间理解的场景，如视觉问答、具身导航、图表解析和细粒度图像推理。