Thinking-with-Visual-Primitives-pytorch

这是一个基于PyTorch实现的视觉原语（Visual Primitives）多阶段训练框架，复现DeepSeek提出的“Thinking with Visual Primitives”方法，使多模态大模型能将边界框和坐标点作为推理过程中的结构化思维单元。核心功能包括三阶段训练：预训练（学习输出视觉原语格式）、专业化监督微调（Box/Point双专家模型）、在线策略蒸馏（融合专家能力）；全程采用LoRA高效微调，支持Qwen2VL-2B等视觉语言模型。适用于需要精准空间定位与可解释视觉推理的任务，如视觉问答、目标指代、UI界面理解及具身智能中的视觉-动作对齐场景。