CoT-VLA：未来子目标图像作为视觉 CoT

本页是 VLM 自我改进演化轴第⑤阶段的一篇： CoT-VLA（Visual Chain-of-Thought Reasoning for Vision-Language-Action Models）^[1]（CVPR 2025）——证明 reasoning 不一定只能是文本。

1. 方法

VLA 直接 $observation \rightarrow action$ 缺乏时间规划。 CoT-VLA 让模型先生成：

$\underline{\text{future subgoal image}}$

把未来图像本身当作 visual chain-of-thought，再基于它生成 action——推理在图像空间中进行。

设备 trajectory 里值得固化的 reasoning target 不必是文字 lesson：

$\text{关键 recovery screenshot / state}$

本身就可以是需要固化的"推理中间产物"—— 比如"恢复后的正确文件选择器长什么样"。这与 ThinkAct 的 visual plan latent 一起构成图像/latent 两级非文本 reasoning 形态。

[1] ZHAO Q Q, LU Y, KIM M J, et al. CoT-VLA: visual chain-of-thought reasoning for vision-language-action models[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2025. https://openaccess.thecvf.com/content/CVPR2025/html/Zhao_CoT-VLA_Visual_Chain-of-Thought_Reasoning_for_Vision-Language-Action_Models_CVPR_2025_paper.html