Canvas-of-Thought: 通过可变结构状态实现推理的根基

尽管Chain-of-Thought（CoT）提示方法显著提升了多模态大语言模型（MLLMs）的推理能力，但仅依赖线性文本序列在复杂任务中仍存在瓶颈。本文观察到，即使在辅助视觉元素被交错使用时，它们通常也被视为一维、无结构推理链中的静态快照。我们提出，现有方法将推理历史视为不可变的流：纠正局部错误需要生成冗长的下游修正或重新生成整个上下文，这迫使模型隐式地维护和跟踪状态更新，显著增加了token消耗和认知负担。这一限制在高维领域（如几何和SVG设计）尤为明显，因为CoT的文本表达缺乏显式的视觉指导，进一步限制了模型的推理精度。为弥补这一差距，我们引入了Canvas-of-Thought（Canvas-CoT）。通过利用HTML Canvas作为外部推理基质，Canvas-CoT使模型能够执行基于DOM的原子CRUD操作。该架构允许在不破坏周围上下文的情况下进行原地状态修订，使模型能够显式维护“真实状态”。此外，我们集成了一个基于渲染的批评循环，作为硬约束验证器，提供显式视觉反馈，以解决仅靠文本难以描述的复杂任务。在VCode、RBench-V和MathVista上的大量实验表明，Canvas-CoT显著优于现有基线，确立了一种新的上下文高效多模态推理范式。