CoV: Prompting a Catena di Visualizzazioni per il Ragionamento Spaziale
CoV: Chain-of-View Prompting for Spatial Reasoning
January 8, 2026
Autori: Haoyu Zhao, Akide Liu, Zeyu Zhang, Weijie Wang, Feng Chen, Ruihan Zhu, Gholamreza Haffari, Bohan Zhuang
cs.AI
Abstract
La risposta a domande in ambienti 3D (EQA) spesso richiede la raccolta di contesto distribuito su più punti di vista e parzialmente occluso. Tuttavia, la maggior parte dei recenti modelli visione-linguaggio (VLM) è vincolata a un insieme fisso e finito di viste in input, il che limita la loro capacità di acquisire contesto rilevante per la domanda al momento dell'inferenza e ostacola il ragionamento spaziale complesso. Proponiamo il prompting Chain-of-View (CoV), un framework di ragionamento *training-free* al momento del test che trasforma un VLM in un ragionatore attivo del punto di vista attraverso un processo di esploramento *coarse-to-fine*. CoV impiega prima un agente di Selezione della Vista per filtrare i frame ridondanti e identificare viste ancorate allineate alla domanda. Successivamente, esegue una regolazione fine della vista intervallando il ragionamento iterativo con azioni discrete della camera, ottenendo nuove osservazioni dalla rappresentazione della scena 3D sottostante fino a quando non viene raccolto un contesto sufficiente o viene raggiunto un budget di step.
Valutiamo CoV su OpenEQA su quattro VLM mainstream e otteniamo un miglioramento medio di +11,56% in LLM-Match, con un guadagno massimo di +13,62% su Qwen3-VL-Flash. CoV mostra inoltre uno *scaling* al momento del test: aumentare il budget minimo di azione produce un ulteriore miglioramento medio di +2,51%, con un picco di +3,73% su Gemini-2.5-Flash. Su ScanQA e SQA3D, CoV fornisce prestazioni solide (ad esempio, 116 CIDEr / 31.9 EM@1 su ScanQA e 51.1 EM@1 su SQA3D). Nel complesso, questi risultati suggeriscono che la selezione della vista allineata alla domanda, unita a una ricerca a vista aperta, è una strategia efficace e indipendente dal modello per migliorare il ragionamento spaziale nell'EQA 3D senza addestramento aggiuntivo.
English
Embodied question answering (EQA) in 3D environments often requires collecting context that is distributed across multiple viewpoints and partially occluded. However, most recent vision--language models (VLMs) are constrained to a fixed and finite set of input views, which limits their ability to acquire question-relevant context at inference time and hinders complex spatial reasoning. We propose Chain-of-View (CoV) prompting, a training-free, test-time reasoning framework that transforms a VLM into an active viewpoint reasoner through a coarse-to-fine exploration process. CoV first employs a View Selection agent to filter redundant frames and identify question-aligned anchor views. It then performs fine-grained view adjustment by interleaving iterative reasoning with discrete camera actions, obtaining new observations from the underlying 3D scene representation until sufficient context is gathered or a step budget is reached.
We evaluate CoV on OpenEQA across four mainstream VLMs and obtain an average +11.56\% improvement in LLM-Match, with a maximum gain of +13.62\% on Qwen3-VL-Flash. CoV further exhibits test-time scaling: increasing the minimum action budget yields an additional +2.51\% average improvement, peaking at +3.73\% on Gemini-2.5-Flash. On ScanQA and SQA3D, CoV delivers strong performance (e.g., 116 CIDEr / 31.9 EM@1 on ScanQA and 51.1 EM@1 on SQA3D). Overall, these results suggest that question-aligned view selection coupled with open-view search is an effective, model-agnostic strategy for improving spatial reasoning in 3D EQA without additional training.