CoT4Det: трёхшаговая разбивка для точного анализа изображений

Vision-модели (ChatGPT Vision, Claude, Qwen) систематически плывут при анализе изображений: выдают дубликаты (один объект «находят» трижды), галлюцинируют (называют то чего нет) и пропускают мелкие детали в плотных сценах. Просто повысить разрешение не поможет — проблема в том, что модель не умеет структурировать визуальную информацию. CoT4Det разбивает задачу на три последовательных шага: сначала классификация (что есть на изображении), потом подсчёт (сколько экземпляров), и только затем локализация (где находятся). Вместо хаотичного поиска «найди всё сразу» — модель движется по рельсам с опорными точками на каждом этапе. Результат: нет дубликатов, нет галлюцинаций, не пропускает объекты.