Chain-of-Questions: разбивка визуального анализа на последовательность подвопросов

Парадокс визуальных моделей: VLM отлично отвечают на готовые подвопросы к изображению (Following), но в 2-3 раза хуже выбирают какие вопросы задавать (Planning). Дай модели цепочку «Что делает чёрная машина?» → «Что делает серебристая?» → «Мокрая ли дорога?» — она точно ответит и сделает вывод о виновнике аварии. Попроси саму составить эту цепочку — спросит «сколько машин на фото?» вместо критичных деталей. Метод Chain-of-Questions (CoQ) решает проблему хаотичного анализа изображений: явно разбиваешь сложный визуальный вопрос на последовательность простых подвопросов. Сначала Planning — «составь 5 вопросов для исследования сцены». Потом Following — «ответь на каждый по порядку, используя предыдущие ответы». Каждый шаг сужает фокус: от общих наблюдений («что за объекты?») к деталям («что делает объект X?») к выводу. Вместо одного запроса «кто виноват?» модель проходит структурированное расследование — как детектив собирает улики по порядку, не наугад.