Point-Label-Count: последовательный подсчёт объектов в мультимодальных моделях

Парадокс: модели с Vision плохо считают на глаз. Просишь сколько яблок на фото? — модель угадывает приблизительно, ошибается на 30-50%. Метод Point-Label-Count позволяет точно считать объекты на изображениях — точность Gemini выросла с 52.7% до 70.4%. Вместо угадывания модель работает последовательно: обводит каждый объект рамкой → присваивает уникальную метку (W1, W2, W3...) → суммирует. Визуальная задача превращается в символьную последовательность — ошибки подсчёта падают вдвое.