#场景图生成

用 MLLM 的思维链直接当训练信号来学关系表示，这思路跟只拿 CoT 做中间推理的方法不一样。做视觉关系检测、场景图或开源多模态研究的人可以看看，VG150 和 PSG 上有具体对比数字。