定義
視覚的思考連鎖(Visual CoT)とは、画像入力を含むタスクでモデルが注目領域や図解を推論の途中経過として明示しながら段階的に答えを導くプロンプト技法のこと。
視覚的思考連鎖 (Visual CoT)とは（詳しく解説）
視覚的思考連鎖(Visual CoT)は、テキストのみで完結する通常のChain-of-Thoughtを画像・図表・動画などの視覚情報にも拡張した推論手法とされる。モデルは最終回答を出す前に、画像内の注目領域を特定したり中間的な図解・座標情報を生成したりしながら段階を追って結論に至る。マルチモーダルLLMの精度向上や説明可能性の担保に有効とされ、画像診断・UI操作エージェント・図表読解などの用途で採用が広がっているとされる。2026年時点の実運用では、視覚ステップを挟むことで応答時間とトークン消費、ひいてはAPIコストが単純なプロンプトより増える点が現場での主な落とし穴になる。特に高解像度画像や複数枚の図を扱うタスクでは視覚トークン分だけ相場感より高いコストになりやすく、必要な箇所だけに視覚ステップを絞る設計が現場で重視される。また中間の視覚的推論が実際の画像内容と食い違う場合があり、出力を別途検証する工程を設ける運用が広く採用されているとされる。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「視覚的思考連鎖 (Visual CoT)とは」 https://aipicks.jp/glossary/visual-chain-of-thought
視覚的思考連鎖 (Visual CoT)の使用例
- 医療画像診断AIに『病変部位を囲みながら段階的に所見を述べて』と指示し、視覚的な中間ステップを明示させる。
- UI操作エージェントに画面キャプチャ内の要素を1つずつ注視させ、クリック位置の根拠を視覚的に説明させる。
