一句话定义：图像思维链（Thinking with Images）是让多模态模型把图片当作可反复操作的“草稿纸”，通过缩放、裁剪、标注等视觉动作留下中间结果，再继续推理的工作方式。
它怎么工作
传统多模态模型更像“看一眼就回答”：图片被编码成特征，和问题一起送进模型，推理主要在文字空间完成。图像思维链把“看”变成过程：先看全局，发现可疑区域就放大；看不清就裁剪；数不清就在图上打点编号，再拿新图片继续想。
比如问“这张收据里哪件商品最贵？”模型会先定位表格，裁出价格列，放大数字，标出候选，再比较。问“图中有几只鸟？”它会放大树冠，逐只标记，最后数标记点。生活里，这像看画：看图说话是站在门口远远看一眼写观后感；图像思维链是走近、凑近、拿放大镜，还在画上贴便签。
和相邻概念的区别
| 维度 | 看图说话式多模态 | 图像思维链 |
|---|---|---|
| 图片角色 | 一次性输入 | 可反复读写的中间状态 |
| 推理主线 | 以文本链为主 | 视觉动作与文本交替 |
| 典型动作 | 描述、问答 | 缩放、裁剪、标注 |
| 擅长 | 整体描述、简单问答 | 密集文字、小目标、计数 |
| 风险 | 细节丢失、幻觉 | 工具链复杂、延迟更高 |
它和思维链（AI 词典：Chain-of-Thought">Chain-of-Thought, CoT）不同：CoT 用文字写出步骤，图像思维链把部分步骤“画”在图上。它也不是取代多模态大模型（Multimodal Large Language Model），而是后者的一种使用方式：模型负责决策，视觉工具负责反复观察。
有什么意义
对从业者，这提示别把图像当成一次性特征，可以给模型配“视觉手脚”：裁剪框、光学字符识别（OCR）、目标检测、坐标标注，让它迭代观察。对普通人，它解释了为什么有些 AI 看图表、发票、找图中细节时更稳——不是更会猜，而是更会凑近看。
当然，分辨率、工具精度、坐标误差都会影响效果，具体能力以官方页面为准。核心思想很实用：把图片从“被看的对象”变成“用来思考的草稿”。