Chain-of-Spot (CoS) est une nouvelle approche qui améliore l'extraction des caractéristiques en se concentrant sur les régions d'intérêt clés dans l'image, correspondant aux questions posées ou aux instructions données. Cette technique permet aux modèles de vision et de langage d'accéder à des informations visuelles plus détaillées sans altérer la résolution de l'image d'origine, offrant ainsi des caractéristiques d'image multi-granularité. Des expériences quantitatives et qualitatives montrent la supériorité de cette méthode par rapport aux modèles existants. Des visualisations sont également utilisées pour illustrer l'efficacité de l'approche Chain-of-Spot dans l'identification des régions d'intérêt pertinentes pour les réponses aux requêtes dans les images, améliorant ainsi les performances globales dans les tâches multimodales.