when i'm inferencing grounding cases, the following QA occurs frequently:

"query": "定位所述对象并指出该区域的位置。在UI界面中，描述为"查看和添加评论"的操作对应的UI部件在哪里？请按照<point>[x,y]</point>的格式回答"

"respone": "用户要求我找到“查看和添加评论”的UI部件。\n1. 扫描界面元素：我需要在界面上寻找与评论、留言相关的图标。通常这表现为一个气泡形状，里面可能有数字表示评论数量。\n2. 定位图标：在标题下方，有一排功能图标。\n * 左边是“剩余55分钟 · 3天前”。\n * 中间有一个类似列表或书签的图标。\n * 右边有一个气泡形状的图标，里面写着“99+”。这显然是评论数。\n * 最右边是一个爱心图标（点赞/收藏）。\n3. 确认目标：那个带有“99+”的气泡图标就是用来查看评论和添加评论的。\n4. 确定坐标：该图标位于屏幕右侧，大约在垂直方向的中间偏上位置。具体坐标大约是 x=756, y=412。\n5. 格式化输出：按照用户要求的`<point>x,y</point>` 格式输出。\n</think>\n\n<point>756,412</point>"

the response doesn't follow the template definition in my query. Could this result from the tokenization of '[' and ']'? or a matter of training?