09:26
官方账号arXiv cs.AI@Hiroto Osaka, Shohei Taniguchi, Gouki Minegishi, Kai Yamashita, Masahiro Suzuki, Yutaka Matsuo
推荐理由：这篇论文用实验告诉你，视觉语言模型做CoT推理时，图像其实只在开头看一次，后面全靠语言处理。想知道为什么CoT有时没用？进来看看
InternVL3
共 1 条相关 AI 资讯
7月15日
09:26
论文提出Visual Access Sweep方法，通过遮蔽生成token到图像token的注意力，定义Visual Access Boundary (VAB)。在Qwen2.5-VL-32B和InternVL3的14B、38B规模上，CoT的VAB层与无CoT全访问目标差异最多两层。CoT提升受限于感知读出：当视觉属性可可靠读出时CoT有效，否则无效。符号属性oracle显示，提供真实属性文本后CoT可改善计数。单目标探针-解码检查表明，困难属性可从隐藏状态线性恢复但模型难以输出。