Chinese contentAROMA：面向 Llama-3.2-11B-Vision 的冻结 VLM 可控干预框架
用 Llama-3.2-11B-Vision 做的表示干预研究，把数数这类视觉能力拆成定位、干预和目标选择几个环节分别攻克，计数准确率提升 8 个百分点且不动权重。做模型可解释性和干预控制的开发者值得看，比常见的 attribution-steering 方法设计得更系统。
用 Llama-3.2-11B-Vision 做的表示干预研究，把数数这类视觉能力拆成定位、干预和目标选择几个环节分别攻克，计数准确率提升 8 个百分点且不动权重。做模型可解释性和干预控制的开发者值得看，比常见的 attribution-steering 方法设计得更系统。