多模态大模型在推理时越来越喜欢画草图、做标注，但它们真的依赖这些自生成的视觉信息吗？See2Think这篇论文没有只看最终答案，而是设计了一套诊断框架，把视觉推理拆成三个环节：动作是否相关、渲染是否保真、后续推理是否采纳。通过在1200个样本上对四个主流模型进行标准与损坏渲染的对照实验，研究发现一个反直觉的结论——模型经常提出相关动作，但渲染质量普遍不高，而且即使渲染正确，收益也远小于损坏反馈带来的伤害。这说明当前模型的中间视觉推理更像一种行为惯性，而非真正的视觉依赖。视频将带你理解这一诊断逻辑及其对多模态系统设计的启示。
医学视觉语言模型（VLM）生成的注意力热力图是否忠实反映了驱动预测的图像证据？本研究通过因果扰动和受控定位指标审计发现，当前主流医学VLM（如MedGemma, LLaVA-RAD, Qwen3-VL）的注意力热力图虽看似合理，但并未真正锚定驱动预测的图像证据，且无法通过随机控制测试。相比之下，专用CXR分类器（如DenseNet）在相同测试中表现显著更好。视频详细解析了三轴验证协议、实验结果及VLM解释的局限性，提醒研究者避免仅凭视觉检查验证可解释性。
本研究深入分析Qwen2.5-VL-3B-Instruct在组合式视觉问答中的失败机制。通过因果均值消融、注意力消除和MLP消除，发现接地与属性提取失败源于前馈网络，而推理失败源于晚期注意力。跨架构分析显示LLaVA-1.5-7B因编码器压缩空间细节而表现不同。
视觉语言模型（VLM）在物体计数任务中常出现幻觉。本研究通过探针分析发现，VLM内部编码了正确的计数信息，但输出方向存在错位。论文提出基于误差检测器的自校正方法，在不更新参数的情况下将计数准确率提高了最高15.6%。视频涵盖探针分析、SVCCA子空间对齐、因果干预实验及自校正框架效果，并讨论模型差异与局限性。