看见还是知道？多模态大语言模型的视觉上下文敏感性

论文区分多模态模型的视觉感知与视觉证据使用能力，提出图像重建和WhatIfVis两个诊断范式。研究称，空间时间、颜色、数量、大小和重量等粗粒度属性仍可从冻结模型的末层图像 token 重建，但模型回答可能仍受语言先验支配，说明失败点或在感知之后。