arXiv · Computer Vision· Genpei Zhang·2026-10-02 12:00· 3 小时前AI 评分38

Encoded but Disconnected: 视觉-语言模型失败模式分解研究

Encoded but Disconnected: Decomposing Vision-Language Model Failures under a Patching Null

AI 导读

在 LLaVA-1.5-7B、Qwen2.5-VL-7B、InternVL3-8B 三种架构上，POPE 基准中 68-91% 的错误在中间层编码了正确答案，但残差流修补无法因果激活该信号（Qwen 每头 0/12,600 次翻转）。