跳到正文
arXiv · 机器人与计算机视觉· Kelly Cui, Nikhil Prakash, Shoval Messica, Ayush Raina, David Bau, Antonio Torralba, Tamar Rott Shaham·· 2026-10-07AI 评分68

视觉语言模型中空间变量绑定的双重机制研究

The Dual Mechanisms of Spatial Variable Binding in Vision-Language Models

AI 导读

该论文揭示了视觉语言模型(VLM)在处理需要关联物体属性与空间关系的任务时,主要依赖视觉编码器提供的全局布局信息而非语言骨干网中间层的次要信号。研究在 COCO 数据集上验证,通过放大源自视觉编码器的空间表示可修正各类规模模型的绑定失败,阐明了空间变量绑定的计算机制及视觉编码器的核心作用。

来源:arXiv · 机器人与计算机视觉 · arxiv.org