English(EN) Where Do Vision-Language Models Get Left and Right? Position-Code Counterfactuals in Qwen2.5-VL, Qwen3-VL and InternVL3

视觉语言模型依赖 ViT 位置编码进行空间理解

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-11 05:00

一项新的研究论文探讨了视觉语言模型如何解释空间关系，特别是左右区分。研究发现，视觉 transformer (ViT) 中的位置编码对于模型正确识别左右方向至关重要。使用 Qwen2.5-VL 和 InternVL3 等模型的实验表明，改变这些 ViT 位置编码会显著影响它们准确回答左右问题的能力，而改变语言模型的 token 顺序影响较小。 AI

影响这项研究强调了 ViT 位置编码等特定架构组件对于视觉语言模型中准确的空间推理的重要性。

排序理由分析模型能力的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 33 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 分析模型能力的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Enhao Cui, Junzhi Yang, Yaoshun Lin, Yuhan Feng, Zijian Chen · 2026-11-11 05:00

视觉语言模型在左右方向上表现如何？Qwen2.5-VL、Qwen3-VL 和 InternVL3 中的位置编码反事实分析

arXiv:2611.14060v1 Announce Type: cross Abstract: A vision-language model may take left-right direction from the orientation of image content within patches, its vision transformer's (ViT) position code, or token positions and order in its language model (LLM). Ablations show the…

本文如何被排名

报道来源 [1]

视觉语言模型在左右方向上表现如何？Qwen2.5-VL、Qwen3-VL 和 InternVL3 中的位置编码反事实分析

相关实体

相关话题