研究揭示VLM能读不能用的视觉文本差距

Zhiyun Shi 等研究者提出，视觉语言模型存在“读用差距”：模型能逐字转录图像中的文字，却无法据此作答。他们称，把转录文本回喂给模型后，其表现接近直接读原文，说明瓶颈在于使用而非识别。 研究显示，识别与使用对分辨率的要求不同：Qwen3-VL-8B 的识别在字符高 15 像素时饱和，使用要到 24 像素才跟上；模型从 2B 扩到 32B 只提升识别，不缩小差距。 为此，研究者提出 ALOUD 方法，把视觉分辨率用于定位和识别证据，把语言 token 用于使用证据。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。