深度分析
Grid2Matrix：揭示視覺語言模型的數位失認現象與細節保留瓶頸
隨著視覺語言模型在多模態推理上表現優異，研究團隊設計 Grid2Matrix 基準，測試模型將彩色格子映射成矩陣的能力。結果顯示模型在小格子上即出現零樣本失效，且錯誤與格子跨越視覺補丁邊界高度相關，提出「數位失認」概念，指出語言輸出階段的資訊缺口。
視覺語言模型
深度分析
微調 Qwen2.5‑VL‑32B 提升視覺語言模型在網頁互動的成功率
研究以 Qwen2.5-VL-32B 為例，分析其在純視覺輸入的網頁互動挑戰，提出兩階段微調流程，分別判斷游標位置與執行單步指令，最終在單點擊基準測試中將成功率提升至 94%，顯示微調策略對提升模型可靠性具顯著效益。
深度分析
協同多代理腳本生成提升視覺語言模型在謀殺推理遊戲的不完全資訊推理能力
本研究聚焦於資訊不完整且具欺騙性的多人謀殺推理遊戲，提出協同多代理框架生成角色導向腳本，並採用鏈式思考微調與 GRPO 強化學習的雙階段訓練提升視覺語言模型推理能力。實驗證實此方法顯著改善模型在敘事推理與抗欺騙理解上的表現，為未來不確定環境的多模態推理提供新基礎。
深度分析
LLAMA 系列演進：視覺語言模型中大型語言模型骨幹的效能比較與分析
隨著大型語言模型快速演進，研究探討將 LLAMA‑1、2、3 作為視覺語言模型骨幹的影響。實驗固定視覺編碼器與訓練流程，發現新模型在視覺問答上提升信心校準與表示穩定性，但對純視覺任務貢獻不大。此結果提醒開發者在升級 VLM 時需針對任務特性選擇合適的 LLM。
深度分析
模型 logits 隱含資訊揭露：VLM 安全風險分析
研究指出，視覺語言模型的 logits 可能洩漏圖像查詢中的非任務資訊。透過比較低維投影與 top‑k logits，發現兩者在資訊保留上相當，凸顯模型輸出層的隱私風險。