**See2Think: 多模态模型是否真正依赖中间视觉状态？**

_See2Think: Do Multimodal Models Really Use Intermediate Visual States?_

> HuggingFace 社区论文 See2Think 提出统一评估框架，通过 1,200 道视觉依赖问题及推理过程分析，发现多模态模型的视觉推理高度依赖模型与环境，忠实渲染是当前主要瓶颈，且模型在受干扰的视觉反馈下准确率下降超 10 个百分点。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-07-31 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.26769)