**视觉的代价：在单一范式内实现可信的多模态推理**

_The Expense of Seeing: Attaining Trustworthy Multimodal Reasoning Within the Monolithic Paradigm_

> 本文指出，当前视觉语言模型（VLM）在整合多模态数据方面存在可信度问题，常表现为'功能性失明'，即依赖语言先验知识绕过视觉表征瓶颈。作者提出了一种基于信息论的新方法——模态翻译协议（Modality Translation Protocol），通过量化'视觉的代价'，定义了三个新指标：视觉通行费（Toll of Seeing）、视觉诅咒（Curse of Seeing）和视觉谬误（Fallacy of Seeing），并最终形成了语义充分性标准（Semantic Sufficiency Criterion, SSC）。此外，论文提出了'多模态缩放的发散定律'：随着语言引擎推理能力的提升，视觉知识瓶颈带来的惩罚可能加剧而非减轻。研究呼吁社区超越'多模态增益'的评估目标，并利用SSC作为架构蓝图，指导下一代AI系统实现真正的多模态推理。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-25 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2604.20665)