**看见还是知道？多模态大模型的视觉上下文敏感性研究**

_Seeing or Knowing? Visual Context Sensitivity in Multimodal Large Language Models_

> 研究发现多模态大语言模型（MLLMs）虽能编码视觉信息，但在视觉证据与预训练知识冲突时难以可靠控制对视觉的依赖。通过WhatIfVis基准测试发现，模型对空间、颜色、数量等粗略视觉属性的感知并未退化，瓶颈在于后感知阶段的利用。监督微调和激活修补可改善模型对视觉上下文的敏感性控制。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-08-04 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.26326)