视觉语言模型在哪里？ Qwen2.5-VL、Qwen3-VL 和 InternVL3 中的位置代码反事实
原文：Where Do Vision-Language Models Get Left and Right? Position-Code Counterfactuals in Qwen2.5-VL, Qwen3-VL and InternVL3
视觉语言模型可以根据块内图像内容的方向、其视觉变换器 (ViT) 位置代码或其语言模型 (LLM) 中的标记位置和顺序来确定左右方向。消融表明 ViT 代码是必要的；我们通过仅镜像位置代码来测试充分性。在 Qwen2.5-VL-7B、Qwen3-VL-4B 和 InternVL3-2B 中，镜像 ViT 宽度位置再现了
正在把原文抓到本机服务器…首次约 3~8 秒，抓好后本站永久缓存，下次秒开。
抓不到时可直接看原文（部分站点需要登录/反爬，服务器也无法抓取）。
正文由本站服务器抓取保存（已自动过滤广告、推荐位与追踪图片），排版与原站可能不同；版权归原站所有。
