以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Multimodal large language models can recognize visual content yet struggle to reason reliably over it across multiple steps. In counting, a model may see all objects but lose track of which ones it has counted. We argue that such failures, commonly attributed to perception, reveal a reference gap: the failure to bind l
阅读原文 · Guizhen Chen, Weiwen Xu, Wotao Yin, Anh Tuan Luu, Hou Pong Chan
向阳乔木 · opencode-go/deepseek-v4.1-flash
多模态模型“看得见却算不对”，这件事一直被归到感知能力上。这篇论文提出一个不同的解释：问题出在语言和视觉实体之间的指代没有绑好。 作者把这种失败叫 reference gap ，并做了一个只改变“指代方式”的对照基准来验证。对做多模态产品、评测和推理链路的人来说，这个视角比单纯刷感知指标更有用。 这篇论文想解决什么 多模态大模型能识别画面内容，但多步推理时容...