视而不见思：多模态混合专家模型中的路由干扰

多模态混合专家（MoE）模型在视觉 - 语言任务中表现优异，但存在“视而不见思”现象：模型能准确感知图像内容，却在后续推理中失败，而相同问题的纯文本形式却能正确解决。本文证实了跨模态语义共享的存在，排除了语义对齐失败的解释，并发现视觉专家与领域专家在层级上分离，导致图像输入引发路由显著偏离。据此提出“路由干扰”假说，即视觉输入未能充分激活任务相关的推理专家。通过设计路由引导干预方法增强领域专家激活，在六个基准测试中显著提升复杂视觉推理性能。