数到四对视觉语言模型而言仍是难事

视觉语言模型（VLM）在复杂多模态推理任务中表现优异，却在物体计数等基础接地技能上频频失效。现有评估多关注最终输出，难以揭示模型内部故障根源。本文通过行为与机制分析，提出 COUNTINGTRICKS 评估套件，暴露不同分块布局及对抗提示下的脆弱性。注意力分析表明，计数相关视觉证据在模态投影阶段最强，但在后续语言层显著退化，模型更易受文本先验影响。据此，本文评估了模态注意力共享（MAS）干预方法，鼓励生成答案时保留最低限度的视觉注意力。结果表明，VLM 计数失败不仅源于视觉感知局限，更因语言推理阶段视觉证据利用不足。