看见的代价：在单体范式内实现可信的多模态推理

本文指出当前视觉 - 语言模型（VLM）存在严重的可信度危机，常利用语言先验绕过视觉表征瓶颈而非真正理解图像。作者挑战传统评估方法，提出“模态翻译协议”及三项新指标（看见的过路费、诅咒与谬误），最终形成语义充分性准则。文章进一步提出多模态缩放发散定律，认为随着语言引擎推理能力增强，视觉瓶颈的数学惩罚反而增加，旨在为构建真正具备多模态推理能力的下一代 AI 系统奠定严谨基础。