为什么复杂推理会削弱模型的视觉感知?

复杂推理并不天然提升视觉判断。对多模态模型而言，图像先被编码为视觉 token，随后与用户问题、上下文文本共同进入生成过程。当任务要求长链条分析时，模型的计算重心往往逐步转向语言逻辑：它更关注“问题暗示了什么”“此前推导出了什么”，而不是持续核对画面中的原始证据。

这种现象可理解为一种证据衰减。视觉 token 承载的是位置、形状、遮挡、颜色和细微差异等信息，但这些信息在后续多轮推演中未必会被反复调用。推理文本一旦形成了看似连贯的中间判断，模型就可能沿着语言上的合理性继续生成，即使该判断与图像细节并不一致。于是，它并非完全“没看见”，而是在回答时让语言先验压过了视觉证据。

误导性提问会放大这一问题。比如图中本没有某种颜色或物体，问题却预设其存在；模型若优先顺从提问框架，就容易围绕错误前提补全答案。复杂推理会让这种补全显得更有条理，却不会让它更接近事实。对“哪个更大”“某个图标是否存在”这类依赖局部细节的任务，冗长分析反而可能把注意力从关键区域带走。

因此，视觉任务不能只看最终答案是否流畅，还应检查模型能否拒绝错误前提、能否承认信息不足，以及在加入无关背景后是否仍能锁定目标。若简单感知题在长推理后更易出错，问题通常不在知识储备，而在视觉证据没有被稳定保留到决策阶段。