掌握全部事实仍答错：视觉语言模型中的整合鸿沟

研究发现视觉语言模型普遍存在“整合鸿沟”，即模型即便能准确识别各个局部事实，在多证据联合决策时仍会出现严重失效。例如 Gemma-3-27B 能正确恢复所有孤立单项事实，但在 8 项视觉实例上的全局有效率仅有 19.75%。探测与激活替换实验表明，仅在隐藏状态表征解相关信息不足以实现可靠推理，模型改进需专门针对证据整合能力。