视觉语言模型能感知深度却选择错误线索

视觉语言模型在判断物体远近时，会系统性地偏向误导性的图像平面线索（如表观大小和垂直位置），而非真实深度信息。但即使模型答错，正确的深度顺序仍可从被查询物体的视觉表示中解码出来。通过物体级写回增强模型自身的深度读出，可在不更新参数、不使用真值深度标注的情况下纠正冲突决策。