论文Agent 与开发者精选16:16研究揭示 VLM 描述图像时如何规划物体列举顺序这篇论文把 Qwen3-VL 生成描述时的内部机制拆开了:怎么定位物体、怎么记住写到哪里、怎么决定下一个看哪。用因果补丁验证,2B 到 32B 都成立。做可解释性或多步规划研究的读者值得拿来当起点。#Qwen3-VL#VLM#可解释性#视觉语言模型aarXiv cs.LG@Rohit Gandikota 等 4 人原文稍后读已读值得跟进有用关注 Qwen3-VL