Counting（计数）指让视觉或多模态模型判断图像中目标数量的能力，是衡量视觉感知精细度的基础任务之一，也是当前视觉语言模型（VLM）评测中的常见短板项。与分类、检测不同，计数要求模型对个体实例进行区分和累加，对空间注意力和实例分割能力都有较高要求，因此常被用作压力测试维 度。
Counting 的近期进展
当前焦点与观察点
Counting 研究的焦点正从单纯报对数字，转向把计数作为检验模型感知与推理链条是否可靠的探针。争议点在于：计数错误究竟源于视觉编码端无法分离实例，还是语言端在数值推理上的缺陷，目前尚无定论。评测方法上，自动化基准能否避免数据污染、保证题目分布合理，是 SABRE 这类流程需要持续验证的问题。值得关注的方向包括：计数与空间推理的联合评测、推理时 token 生成策略对计数准确率的影响，以及具身场景下的动态计数——三者可能共同决定多模态模型能否从“看得见”进化到“数得清”。