NumerosityVLM：解释视觉语言模型中数量表示的认知启发基准

视觉语言模型（VLM）在高级多模态任务上取得了出色的表现，但数字感知（人类婴儿在语言习得之前出现的一种认知能力）在当前模型中仍然知之甚少，因为现有的计数基准将数字与相关的视觉因素纠缠在一起。我们引入了一个认知启发的诊断基准 NumerosityVLM，包含六个受控条件下的 10,800 张合成图像。该基准正交地操纵对象大小、空间排列和数量，同时逐渐消融纹理、形状和颜色。在零样本设置下评估七个 VLM，多因素分析表明模型架构解释了最大比例的性能方差（部分 $ω^{2}=0.325$），远远超过了视觉条件。逐层探测进一步表明，线性可分离的数量信号始终出现在视觉编码器的早期阶段，而评估模型之间的性能差异主要与语言模型组件相关。代码和数据可在 https://github.com/fuy3/NumerosityVLM-Benchmark 和 https://huggingface.co/datasets/fuy3/NumerosityVLM 上公开获取。