将语言模型从视觉编码器中解放出来：语义序列化作为小语言模型的感知接口

端到端视觉语言模型（VLM）将视觉能力与其语言模型的规模联系起来：随着语言模型的缩小，感知和推理会一起退化。我们研究了一个具体的场景问答（QA）界面，其中视觉永远不会进入语言模型。冻结的感知堆栈可检测并测距物体；确定性语义序列化器将感知状态（包括错误）编译为决策一致的文本；未经修改的纯文本大语言模型 (LLM) 答案。在可见范围匹配、遮挡审核的校园机器人基准上，在前瞻性冻结标准下，使用在每个折叠内域内微调的检测器的序列化接口优于零样本 VLM，其语言模型具有相同的 7B 尺度（0.7892 与 0.7462），在 3B 处具有更大的裕度（0.7673 与 0.6913）。预先注册的解耦实验表明，增益在释义中得以保留，将其归因于决策对齐计算而不是答案字符串泄漏，而新颖的判断词汇限制了其范围。随着阅读器缩小到 1.5B 并在 0.5B 反转，并且地面真实预言机定位阅读器能力下限，优势就会增强。在匹配的任务监督下，接口收敛：通过低秩自适应（LoRA）进行微调的 VLM 超越了零样本系统，但仅与同等监督的文本阅读器联系在一起（0.8441 与 0.8396，没有统计上解决的差异），并且两条路线仍然受到感知限制。报告的感知参数与 VLM 视觉塔的参数相当，并且总计算量也不小。