标签
本文介绍了Visual Access Sweep，一种因果干预方法，用于衡量视觉语言模型推理所需的最小图像标记访问量，并发现思维链（Chain-of-Thought）提示并非主要通过延长直接图像访问来提升性能，而是通过在视觉信息上扩展语言侧计算来实现。