arXiv new; ACM MM 2026; VLM failure mechanism · P1 · 2026-07-21

How Do VLMs Fail? Vision-Operation：它和通用视觉自监督的关系在于：把 compositional VQA 失败拆成 grounding、reasoning、attribute extraction、language prior 四类，并定位到不同 tran...

中高相关；详见方法、贡献和实验边界。

How Do VLMs Fail? Vision-Operation Misalignment in Compositional VQA　arXiv new; ACM MM 2026; VLM failure mechanism　原文链接

编号2607.16094 优先级P1 类别arXiv new; ACM MM 2026; VLM failure mechanism 会议arXiv new; ACM MM 2026; VLM failure mechanism 方法把 compositional VQA 失败拆成 grounding、reasoning、attribute extraction、language prior 四类，并定位到不同 transformer pathway 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把 compositional VQA 失败拆成 grounding、reasoning、attribute extraction、language prior 四类，并定位到不同 tran... 中高相关；详见方法、贡献和实验边界。

**Figureure 1 · : Four failure modes in compositional VQA, each breaking at a diferent**Figure 1: Four failure modes in compositional VQA, each breaking at a diferent internal stage. A chained question (select → filter → relate → query) can fail at perception, reasoning, or answer retrieval. Fourth failure mode is language prior dominance which bypasses visual computation entirely.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 How Do VLMs Fail? Vision-Operation 的方法或实验，请结合正文精读段落一起看。

**Figureure 2 · : Layer-wise causal interventions for object-specific reasoning**Figure 2: Layer-wise causal interventions for object-specific reasoning. At layer <sup>ℓ</sup>, we intervene on target object tokens $B _ { t }$ using three methods: Causal Mean ablation (<sup>ℎ</sup>(<sup>??</sup>?? ) ← <sup>??</sup>?? ), attention knockout $( \alpha _ { \mathbf { a n s } B _ { t } } = 0 )$ , and MLP knockout (zeroing FFN outputs at object and answer positions).这张图/表用于判断 How Do VLMs Fail? Vision-Operation 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

核心问题

它和通用视觉自监督的关系在于：把 compositional VQA 失败拆成 grounding、reasoning、attribute extraction、language prior 四类，并定位到不同 transformer pathway。

方法拆解

把 compositional VQA 失败拆成 grounding、reasoning、attribute extraction、language prior 四类，并定位到不同 transformer pathway

主要贡献

中高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。