为何视觉无法成为通用桥梁：纠正多语言 MLLM 中的模态异步问题

英文标题：Why Vision Fails as a Universal Bridge: Rectifying Modality Asynchrony in Multilingual MLLMs

论文指出，尽管多模态大语言模型（MLLM）的纯文本骨干具备较强的多语言能力，但其在非英语视觉推理任务上的性能会显著下降。作者将这一问题归因于不同模态之间的异步或错位，意味着视觉信息并不能天然充当跨语言理解的通用桥梁。该研究对开发者的意义在于：构建多语言视觉语言模型时，不能仅依赖英语视觉能力向其他语言迁移，还需要针对模态对齐与跨语言表示一致性进行专门校正。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB