匹兹堡大学研究发现：VLM 隐空间中存在 3D 场景拓扑表征

匹兹堡大学研究团队通过跨场景特征分离与可视化发现，视觉语言模型（VLM）的中间层隐空间清晰保留了物体的三维场景拓扑结构。团队通过最小化 Dirichlet 能量度量邻域关系，并经线性探针干预证实了表征的空间含义。在选定中间层加入该能量进行 500 步 LoRA 微调后，Qwen2.5-VL-7B 在 VSI-Bench 任务上的准确率由 47.9% 提升至 60.0%。