本研究质疑专家混合模型（MoE）路由器对语义特征的依赖，强调位置标记信息在路由决策中的重要性，并通过实证分析进行了验证。

通过提供对象的显式位置信息并进行适当训练，仅文本的语言模型可以学习到空间关系。作者在视觉空间推理数据集上进行实验，使用位置标记的结果显著改善。仅文本的语言模型在空间关系理解方面表现优于视觉与语言模型，成为最新技术成果。作者的分析显示，仅文本的语言模型能够推广到未出现的关系，并学习了更有用的信息。