本研究探讨视觉语言模型（VLMs）处理视觉信息的机制。分析表明，查询令牌有效存储全局图像信息，中层对跨模态信息流的影响显著，细粒度视觉属性和对象细节通过空间定位从图像中提取。这些发现为提升VLMs的视觉处理效率提供了新思路。

该文章介绍了WinoViz评估数据集，用于测试语言模型在不同语境下理解物体变体视觉属性的推理能力。研究发现大型语言模型在实用推理方面表现较好，但在多跳数据方面性能下降。视觉语言模型优于仅语言模型。机器生成图像的模型在任务中表现不佳。