已收录文章摘要，完整内容可前往原文阅读。
多模态大模型已经能够准确识别图像中的物体、模仿特定艺术风格、感知画面情绪，甚至解答复杂的几何问题。但在模型内部，认出一只“猫”和理解“正义”或“危险”，走的是同一套编码机制吗？为什么模型明明能“看懂”