论点五详细展开：实验结果——被噤声的知识一旦释放，性能跃升显著
论文在8个benchmark和4个模型backbone上验证了方法。
Qwen2.5VL-7B 上的主要结果
| Benchmark | 类别 | Vanilla | 本方法 | 提升 |
|---|---|---|---|---|
| Counting | 视觉感知 | 65.00 | 68.33 | +3.33 |
| IQTest | 视觉感知 | 22.67 | 31.33 | +8.66 |
| RR | 视觉感知 | 38.90 | 44.78 | +5.88 |
| MMVP | 视觉推理 | 68.67 | 73.00 | +4.33 |
| Hull-Bench | 视觉推理 | 65.40 | 67.30 | +1.90 |
| ScienceQA | 综合 | 82.30 | 84.20 | +1.90 |
| MM-Star | 综合 | 59.30 | 61.80 | +2.50 |
| MM-Vista | 数学推理 | 58.70 | 63.70 | +5.00 |
- 在6/8个benchmark上取得最佳性能
- 在需要精细视觉感知的任务上提升最大（IQTest +8.66%, RR +5.88%）
- 文本CoT方法（MCoT/CCoT/ICoT）在视觉任务上有时低于vanilla baseline，验证了"文本推理不足以承载视觉信息"的论点
R1 OneVision-7B 上的惊人提升
| Benchmark | Vanilla | 本方法 | 提升 |
|---|---|---|---|
| IQTest | 22.67 | 36.67 | +14.00 |
| RR | 29.85 | 37.30 | +7.45 |
| Hull-Bench | 62.10 | 69.51 | +7.41 |
消融实验验证了两个阶段的互补性
| Stage I | Stage II | MMVP | Hull-Bench |
|---|---|---|---|
| 无 | 无 | 68.67 | 65.40 |
| 有 | 无 | 72.00 | 66.25 |
| 有 | 有 | 73.00 | 67.30 |
效率分析
本方法的效率比（性能提升/输出token数）为 +0.75，超过LVR (+0.62)、CoVT (+0.54)和DMLR (+0.18)。非隐层方法的效率比接近0，而Monet为负数(-0.32)。
跨模型泛化
在VLAA Thinking-7B和R1 OneVision-7B上也取得一致提升，证明方法具有模型无关性。
注意力可视化
优化后的隐层吸引了更强的注意力，证实了Silenced Visual Latents被成功"解冻"。
> 信息核实声明：以上所有实验数据均直接引用论文原文Table 1、Table 2、Table 3及Figure 5-7，与arXiv:2605.02735 PDF完全一致。