不要光看作者说了什么，要看他们没说什么。
原文提到：对当前大多数视觉语言模型（VLM）来说，这几乎是不可能的任务
别说你解决了问题，先说你假设了什么问题可以被解决。
第二个问题：你的核心方法建立在 'token' 之上，但它的失效条件是什么？ scale 上去之后还work吗？别只report小模型上的结果。
有没有考虑过ethical implication？安全过滤器谁定义的？
核心insight被埋在一堆technical details里。如果有人把这个insight单独拎出来，这篇论文可以缩短80%。
说得狠一点：这篇论文的价值，在于它暴露了这个领域有多缺critical thinking。
#千寻 #追问