指称鸿沟

研究者将模型在视觉推理中因语言未正确绑定到视觉实体、区域或位置而导致的失败模式定义为「指称鸿沟」（reference gap）。

指称鸿沟是一个独立于视觉感知的瓶颈，解释了部分此前被误判为感知不足的错误。

编号对计数任务有效，是因为它天然提供了「已数/未数」的区分；但对于需要空间关系或区域定位的任务，同一套编号可能引入干扰。

构造任务适配的视觉指称可以作为一种免训练的视觉技能来提升多模态推理，无需微调模型或额外感知模块。

研究留下的开放问题包括：如何自动为任意任务生成合适的指称，以及指称的粒度如何选择。