<aside>

论文核心：提出一套基于线性探针的分析框架，揭示多模态大语言模型（MLLM）内部各层的功能分工。

方法：在每层训练线性分类器，配合三类受控提示变体（词汇变体、语义否定、格式变体），逐层测试模型表示如何响应不同扰动。

核心发现：跨三个模型（LLaVA-1.5、LLaVA-Next-LLaMA-3、Qwen2-VL）发现一致的四阶段结构——视觉定位 → 词汇整合 → 语义推理 → 答案解码，其中阶段结构稳定，但各阶段占用层数随基础 LLM 架构而变化。

</aside>

🧩 1. Motivation（研究动机）

Multimodal LLM（MLLM）性能很强，但内部到底如何处理图像 + 文本仍不清楚。

作者提出：

• 不同 layer 是否承担不同功能？
• 是否存在 “perception → reasoning → decoding” pipeline？

论文目标：

👉 解析 MLLM 在层级上的功能分工

🏗️ 2. Core Idea（核心思想）

作者提出一个 layer-wise probing framework：

核心步骤：

1. 输入 image + prompt
2. 提取每一层的 token embedding
3. 在每层训练 linear probe
4. 看不同层能预测什么信息

通过这种方式判断：

• 哪些层负责视觉理解
• 哪些层负责 reasoning