穆再排尔·穆合塔尔
← 田野笔记

随笔 / 2026.10.18

观看笔记

关于注意力、光圈,以及一个像素与一个事物之间的差别。

2 分钟 发布 2026.10.18 中国 · 南京

我拥有第一台相机的时候,发现它的测光表比我的眼睛更可靠。它不知道我在看什么,只知道有多少光进来;而它几乎总是对的。那个夏天我一直在学一件事:怎样有分寸地不同意它。

视觉模型是一台更复杂的光表。它接收一串数字,返回一段关于世界的描述。大多数时候,这段描述足够用来行动。真正有意思的失败发生在“足够”的边缘:一个从错误角度看过去的降落标识,一个画在影子上而不是物体上的检测框,一句关于速度的、听起来很流畅但并没有落在帧上的话。

测光表与眼睛

我学会了把一张图看两遍。第一遍像摄影的人:光从哪来,画框排除了什么,如果再等四秒会怎样。第二遍像工程的人:输入分布是什么,标签到底指什么,什么样的例子会让它变难。

两种习惯会互相反驳,这是好事。摄影的人希望画框里有一种感觉,工程的人希望画框里有一个测量。好的数据集两者都需要:图像要具体到足以是真实的,标签要精确到足以让错误可以被发现。

标注是一种主张

在自主降落项目里,1,999 个检测框中有 367 个被标反了。检测器并没有产生幻觉。它非常忠实地学会了标注者的错误,因为那个错误是成体系的。这件事很容易被忘掉:标签不是事实。标签是一个人在某个约定下、在某个时刻做出的主张。

一旦我开始把标注当作主张,审查就变得顺理成章。检查对称性。检查框里装的是物体还是物体的影子。检查两个类别是不是被混用了。检查标注者疲惫时标出的那些帧。模型的置信度不是关于世界的证据,它是关于训练集的证据。

模型说不出的

在 Qwen2.5-VL 的研究里,位置很容易解码。一个线性探针可以用 0.97 的 R² 把它找回来,语言接地也几乎完美。速度不一样。信息在那里,但它住在一个纠缠的流形里,模型默认不会去使用它。让模型“想一想速度”会有帮助,但这种帮助像一个学生本来就隐约知道答案、却没有步骤时得到的提示。

这不是一个关于模型很笨的故事,而是一个关于表征具有选择性的故事。模型学会了用正确的方式谈论运动,却没有建立运动所需要的东西:一个稳定的、可分离的、能迁移到新情境的估计。

一种练习

仔细看不是一种性格。它是一组很小的动作:把画框和事物对照,把不确定写下来,隔一天再看一遍,问自己什么会改变看法。

这个网站上的笔记,就是这些动作的公开版本。它不是信息流,更接近一本实验记录:让指标与意义之间的缝隙保持可见。这样下次模型很确定的时候,我会记得先问一句,它究竟对什么确定。

这就是全部的练习。剩下的都是设备。