arXiv · cs.CL· Sugam Karki·· 4 天前AI 评分26
深入 Transformer 各层：视觉编码器中的跨模态对齐与表征层级分析
Reading Between the Layers: Cross-Modal Alignment and Representational Hierarchy in Vision Transformers
来源与原文
arXiv · cs.CL
作者：Sugam Karki
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.32463v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
一项被 AACL 2026 Findings 接收的研究系统分析了 Transformer 视觉编码器如何处理文本及其语义。逐层探测显示，强跨模态映射仅在最深几层出现，且发生在单模态物体与文字识别形成之后，表征从表层向语义层面递进。该层级在对比训练模型中最强；更大的自监督模型和富含文本的训练数据可在无语言监督时部分支持类似行为。
来源：arXiv · cs.CL · arxiv.org