---
title: "感知鸿沟 (Perception Gap)"
domain: "Multimodal AI / Visual Reasoning"
tags: [perception-gap, multimodal, vision]
sources: [[thinking-with-visual-primitives]]
---

# 感知鸿沟 (Perception Gap)

> MLLM 在低分辨率下无法「看清」细粒度视觉细节——这是当前多模态模型面临的第一层瓶颈。

## 定义

Perception Gap（感知鸿沟）指多模态大语言模型因视觉编码器分辨率限制或 token 压缩策略，导致无法捕获图像中的细粒度信息（如小文字、远距离物体、密集场景中的个体）。

## 现有应对方案

- 高分辨率裁剪（high-resolution cropping）
- 动态 patching（dynamic patching）
- 自适应分辨率编码
- 多尺度特征融合

## 与引用鸿沟的关系

| 维度 | 感知鸿沟 | [[reference-gap|引用鸿沟]] |
|------|----------|-------------|
| 问题层 | 视觉感知层 | 语言指代层 |
| 症状 | 看不清 | 说不清 |
| 解决思路 | 更多像素/更高分辨率 | 空间标记作为思维单元 |
| 本文态度 | 已被 prior work 部分解决 | **核心贡献所在** |

> 本文指出：即使完美弥合感知鸿沟，引用鸿沟依然会导致复杂空间推理中的逻辑崩溃。

## 未来方向

DeepSeek 团队指出，将视觉原语框架与弥合感知鸿沟的方法相结合，有望实现互补收益——既能「看清」又能「指准」。

## 相关概念

- [[reference-gap|引用鸿沟]] — 更深层的瓶颈
- [[visual-primitives|视觉原语]] — 解决引用鸿沟的机制
- [[coarse-grained-counting|粗粒度计数]] / [[fine-grained-counting|细粒度计数]] — 两类鸿沟的具体表现