人眯眼能读的字，多模态模型却说没有：训练后原图直读从26.50升到88.61

多模态大模型会把嵌在图像粗结构里的文字读成“图中没有文字”，而人把图缩小或眯眼就能认出这串字。 这类失败此前没有被单独命名和研究，它出现在内容审核流水线的真实流量里，域名、联系方式和口号被画进图像的粗结构，人看得见，审核模型却报告无文字。 四个商用与开源多模态模型在原尺寸的1076张生产审核图上只拿到8.3到24.4的ANLS，说明这不是某一个检查点的问题。

冻结权重下的探针显示，隐藏文字在视觉编码器里留下了很强的存在信号，但具体是哪个字只被很弱地表示。 此前只知道缩小或低通滤波能让这类文字变得可读，但不知道是变换的哪个性质在起作用。 在500对只差“有没有嵌入字符串”的合成图上，文字存在性的AUC达到0.956到0.981，而单字身份的AUC只有0.718（中文）和0.612（拉丁字母）；把探针限制在字形所在位置后，中文升到0.799，说明空间选择是主要瓶颈。

训练时让一个冻结的教师模型同时看到缩小视图和正确转写，用它每一步的token概率分布去监督只看原图的学生。 此前要么在推理时额外喂一张缩小图，要么用硬标签做监督；前者推理时多一张图，后者丢掉了候选字之间的相对概率。 在1076张生产审核图上，该方法达到88.61 ANLS，而基础模型为26.50，只在推理时附加缩小视图为58.96，单视图SFT为72.47，DAPO为73.55。

训练后字形表示变得更能区分，读取行为在因果上依赖字形所在的视觉区域。 训练前字形身份在编码器里只是弱信号，读取也不集中在字形位置。 中文单字身份AUC从0.718升到0.975，拉丁字母从0.612升到0.779；把字形位置的视觉token嵌入替换成非字形token的均值后，准确率从90.5%降到71.5%，而替换同样数量的随机背景token只从90.5%变到91.0%。

这套方法面向需要在推理时只输入原图、又要读出图像粗结构中文字的视觉审核场景，评测覆盖1076张生产来源审核图以及可控合成诊断集。诊断把空间选择和图像高频干扰列为主要原因，视觉token数量可能也有影响，但两者尚未完全分离。训练能重组部分可恢复的证据，在条件强度0.5、笔画基本被破坏时，基础模型与训练后模型在统计上无法区分。

高频干扰与视觉token数量两个因素没有被完全分离，token数量的作用只是可能。训练后的模型在通用基准上出现随任务而变的下降，AI2D从86.66变为85.33，DocVQA从95.93变为92.98，OCRBench从879变为833。方法目前依赖输入中仍可恢复的视觉证据，以及固定的特权监督设置。