Vision-language模型在小集合上能够精确计数，但在更大集合上会转向估计，这类似于儿童在掌握计数前的表现。儿童通过指向每个对象并念数词、把已计数的物体移开、划分阵列等认知动作跨越计数壁垒。我们在没有视觉智能的普通图像工具上，以训练无关的智能体循环为模型提供相同的指向动作。核心主张是测量而非干预：模型通过标记实现计数时，会在图像上留下本应隐藏的序列过程；计数的发育原则将这些标记转化为可解释的序列视觉推理审计：每个标记相对于点级真值被分类为命中、重复、幻影或遗漏，答案与标记数量对比，且通过强制相反遍历顺序检验顺序无关性。
对9个模型、682张图像、7种使用条件的实验表明：(i) 精确计数范围是模型特有的签名，R80 从 3 到 150 点跨近两个数量级；(ii) 作为干预手段，指指大多失效：标记仅在4个模型的小计数照片上有帮助，误导不精确的指针，且很少超越语言套路或盲点列表；循环提供的是可审计的痕迹而非准确性；(iii) 作为测量手段，它成功：标签扰动探针显示精确指针从标签读取答案，指向精度决定受益模型，密集场景因遗漏而失效，模型很少在看到自身标签后修正；(iv) 能力出现分离：模型遵循指示的遍历顺序，却在顺序反转时常改变答案，儿童在常规对散乱优势仅在例程下出现，并在击败行列乘积捷径的格子中仍保持优势。
点评