Зрительный поиск в VLM: reasoning-токены раскрывают, где и как модели «видят»

Парадокс: люди дольше убеждаются что «ничего нет» — в 2,8 раза дольше, чем находят цель. Модели перевернули это: отвечают на «нет» дёшево, почти без раздумий — и именно там ошибаются. Исследование позволяет переформулировать любую задачу проверки изображений или документов так, чтобы модель делала активный поиск, а не давала общее «всё хорошо». Фишка: замени «убедись что ошибок нет» на «найди ошибку» — и модель выделяет усилия пропорционально сложности поиска. Выяснилось через прямые измерения: reasoning-токены растут ровно там, где человек тратит больше времени.