已保存的像素 VQA：为什么 44.44% 是结构化基线
课堂上下文：从哪个问题来
问题在这里选择要读的信息，同一图可以问数量、属性和关系。本页说明沿两个方向组织检查：同图换问、同问换图。LAB14 当前已经有读取像素的可学习分支和单独训练的 question-only，对象属性字典保留为 oracle 热身；三种身份应分别阅读。
LAB14 在 2026-09-22 保存了本地 CPU 学习结果，本次整理没有重跑。720 张训练图和 180 张保留图先按图像生成和划分，再对每图提出三种固定模板问题，共 2160/540 个图问对。模型实际读取 RGB 像素和问题 ID，不读取生成器属性字典。
保留任务分别是数量二选一、左侧颜色三选一、右侧形状二选一。只知道问题时，各任务的最佳常量正确率为 ，平均 。把所有七种答案混在一起写“机会率 1/7”会忽略问题已给出的答案类型。
| 保留条件 | 数量 | 左色 | 右形 | 全部 |
|---|---|---|---|---|
| 图像＋问题 | 100% | 100% | 100% | 100% |
| 单独训练 question-only | 50% | 33.33% | 50% | 44.44% |
| 同一视觉模型，像素置零 | 50% | 33.33% | 50% | 44.44% |
| 同一视觉模型，循环错配图像 | 83.33% | 50% | 0% | 44.44% |
最后一行不是随机机会率：数据按组合排列，循环移位常保留数量却恰好改变形状，因此总分相同仍有不同错误来源。正确图像下的模型通过了三个有限任务；像素置零和错配的下降支持它使用正确视觉输入。训练左侧红色比例为 73.61%，保留颜色均衡，进一步显示问题先验不能替代视觉读取。
问题输入在这里是三个模板 ID，不是任意句子的语言理解。先承认这个小实验确实完成的像素问答，再把开放问题、未见对象与组合列为下一层检验。