研究表明，基于变换器的视觉-语言模型（VLMs）存在显著的深度冗余，但去除特定解码器层的效果尚不明确，尤其是在需要感知与多步推理紧密结合的领域中。通过领域感知的激活相似性，研究了结构化解码器层剪枝，测量每一层在数学与非数学输入下对表示的转化强度。这一方法生成了简单的数学感知、非数学感知和混合排名标准，识别出在目标领域内输入输出激活变化最小的层。在两个最先进的VLMs和一系列数学及一般多模态基准测试...