视觉候选该看到什么：联合编码优势主要来自请求可见性

研究用同一骨干网络在 Multimodal-Mind2Web 截图裁剪上微调，发现联合编码器的优势主要来自候选能看到请求，而非候选彼此交互。让每个候选从编码请求的分叉缓存继续编码，可挽回独立编码相对联合编码损失的 12 至 17 分中的 11 至 13 分，代价是失去跨请求复用。状态条件模型在匹配弃权点下比联合编码器低 0.6 和 1.0 分，翻转率为零。