많은 멀티모달 태스크에서 강력한 성능을 보임에도 불구하고, 비전-언어 모델(VLMs)은 여전히 기본적인 사물 개수에 어려움을 겪습니다. 우리는 이것이 내부 지식의 부족을 반영하는지, 아니면 내부 표현과 언어화된 출력 사이의 격차를 의미하는지 조사합니다. 다섯 가지 계수 데이터셋에 걸쳐 네 개의 VLM 활성화에서 간단한 프로브(probes)를 학습시킨 결과, 비선형 프로브가 계수 오류를 신뢰성 있게 감지할 수 있음을 보여주었습니다. 이는 VLM이 잘못된 답을 출력하더라도 종종 올바른 개수를 인코딩하고 있음을 시사합니다. SVCCA 분석은 정답(ground-truth) 개수로 학습된 프로브와 모델 출력으로 학습된 프로브가 부분적으로 공유되는 활성화 부분 공간을 차지하지만, 정렬되지 않은 방향을 따라 읽어낸다는 것을 보여줍니다. 우리는 또한 인과적 조향(causal steering) 개입을 사용하여 우리의 발견을 검증했으며, 계수 식별 프로브의 방향을 강화하는 것이 모델의 계수 성능을 향상시킨다는 것을 증명했습니다. 이 결과에 영감을 받아, 우리는 내부 오류 감지기가 실패를 예측할 때만 선택적으로 모델에 재프롬프트(re-prompt)하는 디텍터 기반 자체 교정 방법을 제안합니다. 이 간단한 추론 시간 개입은 매개변수 업데이트 없이도 계수 정확도를 최대 15.6 절대 퍼센트 포인트까지 향상시킵니다. 우리의 결과는 활성화 기반 오류 프로빙이 VLM의 계수를 개선하기 위한 실용적인 도구이자, 내부 지식과 모델 출력 사이의 격차를 이해하는 기계론적 렌즈임을 확립합니다.