研究者提出CSS框架量化VLM与人类场景理解差距

Ziqi Wen 等研究者发布论文（arXiv:2605.13047），提出反事实语义显著性（CSS）框架：通过黑盒、模型无关地消融场景中的物体并测量由此引起的语义偏移，量化物体重要性，评估视觉语言模型（VLM）与人类场景理解的语义对齐。代码与数据已公开。 实验基于 307 个复杂自然场景、1,306 个高保真反事实变体和 16,603 条有效人类反应。结果显示模型过度依赖物体大小、中心性和低层显著性，对场景中人物的敏感度低于人类，其中物体大小依赖是模型与人类语义差异的主要驱动因素。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。