视觉认知误差

本研究通过构建包含100张电影场景图像的CSB数据集，评估了2017-2025年间9个视觉语言模型在描述复杂场景时的表现。研究发现，尽管MLLMs在准确性上已接近人类水平，但仍存在空间依赖误差。研究还建立了五类视觉认知误差分类体系，并开发了基于掩码范式的空间依赖误差(SDE)量化方法。