视觉模型学到的是物理约束还是渲染捷径？一项反事实物理一致性基准
该基准用 Mitsuba 3 成对反事实渲染，把物理一致性诊断拆成违规类型、受影响区域与语言解释，并用干预机制偏移检验模型是否在走渲染捷径。
Qwen2.5-VL-7B
DocAttriBench：文档视觉问答中的答案溯源基准
本文提出大规模文档 VQA 答案溯源基准 DocAttriBench，并用掩码困惑度方法 MAPPET 自动把答案落到文本块、表格与图像等版面元素。
视觉语言模型思维链忠实性反事实测试
本文提出了vCT和vCCT两种反事实评估指标，通过移除图像中的特定对象来测试VLM的解释是否忠实于其预测变化，发现Predict-then-Explain (PE) 策略比Chain-of-Thought (CoT) 更忠实于视觉证据。