arXiv · AI· Soham Dan·· 2 天前AI 评分35
CueClash:前沿视觉语言模型在接近图像平面的 3D 关系判断中存在偏差
CueClash: Frontier Vision-Language Models Judge 3-D Relations Close to the Picture Plane
AI 导读
研究提出 CueClash 数据集,揭示 Claude Opus 5.5、GPT-5.5 和 Gemini 3.6 Flash 等前沿视觉语言模型在判断 3D 关系时依赖 2D 视觉线索。 低推理力度下,这些模型的“捷径差距”达 +18 至 +37 个百分点;提供地面坐标后可正确率达 99% 至 100%。 模型生成的场景地图多保留深度顺序但缩短深度,表明其 3D 空间理解仍存在局限。
来源:arXiv · AI · arxiv.org