执行日志干扰 VLM 对机器人进步的评价

在机器人视频中添加“正在取得进步”的虚假执行日志，可改变 Gemini、Qwen 和 GPT 判断正确的判定，使其误判为有进步的比例比中性日志高出 10 到 35 个百分点。 Qwen 对“任务完成”假声明易翻转一半的正确判定，而 Gemini 几乎不受影响；添加一行警告日志可消除大部分干扰效应。 该研究发现文本旁注可显著左右视觉语言模型（VLM）的机器人视频评估结果。