arXiv · AI· M. Moein Esfahani, Sepehr Salem, Mohammed Alser, Vince Calhoun·· 2026-10-08AI 评分30
视觉模型如何学习物理约束或渲染捷径?一项关于基于物理一致性的反事实基准研究
Do Vision Models Learn Physical Constraints or Rendering Shortcuts? A Counterfactual Benchmark for Grounded Physical Consistency
AI 导读
研究提出基于Mitsuba 3构建的反事实基准,包含5500张图像及500个场景族,用于检测图像编辑中的物理违规。LLaVA-1.5-7B等基线模型在标准测试集类别macro-F1达64.0%至67.8%,但在干预移位下LLaVA-1.5-7B性能骤降至40.8%。该差距表明,高准确率部分源于对渲染及反事实构建线索的依赖。
来源:arXiv · AI · arxiv.org