别被那些刷榜刷出来的超高分给骗了

我最近在看一份关于视觉语言模型十年演进的研究，非常有意思。研究人员发现，过去咱们习惯用的 BLEU-4 或者 CIDEr 这些评价指标，其实有点“注水”的意思，它们更看重词汇重叠度，而不是模型到底有没有理解画面背后的逻辑。为了戳破这个泡沫，作者干脆搞了个 CSB（Complex Social Behavior）数据集，全是电影里的复杂交互镜头，专门考查模型对多个人物社交动态、意图理解的能力。

最硬核的地方在于，他们把测试跨度拉到了 2017 年到 2025 年，对比了从早期的 ResNet-101 + LSTM 架构（比如那个 UDC 模型），到现在的 GPT-4o、Gemini 1.5 甚至传说中的 GPT-5.1 级别的 MLLM。

结果挺打脸的：老一代模型在处理这种电影画面时基本全线崩盘，但现在的 MLLM 进步极大，除了在“空间依赖（spatial dependence）”这个维度上还会犯点小错（比如分不清左右前后），其他像物体识别、幻觉、场景理解这些硬伤基本都被干掉了。

对于我们做前端或者搞应用开发的来说，这其实是个重要的信号：模型对语义的理解已经从单纯的“看到物体”进化到了“理解行为”。如果你的业务场景涉及复杂的图像语义推理，现在的 MLLM 已经具备了实战价值，不再是只会复读标签的机器了。

研究中提到的错误分类标准（Taxonomy）非常值得参考，建议关注这类模型在空间关系上的残留问题：

- Object Detection (物体检测)
Object Recognition (物体识别)

Hallucination (幻觉)

Scene Understanding (场景理解)

Spatial Dependence (空间依赖)