先问视角所见，视觉语言模型更易选错积木

Jiaxuan Guo 等作者在渲染版 Director Task 中发现，先问视觉语言模型“导演能看到哪些积木”，会改变其随后的行动选择：在六个 GPT 模型上，选择被遮挡积木的比例上升 12 至 88 个百分点，在 Qwen3.8-27B 上上升 17 个百分点。 作者称，这些模型大多能正确报告导演能看到哪些积木，但先回答视角问题后，选择仍更多偏向被遮挡的积木。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。