DISSECT：诊断科学视觉语言模型中视觉终结与语言先验起始的界限

针对视觉语言模型能识别图像却无法基于其进行正确推理的现象，本文定义了“感知 - 整合鸿沟”。为此，作者提出了 DISSECT，一个包含 1.2 万问题的化学与生物学诊断基准。通过五种输入模式（包括新颖的“模型预言机”模式），该基准将性能分解为语言先验利用、视觉提取、感知保真度及整合有效性。评估 18 个模型发现，开源模型在基于自身描述推理时表现优于直接处理图像，揭示了系统性整合瓶颈，而闭源模型则无此问题，表明感知与推理的整合是当前多模态能力的关键前沿。